Fish Audio Live 3 vs GPT-Live-1: entrambi sono mezzo prodotto, e il contatore dice quale metà

Fish Audio Live 3 e GPT-Live-1 sono entrambi modelli vocali full-duplex, entrambi sostengono che la gestione dell'alternanza di turno debba risiedere all'interno del modello vocale, ed entrambi, da soli, sono incompleti. GPT-Live-1 ascolta e parla e poi affida il pensiero a un modello backend separato: questa è la sua architettura, non un limite, e fattura 0,05 dollari per minuto vocale per la prima metà, mentre il ragionamento arriva su un secondo contatore. Fish Audio Live 3 fa strutturalmente la stessa cosa: il livello vocale gira sulla Agent Platform di Fish Audio, mentre il ragionamento dell'agente può puntare a qualsiasi endpoint compatibile con OpenAI tramite l'hook custom-LLM. La differenza è che OpenAI ha pubblicato il prezzo della prima metà e Artificial Analysis ha pubblicato il punteggio dell'intero sistema, mentre Fish Audio non ha pubblicato né l'uno né l'altro, e definisce l'unico dato che fornisce — 186 millisecondi, l'intervallo più breve in cui Live 3 può decidere di reagire — come dichiarato dal fornitore.

Ciò rende questo meno una gara tra due modelli che una gara tra due modi di dividere a metà un agente vocale, e la divisione conta più del modello. GPT-Live-1 ha ottenuto 81,5 sull'Artificial Analysis Speech to Speech Index se abbinato a GPT-6 Astra con impegno medio e 80,1 con GPT-5.6 Sol con impegno basso, il che significa che la scelta del backend ha spostato il risultato di sette volte il margine tra il primo e il secondo posto. Il numero equivalente di Live 3 non esiste ancora. Acquistare l'uno o l'altro significa acquistare metà di un sistema e impegnarsi a scegliere da soli l'altra metà.

Che cosa ha effettivamente pubblicato ciascun fornitore

GPT-Live-1 è il prodotto meglio documentato, e la documentazione è precisa sul punto di contatto. È stato distribuito all'interno di ChatGPT l'8 luglio 2026 in sostituzione di Advanced Voice Mode e ha raggiunto l'API per sviluppatori il 10 settembre 2026. La classifica di Artificial Analysis riporta due righe per esso perché l'indice valuta un sistema nel suo complesso: 81,5 con GPT-6 Astra a sforzo medio, al primo posto, e 80,1 con GPT-5.6 Sol a sforzo basso, al terzo posto. I valori delle componenti sotto la riga di Astra sono un punteggio agentico del 67,9% su τ-Voice, il 90% su Big Bench Audio, l'87,4% di successo nelle attività, un Elo nell'arena di 1.048 e 1,34 secondi al primo audio — misurati rispetto ai 0,798 secondi di OpenAI su Full-Duplex-Bench, che conteggia un evento diverso.

Ciò che è stato pubblicato su Live 3 è un paragrafo e una serie di esempi pratici. {{1}}Fish Audio{{/1}} l'ha annunciato il 2026-11-10, lo descrive come {{2}}full duplex{{/2}} e addestrato su conversazioni umane registrate, afferma che può decidere di rispondere in appena 186 millisecondi per reazioni brevi, dichiara che al lancio è disponibile solo in inglese e lo offre tramite {{3}}Fish Agent Platform{{/3}}, l'API proprietaria di {{4}}Fish Audio{{/4}} e la distribuzione on-premises. Non esiste alcun benchmark, nessun valore τ-Voice, nessun Elo di arena e nessuna riga dedicata nel listino prezzi di {{5}}Fish Audio{{/5}} — che elenca {{6}}drama-3{{/6}}, {{7}}s2.1-pro{{/7}}, {{8}}s2.1-pro-free{{/8}}, {{9}}s2-pro{{/9}} e {{10}}s1{{/10}}, oltre a tre modelli di trascrizione e {{11}}voice-design-1{{/11}}.

