Fish Audio Live 3 vs Grok Voice 3.0: un prezzo è un pacchetto e l'altro è un componente

Put the two rate cards side by side and the newer model looks less than half the price. Fish Audio Live 3 sells for $0.035 per minute on Fish Audio's Agent Platform — a promotional rate, half of a $0.07 list, good through 31 December 2026. G​rok Voice 3.0 sells for $0.08 per minute, or $4.80 an hour, plus $0.004 per text input token. Four cents against eight is a clean story until you notice that the two numbers are billing different objects: G​rok Voice 3.0 is a speech-to-speech component you rent, and Live 3's per-minute figure bundles speech recognition, the reasoning model and the voice into one meter. One is a part, the other is an assembly. Compare them per minute and you are comparing a gearbox to a car.

That distinction is the whole comparison, and it is worth being precise about why. G​rok Voice 3.0 is a versioned model string behind a realtime WebSocket with session-scoped tools and returned transcripts, priced by the minute of audio it processes and scored, independently, at 86.9 on the Artificial Analysis Speech to Speech Index. Fish Audio Live 3 is a full-duplex model launched on 10 November 2026 that keeps listening while it speaks, is English-only at launch by the company's own statement, has no published benchmark of any kind, no model identifier in Fish Audio's API documentation, and no weight release — the vLLM project's public reply to the launch was to hope it gets open-sourced one day.

Il tabellone segnapunti che esiste solo su un lato

Artificial Analysis measures G​rok Voice 3.0 on the same harness it uses for every duplex model, and the numbers are unusually complete. Every figure below is the board's own, taken from its run dated 13 October 2026.

• Ragionamento vocale, Big Bench Audio — 98,5%.

• Dinamiche conversazionali, Full Duplex Bench — 97,0%, con backchannelling 92,9%, gestione delle interruzioni 96,5%, turn-taking 100% e gestione delle pause 98,5%.

• Speech Agent Arena preference — Elo 1059, against 1074 for G​emini 3.8 Live and 990 for Eleven Realtime v1 Max.

• Successo del compito — 94,8% negli scenari τ-Voice di compagnie aeree, vendita al dettaglio e telecomunicazioni.

• Time to first audio — 0.81 seconds, slower than G​rok Voice 2.0's 0.70 and roughly 40% quicker than GPT-Live-1 in its Astra medium configuration at 1.34 seconds.

• Costo per ora di audio in ingresso — $4,80, una conversione diretta della tariffa al minuto del fornitore stesso.

Live 3's column is not sparse, it is empty, and the emptiness has a specific shape. There is no row on that board for any Fish Audio duplex model as of 11 November 2026 — the board lists Fish Audio as a model family and scores none of its live work. Fish Audio's one published number is 186 milliseconds to decide to respond, which the company describes in the context of short reactions such as "mm-hmm" rather than full answers. It is a vendor floor on an acknowledgement. G​rok's 0.81 seconds is an audited time-to-first-audio on a reply. Nothing about those two figures is commensurable, and the fact that both are expressed in seconds is the trap.

A cosa si impegna effettivamente la pretesa duplex di ciascuna parte

Entrambi i modelli sono full duplex, quindi "ascolta mentre parla" non è un elemento distintivo tra loro; è il biglietto d'ingresso. La differenza sta da dove proviene la politica di temporizzazione.

La tesi di Fish Audio è che le capacità di confermare, attendere, rispondere e fermarsi siano state apprese da conversazioni umane registrate, anziché essere scritte come un elenco di soglie di silenzio; e lo illustra con un numero di telefono letto a pezzi: un agente che percepisce tre eventi di fine turno dove un umano percepisce un'unica esitazione è il difetto che si sta correggendo. Il materiale di supporto è costituito da tre chiamate di esempio: completare un ordine, inserirsi nella conversazione e inviare segnali di conferma durante una rilettura. Ciò che Fish Audio non ha pubblicato è una misurazione che stabilisca se la politica appresa superi una politica a soglie.

G​rok Voice 3.0's timing policy is not explained in behavioural terms at all. What xAI published is a rate card, a model string, an alias move — grok-voice-latest now resolves to grok-voice-3.0, and grok-voice-2.0 is flagged deprecated — and, through Artificial Analysis, a set of turn-taking scores that a buyer can read as a risk statement. A 96.5% interruption score is a claim you can test against your own call recordings. A 186-millisecond acknowledgement floor is a claim you have to take on trust until you run it.

