Fish Audio Live 3 vs GPT-Live-1：どちらも半製品であり、どちらの半かはメーターが示す

Fish Audio Live 3とGPT-Live-1はどちらも全二重音声モデルであり、どちらもターンテイキングは音声モデル内部に属すべきだと主張しており、そしてどちらも単体では不完全だ。GPT-Live-1は聞いて話し、その後で思考を別のバックエンドモデルに引き渡す。それは制約ではなく設計であり、前半部分には音声1分あたり0.05ドルを請求し、推論は別のメーターで課金される。Fish Audio Live 3も構造的には同じことをしている。音声レイヤーはFish AudioのAgent Platform上で動作し、一方エージェントの推論はカスタムLLMフックを通じて任意のOpenAI互換エンドポイントを指定できる。違いは、OpenAIが前半部分の価格を公開し、Artificial Analysisがシステム全体のスコアを公開している一方で、Fish Audioはどちらも公開しておらず、提示する唯一の数値——186ミリ秒、Live 3が反応を決められる最短間隔——をベンダー報告値と表記していることだ。

これは2つのモデル同士の競争というより、音声エージェントを半分に分ける2つの方法同士の競争であり、モデルよりもその分け方のほうが重要だ。GPT-Live-1は、GPT-6 Astraと組み合わせて中程度のエフォートで使った場合、Artificial Analysis Speech to Speech Indexで81.5を記録し、GPT-5.6 Solと組み合わせて低いエフォートで使った場合は80.1だった。つまり、バックエンドの選択は、1位と2位の差の7倍も結果を動かしたことになる。Live 3の同等の数値はまだ存在しない。どちらを購入しても、システムの半分を買い、残りの半分は自分で選ぶことにコミットすることになる。

各ベンダーが実際に公開した内容

GPT-Live-1はより詳しく文書化されている製品であり、その文書は継ぎ目について具体的に述べている。2026年7月8日にAdvanced Voice Modeの後継としてChatGPT内で提供開始され、2026年9月10日に開発者向けAPIに到達した。Artificial Analysisのボードにこの製品の行が2つあるのは、インデックスがシステム全体を採点するためだ。GPT-6 Astraをmedium effortで使った81.5が1位、GPT-5.6 Solをlow effortで使った80.1が3位となっている。Astraの行の下に並ぶコンポーネントの数値は、τ-Voiceでのエージェントスコア67.9%、Big Bench Audioで90%、タスク成功率87.4%、アリーナElo 1,048、最初の音声までの時間1.34秒だ。これはOpenAI自身のFull-Duplex-Benchでの0.798秒と比較されているが、同ベンチマークは別の事象を計測している。

Live 3 の公開されている情報は、1段落と一連の実例のみです。Fish Audio は 2026-11-10 にこれを発表し、全二重で、録音された人間の会話でトレーニングされていると説明し、短い反応では最短 186 ミリ秒で応答するかどうかを決められると述べ、ローンチ時点では英語のみだとし、Fish Agent Platform、Fish Audio 自身の API、オンプレミス展開を通じて提供しています。ベンチマークはなく、τ-Voice の数値も、arena Elo もなく、Fish Audio の料金表にも項目はありません。料金表には drama-3、s2.1-pro、s2.1-pro-free、s2-pro、s1 に加え、3 つの文字起こしモデルと voice-design-1 が記載されています。

• 前半 — GPT-Live-1: 音声1分あたり0.05ドル、秒単位で課金され、セッション開始時に15秒分が課金され、その後の利用分から相殺されます。Live 3: 価格は未公開です。

• 後半 — GPT-Live-1：任意の非同期バックエンドモデルで、そのモデルの料金体系で課金され、OpenAI が公開している WebRTC の例では GPT-5.6 Terra を使用。Live 3：任意の OpenAI 互換エンドポイントを指すカスタム LLM フックで、同様にそれを提供する側の料金体系で課金されます。

• 独立スコア — GPT-Live-1: 総合指数で81.5および80.1、2つの構成を個別に採点。Live 3: 2026-11-11時点でなし。

• トランスポートと制限 — GPT-Live-1: WebRTC のみ、画像・動画入力なし、構造化出力なし、無料枠なし、同時セッション数の上限は Tier 1〜5 でそれぞれ 25、50、200、300、500。Live 3: /v1/agent/* 配下の REST で、JavaScript および React の SDK、セッショントークン認証、電話番号・Web ウィジェット・カスタムクライアント向けのチャネルを提供。

なぜ2メートルの構造こそが実際の決定なのか

音声エージェントの請求書には2つの半分があり、予測できるのはそのうち片方だけだ。前半は時間で計測される。1分0.05ドルなら、5分の通話は25セント、回線をつなぎっぱなしの1時間は3ドルで、予測するには十分に単純な算術だ。後半はトークンで計測され、発信者がどれだけ頭を使うかによって変わり、不快なサプライズを生む半分でもある。だからこそArtificial Analysisは、1分あたりの音声料金ではなく、1時間あたりの総額コストを報告している。その数字は、Astraの組み合わせで1時間5.83ドル、Solの組み合わせで4.47ドルで、どちらもバックエンド処理を含み、音声メーターだけから想定される1時間3.00ドルと対比される。

