Fish Audio Live 3 は本番運用可能かつクローズド——vLLM-Omni の提供内容が実際に求めているもの

Fish Audio Live 3 について最も多くを語る一文は、Fish Audio によって書かれたものではなかった。同社が2026年11月10日にこのモデルを発表したとき、最も遠くまで届いた返信は vLLM プロジェクトのアカウントから来たものだった。話しながら聞く全二重音声モデルのリリースを祝う言葉、いつかオープンソース化されることへの願い、そしてオープンソース化された暁には vLLM-Omni が喜んでそれをサービングするという申し出。その返信を二度読めば、リリース全体の輪郭が見えてくる。なぜならそこには物語の両半分が同時に含まれているからだ — 本物の能力向上と、サービングフレームワークなら即座に気づく欠落が。

Fish Audio Live 3は全二重音声モデルです。音声を生成している間も聞き続け、初日から本番環境で利用できる形で、Fish AudioのAgent Platform、同社自身のAPI、および企業向けのオンプレミス展開を通じて販売されています。ダウンロードできるものではありません。重みもライセンスもリポジトリもなく、—11月11日時点では—Fish AudioのAPIドキュメントにモデル識別子もありません。同ドキュメントには今も s2.1-pro、s2.1-pro-free、s2-pro、s1と3つのtranscribeモデルが記載されているだけで、Live 3という名称のものはありません。以下の性能数値はすべてFish Audio自身によるもので、独立して再現されたものはありません。

何が出荷されたのか、そしてその文の中で「production-ready」が何をしているのか

発表内の技術的主張は、マーケティング上のキャッチコピーよりも対象が絞られていて、より興味深い。Fish Audioによれば、このモデルは会話のタイミングを、認識・推論・生成という別々の段階からなるパイプライン全体でではなく、音声モデルの中で扱う。また、いつ相づちを打つか、待つか、答えるか、止めるかを、人手で設定した無音のしきい値ではなく、録音された人間の会話から学習したという。別個の推論レイヤーが、エージェントの指示とツールを保持する。投稿には3つの通話サンプルが添えられている——注文の完了、割り込み、復唱中の相づち——であり、これらが今回の発表の中で証拠に最も近いものだ。

「production-ready」が実際に意味するのは、ローンチ当日に商用ラッパーが存在することだ。$5のクレジット付きでカード不要のセルフサービスプラットフォーム、ドキュメント化されたエージェントビルダー、テレフォニー、そしてエンタープライズ向けのオンプレミスオプションである。それは、モデルが購入者の言う受け入れテストを通過したという意味ではない。公開された評価は一切ない——単語誤り率も、タスク成功率も、ターンテイキングスコアも、レイテンシ分布もない。音声モデルの初日としては異例ではないが、はっきり言っておく価値はある。なぜなら、ミリ秒を先頭に出すローンチ記事は、読者に下限を測定値として扱わせるからだ。

3つの数字があり、そのうち2つだけがFish Audioから提供されています

• 反応速度 — 186ミリ秒。Fish Audio自身の数値であり、「mm-hmm」のような短い反応や、完全な回答を準備している間の素早い確認といった文脈で説明されています。これは相づちの下限であり、回答の最初の音声が出るまでの時間ではありません。

• 価格 — Agent Platform では 1分あたり $0.035。これは $0.07 の定価から 50% オフとして宣伝されており、このオファーは 2026年12月31日に終了するとされています。この1分あたりの料金には音声認識、推論モデル、音声が含まれます。プレミアム LLM トークンは独自のトークン料金で請求され、電話通話には1分あたり $0.01 が追加され、電話番号には月額 $1.20 かかります。

• 個別スコアはゼロ。Artificial Analysisは音声-to-音声のボードを運営しており、そこではGrok Voice 3.0、GPT-Live-1、Gemini 3.8 Live、Qwen Audio 3.0 Realtimeなど十数モデルを、推論、会話のダイナミクス、タスク成功率、最初の音声が出るまでの時間で順位付けしている。2026年11月11日に確認したところ、そのボードにはFish Audioの双方向（デュプレックス）行が一切存在しない。

最初の2つの数字は、買い手が実際に行動に移せる数字だ。3つ目は買い手が最終的に必要になる数字であり、価格を最初の一見ではなく再検討に値するものにする理由でもある。終了日が公表されたプロモーション料率はコストモデルではなく、有効期限が印字されたコスト見積もりにすぎない。

