Fish Audio Live 3 対 Eleven Realtime v1 Max：186 ms と 0.57 s は同じ測定ではない

{{1}}Fish Audio Live 3{{/1}}と{{2}}Eleven Realtime v1 Max{{/2}}はどちらも全二重の音声モデルであり、どちらも4週間以内の間隔でリリースされ、どちらも「ターンテイキングは個別の部品を組み合わせたパイプラインではなく音声モデル自体の内部に属する」という主張の上で販売されている。{{3}}Fish Audio{{/3}}は、{{1}}Live 3{{/1}}が最短186ミリ秒で応答するかどうかを判断できると述べている。{{2}}ElevenLabs' Realtime v1 Max{{/2}}は0.57秒で話し始める。この2つの数字を並べると、新しいモデルの3倍の勝利のように見えるが、その読み方は契約に署名する前に誰もが理解しておく価値のある形で誤っている。

数値はそれぞれ異なる事象を測っている。Live 3の186ミリ秒は、Fish Audio自身が示した短い反応——「うんうん」や、電話番号を区切って読み上げる合間の「オーケー、415」——に対する数値であり、完全な回答に対するものではない。Maxの0.57秒は、応答そのものの最初の音声までの時間を実測した値で、Artificial AnalysisのSpeech to Speechハーネス上で取得されたものだ。一方はベンダーが報告した相づちの下限値、もう一方は返答に対する監査済みのレイテンシーである。両者を差し引いて得られる数値には何の意味もない——そしてそれこそが、この比較の有用な出発点だ。

各ベンダーが実際に公開している内容

Eleven Realtime v1 Max は 2026-10-20 に完全なスコアカードを携えて登場した。Artificial Analysis は、Big Bench Audio（98.8%）、最初の音声までの時間（0.57 秒）、タスク成功率（87.1%）、Full-Duplex-Bench の会話ダイナミクス（94.1%）、Arena 選好（997 Elo）でこれを評価している。このインデックスの基盤となるエージェント型 τ-Voice テストがまだ実施されていないため、Speech to Speech Index はなく、ElevenLabs から 1 時間あたりのコスト数値も得ていない — ボード上の 1 時間 4.80 ドルは、ElevenLabs の分単位のエージェント料金と API 料金を換算したものであり、モデル単体について公表された定価ではない。

Fish Audio Live 3 は2026-11-10に、振る舞いに関する主張を伴い、数値はほとんど伴わずに登場した。公開されているサーフェスは、すべて述べ切れるほど小さい。

• 反応速度 — 186ミリ秒（ベンダー報告値）。完全な回答ではなく、短い反応という文脈で説明されています。

• 独立したスコア — なし。Artificial Analysis は 2026-11-11 時点で、Speech to Speech ボードに Live 3 の行を掲載していません。Fish Audio はそこにモデルファミリーとして表示されており、スコア付きの双方向エントリーとしては表示されていません。

• 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つの音声認識モデルとvoice-design-1が記載されている。Live 3はそこに含まれていない。

• 言語 — 発表によると、開始時点では英語のみです。

• 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。

• アーキテクチャ — 全二重方式で、録音された人間の会話でトレーニングされているため、相槌、待機、応答、停止が学習された行動となっています。

ElevenLabs の公開情報はその鏡像だ。完全なスコアカードと不透明な単価。Max はインデックスと τ-Voice テストを除くすべての行を備えており、ElevenLabs はそれを独立した分単位の料金としては販売していない — ElevenAgents では標準のエージェント料金に加えて Realtime レートのトークン料金を支払い、Realtime API 経由では接続音声の分単位料金に加えてトークン料金を支払う。

行動についての議論、それこそが本当の競争

両ベンダーは同じ故障モードを説明し、同じ構造的修正を提案している。そのため、アイデアのレベルでは比較が異例なほど明快だ。ElevenLabsによれば、Realtimeにおける認識、ターンテイキング、推論、音声生成は、部分ごとに連携させるのではなく、一つのシステムとして調整されている。その効果について文書化された例がバックチャネルだ。Miniは、話者が話し終えたのか、それとも単に「mm-hmm」と相槌を挟んだだけなのかを検出すると説明されている。Fish Audioによる同じ主張の表現は、区切りごとに読み上げられる電話番号——「415… 555… 0132」——だ。Live 3はその合間に「mm-hmm」や「オーケー、415」と答えて、残りを待つことがある。