The alias move matters more than it sounds in a phone system. G​rok Voice 2.0 became the alias target on 5 August 2026 and was superseded by 3.0 ten weeks later, which means a team that deployed against the alias has already been through two silent model swaps in a quarter. Whether you pin grok-voice-3.0 explicitly is a deployment decision the vendor has effectively forced.

Dove finiscono davvero i soldi

La distinzione tra bundle e componente genera quattro profili di costo, e solo uno di essi favorisce Live 3 in modo da reggere il confronto con una chiamata reale.

• Live 3 sulla Agent Platform — $0,035 al minuto tutto incluso durante la promozione, con riconoscimento, ragionamento e voce; aggiungi $0,01 al minuto per le chiamate telefoniche, $1,20 al mese per numero di telefono e la tariffa per token del LLM di livello premium se passi dal modello incluso a uno superiore. Una chiamata di dieci minuti costa 35 centesimi più la telefonia.

• Live 3 after 31 December 2026 — the list rate is $0.07 per minute, at which point the all-in figure is within a cent of G​rok's $0.08 and the bundle argument has to carry the comparison on its own. Fish Audio has not said what happens to the discount.

• G​rok Voice 3.0 — $0.08 per minute of audio plus $0.004 per text input token, with the reasoning model, the telephony and the orchestration all bought separately. The per-minute rate is a floor, not a total.

• Oppure, con un modello di ragionamento tuo — l'unica configurazione in cui i due convergono, perché entrambi i fornitori ti permettono di fornire il cervello e fatturano lo strato vocale.

Quest'ultimo punto è la conclusione pratica nascosta dentro la tabella dei prezzi. Se il tuo prodotto si differenzia sul livello di ragionamento, il bundle è uno sconto su qualcosa che avresti comunque sostituito. Se non è così, il bundle è davvero più economico e più semplice, e la promozione al 50% è la migliore offerta nel settore vocale questo mese.

Il procurement, e la domanda a cui nessun tariffario risponde

Il prezzo e i punteggi sono la metà facile. La metà difficile è ciò che accade quando il modello cambia sotto di te, e qui i due fornitori hanno fatto scelte opposte.

G​rok Voice 3.0 has a stable interface and an unstable model: same endpoint, same event names, same bearer-token handshake, same voice set, with the model swapped behind an alias. Fish Audio Live 3 has an unstable interface and, for now, a stable model: the platform is in public beta, the duplex model is new, its API documentation does not yet name it, and the launch post is the only document that describes its behaviour. One arrangement asks you to test continuously. The other asks you to read release notes.

Nessuno dei due è irragionevole. Ma un team di ingegneri che deve scegliere tra i due dovrebbe chiedersi quale rischio sia meglio attrezzato ad assorbire, perché quella risposta è di solito più indicativa di un deployment riuscito rispetto a quattro centesimi al minuto.

Lo strato portatile, e il confine onesto

Both stacks are two-part systems, and in both the speech half is unportable — G​rok Voice 3.0 runs only on xAI's realtime endpoint, Live 3 only on Fish Audio's platform and on enterprise hardware. The reasoning half is where a router belongs, and on both it is a separate purchase: on the G​rok side it is a model you call from inside the session's tools, on the Fish side it is an OpenAI-compatible endpoint the agent points at. OrcaRouter carries more than 200 models behind one key at provider list price with zero markup, so the text model in either stack can be swapped or pinned without renegotiating the speech contract, and automatic failover keeps a session alive when the reasoning backend errors mid-call. Neither speech model is routable here — there is no third-party endpoint for either — and this piece would be misleading if it implied otherwise.

Per un team ancora indeciso, l'esperimento più economico è quello che il prezzo rende possibile: far passare le stesse venti chiamate attraverso entrambi, valutare tu stesso le interruzioni e vedere se un tasso di successo del 94,8% sugli scenari retail di qualcun altro predice qualcosa sui tuoi. I 186 millisecondi di Live 3 sembreranno o il punto stesso del modello o un numero relativo a un rumore che l'agente produce mentre pensa. Non è una questione che un listino prezzi possa risolvere, ed è l'unica questione che conta dopo che arriva la fattura.