Fish Audio Live 3 대 Grok Voice 3.0: 한쪽 가격은 번들이고, 다른 한쪽은 구성 요소입니다

두 요금표를 나란히 놓으면 최신 모델이 절반도 안 되는 가격으로 보인다. Fish Audio Live 3는 Fish Audio의 Agent Platform에서 분당 $0.035에 판매된다. 이는 정가 $0.07의 절반인 프로모션 요금으로, 2026년 12월 31일까지 유효하다. Grok Voice 3.0은 분당 $0.08, 즉 시간당 $4.80에 텍스트 입력 토큰당 $0.004가 추가된다. 4센트 대 8센트는 명쾌한 이야기처럼 보이지만, 두 숫자가 서로 다른 대상에 과금하고 있다는 점을 알아차리기 전까지는 그렇다. Grok Voice 3.0은 임대하는 음성-대-음성 구성 요소이고, Live 3의 분당 수치는 음성 인식, 추론 모델, 음성을 하나의 미터로 묶은 것이다. 하나는 부품이고, 다른 하나는 조립품이다. 이들을 분당으로 비교하는 것은 기어박스와 자동차를 비교하는 것이다.

그 구분이 이 비교의 전부이며, 그 이유를 정확히 짚을 가치가 있다. Grok Voice 3.0은 세션 범위 도구와 반환되는 트랜스크립트를 갖춘 실시간 WebSocket 뒤에 있는 버전 지정 모델 문자열로, 처리하는 오디오 1분당 가격이 매겨지며 Artificial Analysis Speech to Speech Index에서 독립적으로 86.9점을 받았다. Fish Audio Live 3은 2026년 11월 10일에 출시된 전이중 모델로, 말하는 동안에도 계속 듣고, 회사 자체 발표에 따르면 출시 시점에 영어 전용이며, 어떤 종류의 공개 벤치마크도 없고, Fish Audio의 API 문서에 모델 식별자도 없으며, 가중치 공개도 없다 — vLLM 프로젝트가 이 출시에 보인 공개 반응은 언젠가 오픈소스로 공개되기를 바란다는 것이었다.

한쪽에만 존재하는 점수판

Artificial Analysis는 모든 양방향 모델에 사용하는 동일한 하네스로 Grok Voice 3.0을 측정했으며, 수치는 이례적으로 완전합니다. 아래의 모든 수치는 해당 보드 자체의 것으로, 2026년 10월 13일자 실행에서 가져온 것입니다.

• 음성 추론, Big Bench Audio — 98.5%.

• 대화 역동성, Full Duplex Bench — 97.0%, 백채널링 92.9%, 끼어들기 처리 96.5%, 발화 순서 주고받기 100%, 일시정지 처리 98.5%.

• Speech Agent Arena 선호도 — Elo 1059, Gemini 3.8 Live는 1074, Eleven Realtime v1 Max는 990.

• 작업 성공률 — τ-Voice 항공, 소매 및 통신 시나리오 전반에서 94.8%

• 첫 오디오까지 걸리는 시간 — 0.81초로, Grok Voice 2.0의 0.70초보다 느리지만 Astra medium 구성의 GPT-Live-1(1.34초)보다는 약 40% 빠릅니다.

• 입력 오디오 1시간당 비용 — $4.80, 공급업체 자체의 분당 요율을 그대로 환산한 금액입니다.

Live 3의 열은 희박한 것이 아니라 비어 있으며, 그 비어 있음에는 특정한 형태가 있다. 2026년 11월 11일 기준으로 그 보드에는 어떤 Fish Audio 듀플렉스 모델을 위한 행도 없다. 보드는 Fish Audio를 모델 패밀리로 나열할 뿐, 그 라이브 작업 중 어느 것도 점수화하지 않는다. Fish Audio가 공개한 유일한 수치는 응답을 결정하기까지 186밀리초이며, 회사는 이를 완전한 답변이라기보다 "mm-hmm" 같은 짧은 반응의 맥락에서 설명한다. 그것은 인정 응답에 대한 공급업체의 하한값이다. Grok의 0.81초는 답변에 대해 감사를 거친 첫 오디오까지의 시간(time-to-first-audio)이다. 그 두 수치는 어떤 면에서도 서로 비교 가능하지 않으며, 둘 다 초 단위로 표현된다는 사실이 함정이다.