Live 3 も同じ2メーター構成で、片方のメーターが隠れています。Fish Audio は音声レイヤーの料金を公表していないため、前半分は不明で、後半分は custom-LLM フックの背後にあるエンドポイントが請求する金額次第です。したがって、10分間の Live 3 通話のコストが計算できるのは両方の数値を知っている場合だけであり、現時点ではベンダーからどちらの数値もわかりません。

その非対称性こそが、この比較にルーティング層が登場する理由であり、それは後半部分だけに属する。OrcaRouterはFish Audio Live 3もGPT-Live-1もホストしていない—どちらもサードパーティの音声エンドポイントを持たず、どちらのスタックでも音声層はそのベンダー側にとどまる。OrcaRouterがホストするのは、両システムが委任する側の半分である：プロバイダー定価でマークアップゼロ、1つのキーの背後に216モデル、バックエンドがエラーやタイムアウトを起こした際の自動フェイルオーバー、どの種類のターンをどのモデルが処理するかを決めるルーティングDSL、そして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発火前にそれをチェックするモデルフュージョン。GPT-Live-1のデプロイにとっての実際的な効果は、2つのスコア付き構成間の1.4ポイントの差が、リーダーボードから読み取るのではなく、自分のトラフィックで測定できるものになるということだ。Live 3のデプロイにとっては、音声層の価格がわかる前に推論層が選ばれることを意味する—これは正しい順序である。なぜなら、それは後から変更できる側の半分だからだ。

ずっと間違った対象と比較され続けているレイテンシの数値

この対戦では3つのレイテンシ数値が出回っており、そのうちどの2つも同じ事象を測っているわけではない。GPT-Live-1の0.798秒はFull-Duplex-Benchによるもので、これは会話ダイナミクスのスイートであり、ターンテイキングのシナリオ内でモデルの時間を計測する。その1.34秒は最初の音声までの時間で、API上で計測されたものだ。Live 3の186ミリ秒はFish Audio自身の数値で、モデルが電話番号のチャンク間に「mm-hmm」や「okay, 415」のような短い反応を出すことを選べる最小間隔を表している。

それらを合わせて読むと、Live 3は7分の1の時間で応答すると結論づけたくなります。しかしその結論は、どちらのベンダーも公表した何ものによっても裏づけられていません。これらの数値が許す唯一の比較は方向性に関するものです。両社とも、条件下によっては会話で最初に聞こえる事象が0.25秒以内に届き得ると主張しており、どちらも分布を公表していません。GPT-Live-1にあってLive 3にないのは、それ自身と競合他社に同じ測定を適用する第三者製のハーネスであり、そのおかげで1.34秒はレビュアーが確認できる数値になり、186ミリ秒はパイロットが検証しなければならない数値になるのです。

アーキテクチャがあなたに何をコミットさせるか

二つの半分は同じようには持ち運べるわけではなく、どちらのパイロットを始める前にも考える価値があるのはまさにその点だ。

GPT-Live-1側では、音声レイヤーは事実上固定されています。セッションは、既存のRealtime統合のほとんどが使用するWebSocketトランスポートではなく、WebRTC上で実行され、Live SessionsエンドポイントはOpenAI独自のものであり、GPT-LiveモデルIDで古いパスをプローブすると、セッションにはWebRTCが必要であるというエラーが返されます。それに移行するにはトランスポートの書き換えが必要であり、そこから移行するのもまた別の書き換えです。

Live 3側では、音声レイヤーは別の形で固定されている。小規模ベンダーのベータ版プラットフォームで、英語のみ、価格は公開されておらず、独立したスコアもない。そこで移植可能なのは推論フックであり、そうでないのはその下にあるすべて——音声経路、電話番号、セッションのライフサイクル——だ。

どちらの場合も、モバイル側は推論モデルであり、そこでの切り替えは統合プロジェクトではなくモデルIDの変更にすぎません。この比較の両側で設計上の教訓は同じです。知能は交換できる層に置き、交換できない層は製品が許す限り薄く保つことです。

どちらの半分を先に買えばいいですか

まずGPT-Live-1の側を購入してください 今すぐその決定を正当化する必要があるなら。公開されている料金、2つのスコア付き構成、コンポーネントの内訳、文書化されたトランスポート、コールセンターの規模設計に使える同時接続数のラダーがあります。欠けているのは、ビデオパス、構造化されたツール出力、無料枠、そしてOpenAI自身の80.1%というインタラクティブ性の主張を独立に再現したものです。

まずLive 3の部分をパイロットしてください通話が英語で、苦情ログが話を遮られた発信者でいっぱいで、オンプレミス導入が希望ではなく必須条件なら、自分自身が評価そのものだと承知の上で臨んでください。料金表の記載も、τ-Voiceの数値も、アリーナスコアもなく、186ミリ秒という主張は回答ではなく短い反応を表しているだけです。

どちらの半分も、ベンダーが製品を完成させてくれると期待して買ってはいけない。バックエンドのない GPT-Live-1 は、言うべきことを何も持たない非常によい聞き手であり、フックの背後に推論エンドポイントのない Live 3 は、請求額が未公表のベータ版音声レイヤーだ。この対決を決めるスコア——何もない相手に対する 81.5——は、実のところドキュメントに関する声明であり、決着をつける数字は、Live 3 における最初の独立したターンテイキング実行だ。