Fish Audio Live 3 jest gotowy do produkcji i zamknięty: czego tak naprawdę wymaga oferta vLLM-Omni

Najbardziej wymowne zdanie o Fish Audio Live 3 nie wyszło spod pióra Fish Audio. Kiedy firma ogłosiła model 10 listopada 2026 r., odpowiedź, która rozeszła się najszerzej, pochodziła z konta projektu vLLM: gratulacje z okazji wydania pełnodupleksowego modelu głosowego, który słucha podczas mówienia, życzenie, by pewnego dnia został udostępniony jako open source, oraz oferta, że vLLM-Omni chętnie będzie go serwować, gdy tylko to nastąpi. Przeczytaj tę odpowiedź dwa razy, a zobaczysz kształt całego wydania, ponieważ zawiera ona jednocześnie obie połowy historii — rzeczywisty postęp w możliwościach i brak, który framework serwujący zauważa natychmiast.

Fish Audio Live 3 to pełnodupleksowy model mowy: nadal nasłuchuje, gdy generuje mowę, a od pierwszego dnia jest sprzedawany jako gotowy do wdrożenia produkcyjnego za pośrednictwem Agent Platform firmy Fish Audio, za pośrednictwem własnego API firmy oraz jako wdrożenie lokalne dla przedsiębiorstw. Nie jest natomiast dostępny do pobrania. Brak wag, brak licencji, brak repozytorium i — według stanu na 11 listopada — brak identyfikatora modelu w dokumentacji API Fish Audio, która nadal wymienia s2.1-pro, s2.1-pro-free, s2-pro, s1 oraz trzy modele transkrypcji i nic o nazwie Live 3. Każda z poniższych liczb wydajnościowych pochodzi od samego Fish Audio i żadna nie została niezależnie odtworzona.

Co zostało dostarczone i co robi „production-ready” w tym zdaniu

Techniczne twierdzenie w ogłoszeniu jest węższe i ciekawsze niż slogan marketingowy. Fish Audio twierdzi, że model obsługuje timing konwersacyjny wewnątrz modelu mowy, a nie w ramach potoku oddzielnych etapów rozpoznawania, rozumowania i generowania, oraz że nauczył się, kiedy potwierdzić, zaczekać, odpowiedzieć lub przerwać, na podstawie nagranych ludzkich rozmów, a nie ręcznie zapisanych progów ciszy. Osobna warstwa rozumowania przechowuje instrukcje i narzędzia agenta. Do wpisu dołączono trzy przykładowe rozmowy telefoniczne — finalizowanie zamówienia, wtrącanie się i sygnały potwierdzające podczas odczytywania — i są one najbliższe dowodowi w komunikacie.

„Production-ready” w praktyce oznacza, że komercyjna nakładka istnieje już w dniu premiery: samoobsługowa platforma z kredytem 5 USD i bez konieczności podawania karty, udokumentowany kreator agentów, telefonia oraz opcja on-premises dla przedsiębiorstw. Nie oznacza to, że model przeszedł cokolwiek, co kupujący nazwałby testami odbiorczymi. Nie opublikowano żadnej ewaluacji — ani wskaźnika błędów słów, ani skuteczności wykonania zadania, ani oceny naprzemienności mówienia, ani rozkładu opóźnień. To nie jest nic niezwykłego w przypadku modelu mowy w dniu premiery, ale warto powiedzieć to wprost, ponieważ wpis premierowy, który zaczyna się od milisekund, zachęca czytelników, by traktowali dolną granicę jako pomiar.

Trzy liczby, a tylko dwie z nich pochodzą od Fish Audio

• Szybkość reakcji — 186 milisekund, własna wartość Fish Audio, opisana w kontekście krótkich reakcji, takich jak „mm-hmm” lub szybkie potwierdzenie, gdy przygotowywana jest pełna odpowiedź. To dolna granica czasu potwierdzenia, a nie czas do pierwszego dźwięku odpowiedzi.

• Cena — $0.035 za minutę na Agent Platform, promowana jako 50% zniżki od ceny katalogowej $0.07, przy czym oferta ma obowiązywać do 31 grudnia 2026 r. Ta stawka za minutę obejmuje rozpoznawanie mowy, model rozumowania i głos; tokeny premium LLM są rozliczane według własnej stawki za token, połączenia telefoniczne doliczają $0.01 za minutę, a numery telefonów kosztują $1.20 miesięcznie.

• Niezależne oceny — zero. Artificial Analysis prowadzi ranking mowa-do-mowy, który klasyfikuje Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime i kilkunastu innych pod względem rozumowania, dynamiki konwersacji, skuteczności wykonywania zadań i czasu do pierwszego dźwięku. Sprawdzone 11 listopada 2026 r. — ten ranking w ogóle nie zawiera wiersza Fish Audio duplex.

Pierwsze dwie liczby to te, na których kupujący może działać. Trzecia jest tą, której kupujący w końcu będzie potrzebować, i właśnie dlatego cena zasługuje na drugie spojrzenie, a nie pierwsze: promocyjna stawka z opublikowaną datą zakończenia nie jest modelem kosztów, lecz szacunkiem kosztów z wydrukowanym terminem ważności.