각 측의 양방향성 주장이 실제로 무엇을 수반하는가

두 모델 모두 전이중 방식이므로 "말하면서 듣기"는 둘 사이의 차별화 요소가 아니라 기본 요건입니다. 차이는 타이밍 정책이 어디에서 비롯되는가입니다.

Fish Audio의 주장은 확인 응답, 기다림, 응답, 멈춤이 침묵 임계값 목록으로 작성된 것이 아니라 녹음된 인간 대화에서 학습되었다는 것이며, 이를 전화번호를 여러 토막으로 나누어 읽어 주는 예로 설명합니다. 사람은 망설임 하나로 듣는 지점에서 에이전트가 세 번의 발화 차례 종료 이벤트를 듣는 것이 바로 고치고 있는 실패입니다. 뒷받침 자료는 주문 마무리하기, 끼어들기, 읽어 주는 동안 맞장구치기의 세 가지 샘플 통화입니다. Fish Audio가 공개하지 않은 것은 학습된 정책이 임계값 기반 정책을 능가하는지에 대한 어떤 측정치입니다.

Grok Voice 3.0의 타이밍 정책은 행동적 측면에서 전혀 설명되지 않습니다. xAI가 공개한 것은 요금표, 모델 문자열, 별칭 변경 — grok-voice-latest는 이제 grok-voice-3.0을 가리키고, grok-voice-2.0은 지원 중단(deprecated)으로 표시됨 — 이며, 여기에 Artificial Analysis를 통해 구매자가 하나의 리스크 진술로 읽을 수 있는 일련의 턴테이킹 점수까지 더해집니다. 96.5%의 인터럽션 점수는 자사 통화 녹음으로 직접 검증해 볼 수 있는 주장입니다. 186밀리초의 확인 응답 하한값은 실제로 실행해 보기 전까지는 신뢰에 기대야 하는 주장입니다.

별칭 전환은 전화 시스템에서 들리는 것보다 더 큰 의미가 있다. Grok Voice 2.0은 2026년 8월 5일 별칭 대상이 되었고, 10주 후 3.0으로 대체되었는데, 이는 별칭을 대상으로 배포한 팀이 이미 한 분기에 두 차례의 조용한 모델 교체를 겪었음을 의미한다. grok-voice-3.0을 명시적으로 고정할지 여부는 벤더가 사실상 강요한 배포 결정이다.

돈이 실제로 귀착되는 곳

번들 방식 대 컴포넌트 방식의 분할은 네 가지 비용 형태를 만들어 내며, 그중 실제 통화와 맞닥뜨려도 살아남는 방식으로 Live 3에 유리한 것은 단 하나뿐이다.

• Agent Platform의 Live 3 — 프로모션 기간 동안 인식, 추론, 음성을 모두 포함해 분당 $0.035입니다. 전화 통화에는 분당 $0.01, 전화번호당 월 $1.20이 추가되며, 기본 포함 모델에서 업그레이드할 경우 프리미엄 등급 LLM의 토큰 요금이 적용됩니다. 10분 통화 비용은 35센트에 통신 요금이 더해집니다.

• 2026년 12월 31일 이후 Live 3 — 분당 정가는 $0.07이며, 이 시점에 총액은 Grok의 $0.08과 1센트 이내 차이이므로 번들 논리만으로 비교를 뒷받침해야 합니다. Fish Audio는 할인이 어떻게 될지 밝히지 않았습니다.

• Grok Voice 3.0 — 오디오 1분당 $0.08에 텍스트 입력 토큰당 $0.004이며, 추론 모델, 전화 통신, 오케스트레이션은 모두 별도로 구매해야 합니다. 분당 요금은 하한선일 뿐 총액이 아닙니다.