なぜサービングフレームワークがクローズドモデルを気にかけるのか

vLLM-Omniの関心は感情ではない。サービングフレームワークは、自分でロードできる重みを、自分が管理するハードウェア上で、誰かの分単位の課金メーターではなく自分の電気代を限界費用として動かすために存在する。クローズドモデルは、そのための顧客ではない。したがって、あの返信の中の申し出は、将来のリリースに向けた依頼として読むのが最も適切だ。チェックポイントを公開すれば、それを待つ推論経路がある。

この不在が必然ではなく意図的と見えるのは、Fish Audio自身の実績によるものだ。同社は以前にもオープンウェイトを公開している——表現力豊かなテキスト音声合成モデル「Fish Audio Drama 3」はダウンロード可能なチェックポイントとして提供され、オープンウェイト音声のアリーナでも評価されている。したがって、ここでのクローズドな配布は、オープン性に関する全社方針ではなく、ライブエージェント事業に関する製品判断と読める。オンプレミスの選択肢は問いをさらに曖昧にする。企業は自社の境界内でLive 3を実行できるが、それはモデルを読んだり、ファインチューニングしたり、再ホストしたりできることと同じではない。そしてFish Audioは、オンプレ契約にそのうちどれが含まれるのかを明らかにしていない。

英語のみの行が「30以上の言語」という主張の隣に置かれている

Fish Audio自身のウェブページにある2つの文は、相反する方向を向いている。発表文は、Live 3が現在英語を話すことを明言している。同じサイトのAgent Platformページは、30以上の言語にわたる2,000,000+の音声と、発信者が「昼夜を問わず、発信者の言語で数秒で応答される」ことを宣伝している。両方は同時に真であり得る——大規模な多言語音声ライブラリと音声認識レイヤーが30言語をカバーしていても、その土台となるデュプレックスモデルが1言語しか話さない、ということは——だが、Live 3を購入するときにあなたが買っているものを説明しているのは、それらの文のうち片方だけだ。発信者が英語話者でないなら、興味深い問いは、プラットフォームが何を発音できるかではなく、デュプレックスモデルがいつ追いつくかである。

今日、何を、そして何を通じて呼び出せるのか

アクセスはFish Audio自身のAPIとAgent Platformを通じて行われ、オンプレミス経路はエンタープライズ契約向けに確保されています。このモデルを第三者提供する形はなく、それはチェックポイントが存在しないことの直接の結果です。デプロイできるアーティファクトがないため、インフラ事業者からLive 3を借りることはできません。「パートナープラットフォーム経由で利用可能」とモデルを説明する人は、そのプラットフォームの音声ライブラリについて述べているのであり、デュプレックスモデルについて述べているのではありません。

エージェントスタックのうちポータブルな半分は推論側の半分であり、Agent Platformではその半分は請求書の別項目になります。ルーターがその価値を発揮するのはまさにそこであり、音声モデルに到達するための手段としてではありません。OrcaRouterはプロバイダーの定価で、マークアップなしの1つのキーの背後に200以上のモデルを提供します。そのため、思考を担うテキストモデルは、音声契約に触れることなく差し替えたり、ピン留めしたり、フェイルオーバーさせたりでき、さらに自動フェイルオーバーにより、推論バックエンドでエラーが発生した場合やタイムアウトした場合でも通話を維持できます。Fish Audio Live 3はそのリストにはなく、ホストするものもありません。本稿のどの部分も、Fish Audio Live 3がそのリストにあるとか、ホストするものがあるといった主張として読まれるべきではありません。

何がこのピースを変えるでしょうか？

状況を大きく変える可能性が高い順に、4つの出来事がある。チェックポイント――これはvLLM-Omniの返答が求めているものであり、Live 3をDrama 3と同じ棚に並べることになる。独立系の音声対音声ボードに一行載ること――これにより186ミリ秒は、単なる主張から文脈を伴うデータポイントになる。Fish Audio自身のAPIドキュメントでモデル文字列と料金が公開されること――これにより調達文書で引用可能になる。そして2027年1月1日、$0.035のプロモーション料金が存続するか否か。

それまでは、正直に要約すれば、Live 3は今週リリースされた音声モデルの中で最も興味深く、最も文書化されていないモデルだ。ターンテイキングをどこに置くべきかという本質的なアーキテクチャ上の主張が、価格だけを公表して他には何も公表していない商用製品に包まれている。出荷するのは妥当だ。まだ評価できるものではないが、その2文の違いこそ、サービングフレームワーク、独立系ベンチマーク、調達チームがそれぞれ待っているものだ。