• Prima metà — GPT-Live-1: 0,05 $ per minuto vocale, fatturati al secondo, con 15 secondi addebitati all'avvio della sessione e accreditati sull'utilizzo successivo. Live 3: prezzo non pubblicato.

• Seconda parte — GPT-Live-1: un modello backend asincrono a tua scelta, fatturato alle tariffe di quel modello, con GPT-5.6 Terra nell'esempio WebRTC pubblicato da OpenAI. Live 3: un hook per LLM personalizzato che punta a qualsiasi endpoint compatibile con OpenAI, anch'esso fatturato da chi lo fornisce.

• Punteggio indipendente — GPT-Live-1: 81,5 e 80,1 sull'indice composito, due configurazioni valutate separatamente. Live 3: nessuno, al 2026-11-11.

• Trasporto e limiti — GPT-Live-1: solo WebRTC, nessun input di immagini o video, nessun output strutturato, nessun livello gratuito e limiti di concorrenza di 25, 50, 200, 300 e 500 sessioni simultanee nei livelli da 1 a 5. Live 3: REST sotto /v1/agent/* con SDK JavaScript e React, autenticazione tramite token di sessione, canali per un numero di telefono, un widget web o un client personalizzato.

Perché la struttura da due metri è la vera decisione

La bolletta di un agente vocale ha due metà e solo una è prevedibile. La prima metà è misurata in base al tempo: a 0,05 dollari al minuto, una chiamata di cinque minuti costa un quarto di dollaro e un'ora di linea aperta costa tre dollari, un calcolo abbastanza semplice da prevedere. La seconda metà è misurata in token, varia a seconda di quanto deve ragionare il chiamante ed è quella che produce le spiacevoli sorprese: per questo Artificial Analysis riporta un costo complessivo orario anziché una tariffa vocale al minuto. La sua cifra è di 5,83 dollari l'ora per l'accoppiata Astra e di 4,47 dollari per quella Sol, entrambe comprensive del lavoro di backend, contro i 3,00 dollari l'ora che il solo contatore vocale suggerirebbe.

Live 3 ha la stessa struttura a due contatori, con un contatore nascosto. Fish Audio non ha pubblicato alcuna tariffa per il livello vocale, quindi la prima metà è sconosciuta, e la seconda metà è qualunque cosa addebiti l'endpoint dietro l'hook custom-LLM. Una chiamata Live 3 di dieci minuti ha quindi un costo calcolabile solo se si conoscono entrambi i numeri, e oggi non se ne conosce nessuno dei due dal fornitore.

Quella asimmetria è il motivo per cui un livello di routing compare in questo confronto, e appartiene solo alla seconda metà. OrcaRouter non ospita Fish Audio Live 3 né GPT-Live-1 — nessuno dei due ha un endpoint vocale di terze parti, e il livello vocale in entrambi gli stack resta con il rispettivo fornitore. Ciò che OrcaRouter ospita è la metà a cui entrambi i sistemi delegano: 216 modelli dietro un'unica chiave al prezzo di listino del fornitore, senza alcun ricarico, failover automatico quando un backend genera errori o va in timeout, un DSL di routing che decide quale modello gestisce quale tipo di turno, e la fusione di modelli, così che un modello economico possa preparare una chiamata a uno strumento mentre uno più forte la verifica prima che venga eseguita. Per un deployment di GPT-Live-1 l'effetto pratico è che il divario di 1,4 punti tra le due configurazioni valutate diventa qualcosa che puoi misurare sul tuo traffico invece di leggerlo da una classifica. Per un deployment di Live 3 significa che il livello di ragionamento viene scelto prima ancora che si conosca il prezzo del livello vocale — che è l'ordine giusto, perché è la metà che puoi cambiare in seguito.