• 또는 자체 추론 모델을 사용하는 방식 — 두 벤더 모두 두뇌는 직접 공급하게 하고 음성 계층은 과금하므로, 두 방식이 수렴하는 유일한 형태입니다.

그 마지막 요점은 가격표 안에 숨어 있는 실질적인 결론입니다. 제품이 추론 계층에서 차별화된다면, 번들은 교체하려던 무언가에 대한 할인입니다. 그렇지 않다면 번들은 정말로 더 저렴하고 간단하며, 50% 프로모션은 이번 달 음성 부문 최고의 거래입니다.

조달, 그리고 그 누구의 요율표도 답할 수 없는 질문

가격과 점수는 쉬운 절반입니다. 어려운 절반은 모델이 여러분 밑에서 바뀔 때 벌어지는 일이며, 바로 이 지점에서 두 공급업체는 정반대의 선택을 했습니다.

Grok Voice 3.0은 안정적인 인터페이스와 불안정한 모델을 갖고 있습니다: 동일한 엔드포인트, 동일한 이벤트 이름, 동일한 베어러 토큰 핸드셰이크, 동일한 음성 세트이며, 모델은 별칭 뒤에서 교체됩니다. Fish Audio Live 3는 불안정한 인터페이스와 현재로서는 안정적인 모델을 갖고 있습니다: 플랫폼은 공개 베타이고, 듀플렉스 모델은 새로우며, API 문서는 아직 그 이름을 명시하지 않고, 출시 게시글만이 그 동작을 설명하는 유일한 문서입니다. 한 방식은 지속적인 테스트를 요구합니다. 다른 방식은 릴리스 노트를 읽기를 요구합니다.

둘 다 비합리적이지는 않습니다. 하지만 이 둘 사이에서 선택해야 하는 엔지니어링 팀이라면, 자신이 어느 위험을 더 잘 흡수할 수 있는지에 주목해야 합니다. 그 답이 분당 4센트보다 성공적인 배포를 예측하는 데 보통 더 큰 도움이 되기 때문입니다.

이식 가능한 계층, 그리고 정직한 경계

두 스택 모두 두 부분으로 구성된 시스템이며, 두 경우 모두 음성 부분은 이식할 수 없습니다. Grok Voice 3.0은 xAI의 실시간 엔드포인트에서만, Live 3은 Fish Audio의 플랫폼과 기업용 하드웨어에서만 실행됩니다. 추론 부분이 바로 라우터가 들어갈 자리이며, 두 경우 모두 별도 구매입니다. Grok 쪽에서는 세션 도구 내부에서 호출하는 모델이고, Fish 쪽에서는 에이전트가 가리키는 OpenAI 호환 엔드포인트입니다. OrcaRouter은 단일 키로 200개가 넘는 모델을 공급사 정가에 마크업 없이 제공합니다. 따라서 어느 스택이든 텍스트 모델을 음성 계약을 다시 협상하지 않고 교체하거나 고정할 수 있으며, 추론 백엔드가 통화 도중 오류를 내도 자동 장애 조치가 세션을 유지합니다. 어느 음성 모델도 여기서 라우팅할 수 없습니다. 둘 다 제3자 엔드포인트가 없기 때문이며, 이 글에서 그렇게 암시한다면 오해를 불러일으킬 것입니다.

아직 결정을 내리지 못한 팀이라면, 가장 저렴한 실험은 가격 책정이 가능하게 해주는 실험입니다. 동일한 통화 20건을 두 모델 모두로 실행해 보고, 끼어드는 부분은 직접 점수를 매겨 보세요. 그리고 다른 회사의 리테일 시나리오에서의 94.8% 작업 성공률이 여러분의 시나리오에 대해서도 무엇인가를 예측하는지 확인해 보세요. Live 3의 186밀리초는 모델의 핵심처럼 느껴질 수도 있고, 에이전트가 생각하는 동안 내는 노이즈에 대한 숫자처럼 느껴질 수도 있습니다. 그것은 요금표로 해결할 수 있는 질문이 아니며, 청구서가 도착한 뒤에 중요한 유일한 질문입니다.