両者が分かれるのは、何を手元に残せるかという点です。Eleven Realtime は ElevenAgents 内と、OpenAI のイベントプロトコルとワイヤ互換の Realtime API（wss://api.elevenlabs.io/v1/convai/realtime）という2通りで提供されており、ElevenAgents 内で Realtime モデルを選ぶと、LLM、reasoning effort、thinking budget、並列ツール呼び出し、TTS モデル、ASR プロバイダーを ElevenLabs が管理します。現在パブリックベータの Fish Audio の Agent Platform は、推論レイヤーに関して正反対の立場を取っています。エージェントのカスタム LLM は OpenAI 互換のエンドポイントを指定できるため、思考を担うモデルは自分で選べます。

その違いは、レイテンシの数値以上に多くの導入を左右する。ベンダーにスタック全体を任せ、カスタムLLMとBedrockの経路を切り捨てる覚悟があるなら、ElevenAgentsが近道だ。推論レイヤー、つまり検索、ポリシーチェック、ツールオーケストレーションが製品の差別化点なら、Fish側のカスタムLLMフックが調達を生き残る機能になる。

コスト、そして Live 3 列が空である理由

Max は、Artificial Analysis の換算で入力音声1時間あたり4.80ドルかかる。これに対し、そのランキング上で最も安価な強力な双方向競合製品は0.84ドルだ。そのため価格は、新規参入者が迅速に契約を獲得できる軸となっており、まさにその軸で Live 3 は現時点では評価できない。Live 3 導入の通話あたりコストは、Fish Audio が公開したどの情報からも算出できない。課金単位が公開されていないからだ。

Fish Audio が実際に公開しているのは、同社の他のモデル向けの料金表であり、その形を知っておく価値がある。なぜなら、それが同社の音声の価格設定方法を物語っているからだ。テキスト読み上げは入力テキストの UTF-8 バイト単位で課金され、Fish Audio 自身のドキュメントには、100 万 UTF-8 バイトは約 18 万英単語、つまり約 12 時間分の音声に相当すると記載されている。drama-3 の定価が 100 万バイトあたり 50 ドルなので、生成音声 1 時間あたりおよそ 4.17 ドル、2026-11-30 まで実施されるローンチプロモーション中は約 0.83 ドルになる計算だ。これらは別製品について導き出された数字であり、Live 3 の価格ではない。また、双方向エージェントの「分」は合成音声と同じ単位ではない。しかし、これらの数字は Fish Audio の価格スケールを、この市場の他のプレイヤーと同じ 1 時間あたり 1〜5 ドルの範囲に置くものであり、桁違いに安いわけではないことを示している。

ここは、ルーティングレイヤーが双方にとってその真価を発揮するセクションです。OrcaRouterはFish Audio Live 3やEleven Realtime v1 Maxをホストしていません。どちらもサードパーティのエンドポイントを持たず、どちらのスタックでも音声レイヤーは各ベンダー側に残ります。OrcaRouterがホストするのは、どちらからも接続先として指定できる推論レイヤーです：プロバイダー定価でマークアップゼロのまま、1つのキーで利用できる216モデル、プロバイダーでエラーが発生した際の自動フェイルオーバー、そしてどのモデルがどの呼び出しを処理するかを決めるルーティングDSLです。実用上の帰結は、どちらのベンダーのトークン価格表もロックインにはならないということです。ElevenLabsがRealtimeの価格を改定しても、Fish AudioがLive 3をバイト単位の料金で公開しても、音声の請求額は変わり、推論の請求額は変わりません。なぜなら、推論の請求額はそもそもどちらのベンダーにも紐づいていなかったからです。

今はどちらを基に進めればいい？

ベンチマークを求められる相手に技術的な選択を擁護する必要があるなら、今すぐEleven Realtime v1 Maxで構築してください。監査済みのスコアカード、文書化されたイベントプロトコル、そしてレビュー担当者が確認できる実測レイテンシを備えています。Maxにおける未知数は、大量利用時の時間単価であり、品質ではありません。

Pilot Fish Audio Live 3は、あなたのエージェントの苦情ログが、発信者が話を遮られているという内容で埋まっている場合、かつ改善を自分で測定する用意がある場合に適しています。186ミリ秒という数値はMaxの0.57秒と比較できず、このモデルには独立したターンテイキングスコアがなく、定価もまだ存在しないため、パイロットは、仕様書に基づく調達判断ではなく、現在のエージェントに対する計測を組み込んだA/Bテストとして設計する必要があります。

186ミリ秒を、誰かに責任を問えるレイテンシの主張として扱わないでください。 これは、モデルが短い音を出すことを選んだ場合にどれだけ速く出せるかについてのベンダーの説明です。あなたが本当に気にする数字 — 発信者が応答の最初の音節を聞くまでの時間 — は、Live 3について誰によっても公表されていません。それが公表されれば、Maxとの比較は本当の意味での比較になり、それまでは「どちらが速いか」に対する正直な答えは、一方は測定され、もう一方は説明されている、というものです。