Fish Audio Live 3は1つの言語しか話さない。Gemini 3.8 Liveは97の言語を話し、しかも毎秒ウォーターマークを埋め込む。

Fish Audio Live 3とGemini 3.8 Liveは、重要な考え方では一致しているが、それ以外のほとんどすべてで意見が分かれる。両者とも、発話交替を別々の部品からなるパイプラインではなく、音声モデルの内部に置いている。2026-11-10に発表されたLive 3は、この点を挙動面から主張する。電話番号の途中のポーズは質問の終わりのポーズと同じ事象ではなく、モデルはわずか186ミリ秒で応答を決められるという。これはFish Audioが報告している数字で、誰も検証していない。2026-09-15に発表されたGemini 3.8 Liveは、同じ問題に書類の整備で答える。会話途中の切り替えが可能な97言語、生成音声の毎秒に埋め込まれたSynthIDウォーターマーク、公開されたモデルカード、文書化された2つのAPIモデルID、そしてSpeech to Speech Indexで76.0と表示され、4つの構成要素すべてに値が入っているArtificial Analysisの行だ。

この比較を決めるのは、レイテンシの数値ではなく、その非対称性だ。これらのモデルの一方は、今日にでも調達文書に書き込み、一行ずつ根拠を示して擁護できる。もう一方は、採用するチームが計測・検証の仕組みを整えなければならない。さらにその奥には、より鋭い論点がある。Live 3 が売りにしている挙動は、Gemini 3.8 Live が最も強い領域ではなく、Live 3 が評価されてきた領域でもない。だから今のところ、この対決を決めるのは、どちらのモデルが電話対応をよりうまくこなすかではなく、何を検証できるかである。

カバレッジギャップは脚注ではない

まず、各モデルがデモの外で何をするのかから始めましょう。というのも、ほとんどの購入者にとって、このセクションは興味深い質問が聞かれる前に評価を終わらせるものだからです。

• 言語 — Gemini 3.8 Live は97言語に対応し、会話の途中で自動的に言語を切り替えます。Fish Audio は、Live 3 がローンチ時点では英語のみであると明言しています。マドリードの予約受付窓口、サンパウロのサポート待ち行列、ワルシャワの債権回収デスクは、今四半期における Live 3 の導入事例ではありません。

• 来歴 — Gemini 3.8 Live が生成する音声は1秒残らず Google の SynthID ウォーターマークが埋め込まれており、Gemini の2つの音声バリアントはいずれも、gemini-3-8-audioという名前で公開されたモデルカードに記載されています。Fish Audio の発表には、Live 3 のウォーターマークや来歴メタデータについて一切言及がありません。お使いの法域が合成音声の開示に向かいつつあるなら、この違いはエンジニアリングの問題ではなく法的な問題として浮上します。

• 識別子 — Google は gemini-3.8-live と gemini-3.8-live-extended-thinking を、Gemini API、Live API、AI Studio を通じて呼び出し可能なモデル ID として公開しています。Fish Audio の発表では Live 3 という名称が挙げられていますが、モデル識別子も、それに関するモデルごとのエンドポイントドキュメントも公開されていません。

• 非音声入力 — Gemini 3.8 Live は、このラインが従来から備えていたカメラおよび画面共有のサポートに加えて、視覚入力をほぼリアルタイムで処理します。Live 3 は音声入力・音声出力です。

• エンタープライズ路線 — Googleの道筋はGemini Enterpriseでのプライベートプレビューで、カスタマーエクスペリエンス版は近日公開予定として挙げられています。Fish AudioのそれはAgent Platformで、現在パブリックベータ版であり、さらにエンタープライズ顧客向けのオンプレミス導入も用意しています — これは本当に異なる提供内容であり、音声をパブリッククラウドに送信できない購入者に対して、このリストの中で小規模ベンダーの方がより強い答えを持っている唯一の箇所です。

インデックスが見えるもの、見えないもの

Artificial Analysisは、Speech to Speech Indexを、音声推論、エージェント性能、アリーナ選好、タスク成功率を均等加重で合成した指標として構築しており、単一モデルではなくシステム全体を採点します。Gemini 3.8 Liveの行は完全です。インデックス76.0、Big Bench Audio 92%、最初の音声までの時間1.18秒、タスク成功率93.2%、会話ダイナミクス96.1%、アリーナElo 1,083、τ-Voice顧客サービス・タスク・ベンチマークで30.1%。2026-11-11時点でLive 3には行がまったくなく、ボードはFish Audioをモデルファミリーとして掲載しているものの、そのデュプレックス作業は一切採点していません。

そのうち2つの構成要素をよく見てほしい。見出しが語っていないことを示しているからだ。Gemini 3.8 Liveの会話ダイナミクスにおける96.1%は、その行で最高の数値であり、Live 3が売りにしているものに最も近い公開代理指標だ——ターン制モデルがターン交代の指標で上位近くにスコアしている。τ-Voiceにおける30.1%はその行で最低の数値であり、このモデルが1位ではなく5位に位置する理由だ。会話はうまいが、タスクを完了することはまれだ。Google自身のその対策は第2のバリアント、Gemini 3.8 Live Extended Thinkingで、同じテストで68.6%に達し、指数で82.6の1位となる——時間あたりの音声コストは約4倍だ。

この比較から得られる教訓は、両ベンダーにとって居心地の悪いものだ。会話のダイナミクスと自然なターンテイキングは同じ指標ではなく、まさにそのため、一方の96.1%と他方の未採点の主張を並べて比較することはできない。Live 3の主張は、特定の状況ではその挙動がターン制モデルより優れているというものだ。電話の相手が番号の途中で間を置く、あるいはエージェントが注文を読み返している間に同意の声を漏らす、といった状況だ。誰かがターンテイキング用のハーネスでそれを実行するまでは、Live 3は公開されているボードでは切り分けられていないシナリオについて主張している、というのが誠実な立場だ。

