Fish Audio Live 3は186ミリ秒で応答し、その後は通話中ずっと話すかどうかを決め続ける

Fish Audio Live 3は、Fish Audioが2026-11-10に発表した全二重音声モデルであり、その訴求点はすべて、多くの音声エージェントが今なお誤解している一つの違いに懸かっています。それは、電話番号の途中の間は、質問の終わりの間と同じ出来事ではない、という違いです。このモデルは話しながら聞き続け、Fish Audioによれば最短186ミリ秒で応答を決めることができ、無音のしきい値の表を渡されるのではなく、録音された人間の会話で訓練されて、いつ相づちを打つか、いつ待つか、いつ答えるか、いつ止めるかを学んでいます。

最後の条項が興味深い点であり、この記事でベンチマークを示せない理由でもある。Fish AudioはLive 3について評価を公表しておらず、自社の料金表にもLive 3単体のバイト単位価格を載せておらず、それを名指すモデル識別子やエンドポイントのドキュメントも出していない。単一の評価ハーネスで双方向音声モデルを採点するArtificial Analysisにも、2026-11-11時点でLive 3の行はない。同ボードはFish Audioをモデルファミリーとして掲載しているが、その双方向の取り組みはどれも採点していない。186ミリ秒という数字はベンダー報告によるもので、監査を受けていない。以下では、Fish Audioが文書化したものと、同社が主張したものを分けて扱う。ローンチから1日後には、その二つは別々の山だからだ。

電話番号を台無しにする一瞬の沈黙

Fish Audio 自身の実例が、今回の発表で最も説得力のある論拠だ。番号を区切って読み上げる——「415… 555… 0132」——と、従来型のエージェントには、3つの別々の発話終了イベントとして聞こえるか、発信者が考え込んでいると誤解する1回の長いためらいとして聞こえる。Live 3 は、区切りの間に「うんうん」や「オーケー、415」と言ってから残りを待つと記録されている。この相づちは同時に2つの役割を果たす。数字が届いたことを確認し、発信者が息を継ぎ、次の数桁を確認して続けられるよう、発話の場を開いておくのだ。

同じ問題のより難しい半分は、逆方向の誤りです。エージェントが営業時間を読み上げていて、発信者が「うん」や「んー」と言って聞き取っていることを示しても、Live 3 は止まらずに続けると記録されています。その後、発信者が「待って、実は木曜だけでいいんです」と言うと、止まって余地を作ります。Fish Audio の捉え方では、すべての音が割り込みなのではなく、人間が発しうるあらゆる音を開発者が列挙しなくても、モデルはあいづちと発話の奪取を区別できるべきだというのです。

第三のケースは発話途中での訂正です。{{1}}「ピザを2枚お願いします……いや、3枚。ラージを3枚。それから……実は、1枚をマルゲリータにしてください」{{/1}} 最初のもっともらしい完全な注文で発火するパイプラインは、誤った注文を2回確定してしまいます。{{2}}Live 3 は各修正を待ち通すと文書化されています。{{/2}} サポート通話、予約、注文はまさにこうしたケースで溢れており、Fish Audio の最高経営責任者がレイテンシの数値ではなく言語学的な類推を持ち出したのはそのためです。

「これまでの解決策は、ルールを増やし、しきい値を増やすことでした」と、Fish Audioの共同創業者兼CEOのRissa Cao氏は述べた。「モデルは、言語モデルが文法を学ぶのと同じように、実際の会話からこれを学ぶべきだと考えています」

Fish Audioが実際に文書に記したこと

マーケティング的な飾りを除けば、Live 3 の公開されている内容はすべて列挙できるほど短い。以下の内容はすべて Fish Audio の発表またはそのドキュメントによるもので、ここにあるものはどれも独自に測定されたものではない。

• 反応時間 — Fish Audioは、モデルが最短186ミリ秒で応答することを決定できると述べています。ただしこれは、完全な回答ではなく、「mm-hmm」「okay」や簡単な確認のような短い反応の場合です。