Il numero di latenza che continua a essere confrontato con la cosa sbagliata

In questo confronto circolano tre valori di latenza e non ce ne sono due che misurino lo stesso evento. Lo 0,798 secondi di GPT-Live-1 proviene da Full-Duplex-Bench, una suite di dinamiche conversazionali che cronometra un modello all'interno di uno scenario di alternanza dei turni. I suoi 1,34 secondi sono il tempo al primo audio, misurato sull'API. I 186 millisecondi di Live 3 sono il dato di Fish Audio per l'intervallo più piccolo in cui il modello può scegliere di emettere una breve reazione come "mm-hmm" o "okay, 415" tra i blocchi di un numero di telefono.

Se li si legge insieme, viene spontaneo concludere che Live 3 risponda in un settimo del tempo. Questa conclusione non è supportata da nulla che l'uno o l'altro fornitore abbia pubblicato. L'unico confronto che le cifre consentono è di tipo direzionale: entrambe le aziende sostengono che il primo evento udibile in una conversazione possa arrivare entro un quarto di secondo in alcune condizioni, e nessuna delle due ha pubblicato una distribuzione. Ciò che GPT-Live-1 ha e Live 3 non ha è un harness di terze parti che applica la stessa misurazione a esso e ai suoi concorrenti, ed è questo che rende 1,34 secondi un numero che un recensore può verificare e 186 millisecondi un numero che un pilota deve verificare.

A cosa ti vincola l'architettura

Le due metà non sono ugualmente portabili, e questo è l'aspetto su cui vale la pena riflettere prima che parta l'uno o l'altro pilota.

Sul fronte GPT-Live-1, il livello vocale è di fatto fisso. Le sessioni passano su WebRTC anziché sul trasporto WebSocket usato dalla maggior parte delle integrazioni Realtime esistenti, l'endpoint Live Sessions è esclusivo di OpenAI e provare il percorso più vecchio con un ID modello GPT-Live restituisce un errore che dice che le sessioni richiedono WebRTC. Passarci sopra richiede una riscrittura del trasporto. Allontanarsene ne richiede un'altra.

Sul fronte Live 3, il livello vocale è fissato in modo diverso: è una piattaforma beta di un fornitore più piccolo, solo in inglese, senza prezzo pubblicato e senza punteggio indipendente. Ciò che è portabile lì è l'aggancio di ragionamento, mentre ciò che non lo è è tutto ciò che sta sotto — il percorso audio, il numero di telefono, il ciclo di vita della sessione.

In entrambi i casi la metà mobile è il modello di ragionamento, ed è lì che un cambio è un cambio di ID modello anziché un progetto di integrazione. La lezione di progettazione è la stessa su entrambi i lati di questo confronto: metti l'intelligenza nello strato che puoi sostituire e mantieni lo strato che non puoi sostituire il più sottile possibile, per quanto il prodotto consenta.

Quale metà comprare per prima

Acquista prima la parte GPT-Live-1 se devi giustificare la decisione ora. Ha una tariffa pubblicata, due configurazioni con punteggio, una scomposizione dei componenti, un trasporto documentato e una scala di concorrenza su cui dimensionare un call center. Quello che non ha è un percorso video, output strutturati degli strumenti, un livello gratuito o qualsiasi riproduzione indipendente dell'affermazione di interattività dell'80,1% di OpenAI.

Prova prima la parte Live 3 se le tue chiamate sono in inglese, il tuo registro dei reclami è pieno di chiamanti a cui si parla sopra e la distribuzione on-premises è un requisito anziché una preferenza. Vai consapevole che la valutazione sei tu: nessuna voce del listino prezzi, nessun dato τ-Voice, nessun punteggio arena e un'affermazione di 186 millisecondi che descrive reazioni brevi anziché risposte.

Non acquistare nessuna delle due metà aspettandoti che il fornitore completi il prodotto. GPT-Live-1 senza un backend è un ottimo ascoltatore che non ha nulla da dire; Live 3 senza un endpoint di ragionamento dietro il suo hook è uno strato vocale beta con una bolletta non pubblicata. Il punteggio che decide questo confronto — 81,5 contro nulla — è in realtà un'affermazione sulla documentazione, e il numero che lo risolverà è la prima prova indipendente di alternanza dei turni su Live 3.