出所、そしてレビュアーが尋ねる質問

音声は、コンプライアンスチームが価格より先に出力について尋ねる唯一のモダリティだ。Gemini 3.8 Liveには用意された答えがある。生成音声へのSynthIDウォーターマーク、名前付きのモデルカード、そしてその両方を支える、責任ある利用に関する姿勢を公表しているベンダーだ。Live 3の発表は、会話時の振る舞いについては異例なほど精密である一方、聞き手や検出器がその出力を録音とどう見分けられるかについては完全に沈黙している。

それはLive 3を避ける理由にはならないが、通話を録音する回線に導入する前にFish Audioへ直接質問すべき理由にはなる。音声にウォーターマークが付されるか、セッションが文字起こしや監査記録を生成するか、そしてその両方の保持ポリシーはどうなっているか——この3点は、レビュー担当者が書面で求める項目だ。Fish Audioはプラットフォームのセッショントークン認証と/v1/agent/* RESTサーフェスを文書化している。つまり、この3点すべてに答えるための仕組みは存在する。同社が単に答えを公開していないだけであり、ローンチ翌日ならそれは危険信号というより通常の状態だ。

存在する価格と存在しない価格

Gemini 3.8 Live は、Live API 経由で音声入力1分あたり0.005ドル、音声出力1分あたり0.018ドルで公開されています。したがって、出力が継続する5分間の通話は、バックエンドモデルのコストを除いても、音声だけで11セント強になります。Artificial Analysis は Google の料金を、固定された40問のサブセットに対して時間あたりの数値に換算しており、その派生列は取得時点によって変動しています — 9月16日のボードでは標準モデルで1時間あたり0.84ドル、後のボードでは1.50ドルでした。どちらも換算値であり、提示価格ではありません。予算を立てる際に基準にすべきは、1分あたりの料金です。

Live 3には価格がない。Fish Audioの料金表には、drama-3が100万UTF-8バイトあたり50ドル、s2.1-proとs2-proが15ドル、s2.1-pro-freeがゼロ、s1が15ドルで提供終了日が2026-12-31、さらに3つの音声認識モデルとvoice-design-1が1リクエストあたり1セントと記載されている。Live 3はそこに載っていない。双方向エージェント通話にも自然なバイト数はない——入力音声は発信者が話す内容次第だ——ため、課金メーターの形すら公表されていない。今日作成されるLive 3のコストモデルは推測であり、その推測は、どの文書に掲載される場合でも推測であると明記すべきだ。

声の背後には何があるのか

どちらのモデルもシステム全体ではなく、その継ぎ目はどちら側でも同じです。Gemini 3.8 LiveはバックグラウンドでのツールとAPIの実行を行い、リクエストを確認応答して呼び出しが完了する間も会話を続けます。そしてその処理は、通常のトークンコストを伴う通常のモデル呼び出しに帰着します。Live 3のAgent Platformは、エージェントの推論を任意のOpenAI互換エンドポイントに向けるカスタムLLMフックを公開しています。どちらの場合も、音声モデルはフロントエンドであり、テキストモデルが思考を担います。

そのレイヤーこそがルーターの存在価値を発揮する場所であり、どちらのスタックにおいても切り替えが安価に済む唯一のレイヤーです。OrcaRouter はプロバイダーの定価でマークアップゼロ、単一のキーの背後に216モデルを提供するため、上流の値下げは次回の契約更新時ではなく当日に反映され、バックエンドでエラーやタイムアウトが発生しても自動フェイルオーバーが呼び出しを維持し、ルーティングDSLがどの種類のターンをどのモデルが処理するかを決定し、モデルフュージョンにより安価なモデルがツール呼び出しを下書きし、より強力なモデルが実行前にそれを検査できます。境界を正確に言えば、OrcaRouter は Fish Audio Live 3 や Gemini 3.8 Live 音声エンドポイントをホストしていません。どちらにもサードパーティ製の音声エンドポイントはなく、どちらのスタックでも音声レイヤーはそのベンダーに残ります。推論レイヤーこそがポータブルな部分であり、あるベンダーのプレビュー価格モデルと別のベンダーのベータ版プラットフォームで構築されたスタックにとって、ポータビリティは次のリリースを生き残る特性です。

それぞれが実際に何のためのものか

Gemini 3.8 Liveを選びましょう。製品がグローバルに展開されている場合、音声が自社インフラの外に出てその出所を証明するよう誰かに求められる場合、あるいはエージェントに画面やカメラを見せる必要がある場合です。スコアカード、ウォーターマーク、対応言語、公開レート、モデルIDを備えています。弱点はτ-Voiceでのタスク完了率が30.1%であることで、Googleがその対策として提供しているのが、時間単価が4倍になるExtended Thinkingバリアントです。

Pilot Fish Audio Live 3は、通話が英語で、インフラ上の制約によりパブリッククラウドが使えず、苦情ログが「話を遮られた」「数字の連続を繰り返した」という通話者でいっぱいなら、検討に値します。オンプレミス展開はここでは実際の利点であり、Googleは提供していません。評価は自分で構築するつもりで臨んでください。比較対象となるスコアも、予測できる公開価格も、指摘できるウォーターマークもありません。

76.0 をターンテイキングに対する判定と受け取らないでください。 これはエージェント型タスクの完了に大きな重みを置く複合指標であり、Gemini 3.8 Live はまさにそこが弱いのです。この対決の決着をつける数値は、他のすべてのモデルが測定されているのと同じハーネス上で Live 3 のターンテイキングスコアを測ったものです。そして、それが存在するまでは、両モデルは振る舞いではなくドキュメントに基づいて比較されていることになります。