• アーキテクチャ — 全二重。話しながら聞き取るため、番号を読み上げている途中でも確認応答を行うことが可能になります。

• 学習信号 — 実際の人間の会話。ターン交代の挙動は設定されるのではなく学習される。データセットの規模、時間数、評価セットは開示されていない。

• 言語 — ローンチ時点では英語のみとし、その旨を発表文で明記します。

• 提供形態 — Fish Agent Platform、Fish Audio 独自の API、およびエンタープライズ顧客向けのオンプレミス導入。

• 価格 — 未公開。Fish Audioの料金表にはdrama-3、s2.1-pro、s2.1-pro-free、s2-pro、s1に加え、3つのASRモデルとvoice-design-1が記載されている。Live 3はそこに記載されていない。

発表そのものは全文を読む価値がある。なぜなら、振る舞いについては異例なほど具体的で、数字については異例なほど多くを語っていないからだ。

そこには3つの音声抜粋が付属している——間を置きながら詳細を付け加える発信者、メニュー一覧に割り込む発信者、エージェントが注文を読み返す間に「うんうん」と言う発信者——で、いずれも同じ行動上の主張を異なる角度から捉えたものである。どれにもトランスクリプトレベルのスコアは付いておらず、告知もスコアがあるとは主張していない。

Live 3エージェントの構成

Live 3 は、より大きな製品の音声レイヤーであり、その製品の残りの部分こそが統合作業の対象です。Fish Audio は、現在パブリックベータ版のホスト型 Agent Platform を運営しており、/v1/agent/* 配下の REST サーフェスに加えて、JavaScript と React 向けのクライアント SDK を公開しています。エージェントは Web ウィジェット、電話番号、またはカスタムクライアントに接続でき、セッションはブラウザ内の長期間有効なキーではなく、セッショントークンで認証されます。プラットフォームが音声パスを処理し、指示、ツール、ワークフローはユーザー側で用意します。

その上に構築する人にとって重要なのは、カスタムLLMフックです。Fish Audioでは、エージェントの推論レイヤーをOpenAI互換のエンドポイントに向けられるため、思考を担うモデルはベンダーのものである必要がありません。これは意図的な継ぎ目であり、ルーティングレイヤーが入るべき継ぎ目でもあります。OrcaRouterはそのエンドポイントの背後に位置し、同じキーで216モデルを、プロバイダーの定価でマークアップなしで利用でき、プロバイダーでエラーが発生した際には自動フェイルオーバーします。そのため、Live 3エージェント内のプランナーは、音声レイヤーや電話番号に触れることなく差し替え、実際の通話トランスクリプトでA/Bテストし、向け先を変更できます。ルーティングDSLがどのモデルがどの通話を処理するかを決め、モデル融合では安価なモデルが下書きし、より強力なモデルが実行前にツール呼び出しをレビューできます。境界を明確にすると、OrcaRouterはFish Audio Live 3をホストしていません。それ用のサードパーティエンドポイントは存在せず、ここでの音声レイヤーはベンダー自身のものです。

プラットフォームは、エージェントが電話番号やツール、セッションのライフサイクルを取得する場所です。

何がそれを決着させるのか

3つの数値があれば、これは主張からデータポイントになるのだが、そのどれもまだ存在しない。

• Live 3 のバイト単位または分単位の料金。これにより、10分の通話のコストを、それが置き換えるカスケードと比較できる。これが実現するまでは、Live 3 導入の総コスト見積もりは、小数点付きの推測にすぎない。

• 下限ではなく、レイテンシ分布です。「わずか186ミリ秒」は、短い反応における高速側のテールを表しています。完全な回答における最初の音声が出るまでの時間こそが、通話者がエージェントに被せて話すかどうかを決める数値であり、Fish Audioはそれを公表していません。

• 独立したターンテイキングスコア。Artificial Analysisはデュプレックスモデルに対してFull-Duplex-Benchとτ-Voiceエージェント型テストを実施しており、どちらもこの市場の他のデュプレックスモデルについて公開されている行と直接比較できるはずです。どちらかのボードにLive 3の行があれば、発表が文章で答えていることを1つの表で示せるでしょう。

一方で、率直な見方はこうだ。Fish Audio が選んだ問題は現実に存在し、十分に応えられていない。示されている実例も適切であり、モデルは、それ自体がまだベータ版のプラットフォームを通じて実際のユーザーに提供され始めている。現在のエージェントの障害モードが、発信者が話をかぶせられることや、数字の列を二度繰り返さなければならないことなら、Live 3 はまさにそこを狙っている。そして、導入後に最初に計測すべきはレイテンシではなく、発信者が何度やり直さなければならないかだ。