Dlaczego framework do serwowania modeli interesuje się zamkniętym modelem

Zainteresowanie vLLM-Omni nie jest sentymentem. Frameworki serwujące istnieją po to, aby uruchamiać wagi, które można załadować, na sprzęcie, który kontrolujesz, przy koszcie krańcowym będącym twoim rachunkiem za prąd, a nie czyimś licznikiem opłat za minutę. Zamknięty model nie jest w tym klientem. Ofertę zawartą w tej odpowiedzi najlepiej więc odczytywać jako prośbę skierowaną do przyszłego wydania: opublikuj checkpoint, a ścieżka inferencji będzie na niego czekać.

To, że ta nieobecność jest wymowna, a nie nieunikniona, wynika z własnego dorobku Fish Audio. Firma już wcześniej udostępniała otwarte wagi — Fish Audio Drama 3, jej ekspresyjny model zamiany tekstu na mowę, jest dostępny jako checkpoint do pobrania i był oceniany na arenach mowy z otwartymi wagami. Tak więc zamknięta dystrybucja jawi się tutaj jako decyzja produktowa dotycząca biznesu agentów na żywo, a nie polityka firmy wobec otwartości. Opcja on-premises jeszcze bardziej komplikuje pytanie: przedsiębiorstwa mogą uruchamiać Live 3 we własnym obwodzie, co nie jest tym samym co możliwość jego odczytania, dostrojenia lub ponownego hostowania, a Fish Audio nie powiedziało, które z tych elementów obejmuje umowa on-prem.

Linia mówiąca wyłącznie o angielskim znajduje się obok deklaracji „30+ języków”

Dwa zdania na temat własnych produktów Fish Audio ciągną w różnych kierunkach. W ogłoszeniu stwierdza się wprost, że Live 3 mówi dziś po angielsku. Strona Agent Platform, w ramach tej samej witryny, reklamuje ponad 2 000 000 głosów w ponad 30 językach oraz rozmówcę „obsłużonego w ciągu kilku sekund, o każdej porze dnia i nocy, w języku dzwoniącego”. Oba zdania mogą być prawdziwe jednocześnie — duża wielojęzyczna biblioteka głosów i warstwa rozpoznawania mowy mogą obejmować trzydzieści języków, podczas gdy leżący u ich podstaw model dupleksowy mówi w jednym — ale tylko jedno z tych zdań opisuje to, co kupujesz, kupując Live 3. Jeśli Twoi rozmówcy nie mówią po angielsku, ciekawe pytanie nie brzmi, co platforma potrafi wymówić, tylko kiedy model dupleksowy dogoni.

Co możesz dziś nazwać i za pomocą czego

Dostęp odbywa się przez własne API Fish Audio i Agent Platform, a ścieżka on-premises jest zarezerwowana dla umów enterprise. Nie ma żadnego udostępniania modelu przez podmioty zewnętrzne, co jest bezpośrednią konsekwencją braku checkpointu: nie można wynająć Live 3 od dostawcy infrastruktury, ponieważ nie ma artefaktu do wdrożenia. Każdy, kto opisuje model jako „dostępny za pośrednictwem platform partnerów”, opisuje bibliotekę głosów platformy, a nie model duplex.

Ta połowa stosu agenta, która jest przenośna, to połowa odpowiedzialna za rozumowanie, a na Agent Platform ta połowa stanowi osobną pozycję na rachunku. Właśnie tutaj router uzasadnia swoje istnienie, a nie jako sposób na dotarcie do modelu mowy: OrcaRouter udostępnia ponad 200 modeli pod jednym kluczem w cenie katalogowej dostawcy, bez marży, dzięki czemu model tekstowy wykonujący rozumowanie można wymienić, przypiąć lub objąć przełączaniem awaryjnym bez ingerencji w kontrakt mowy, a automatyczne przełączanie awaryjne utrzymuje połączenie przy błędzie lub przekroczeniu limitu czasu backendu rozumowania. Fish Audio Live 3 nie znajduje się na tej liście — nie ma tam czego hostować — i żadnej części tego tekstu nie należy odczytywać jako twierdzenia przeciwnego.

Co zmieniłoby ten element?

Cztery wydarzenia, w przybliżonej kolejności według tego, jak bardzo zmieniłyby obraz sytuacji. Checkpoint, o który prosi odpowiedź vLLM-Omni i który postawiłby Live 3 na tej samej półce co Drama 3. Wiersz w niezależnym rankingu speech-to-speech, który zamieniłby 186 milisekund z twierdzenia w punkt danych z kontekstem. Opublikowany ciąg identyfikujący model i stawka w dokumentacji API Fish Audio, co uczyniłoby to cytowalnym w dokumencie zakupowym. I 1 stycznia 2027 r., kiedy promocyjna stawka $0.035 albo się utrzyma, albo nie.

Na razie uczciwe podsumowanie jest takie, że Live 3 to najciekawszy model głosowy wydany w tym tygodniu i jednocześnie najsłabiej udokumentowany: prawdziwy argument architektoniczny o tym, gdzie powinien znajdować się mechanizm przejmowania tur, opakowany w komercyjny produkt, który opublikował swoją cenę i nic więcej. To rozsądna rzecz do wypuszczenia. To jeszcze nie jest rzecz, którą można ocenić, a różnica między tymi dwoma zdaniami jest dokładnie tym, na co czekają framework do serwowania, niezależny benchmark i zespół ds. zakupów.