Fish Audio Live 3 vs Eleven Realtime v1 Max: 186 ms i 0,57 s to nie ten sam pomiar

Fish Audio Live 3 i Eleven Realtime v1 Max to oba pełnodupleksowe modele głosowe, oba trafiły na rynek w odstępie czterech tygodni i oba są sprzedawane z twierdzeniem, że przejmowanie tur należy do samego modelu mowy, a nie do potoku oddzielnych komponentów. Fish Audio twierdzi, że Live 3 potrafi zdecydować o odpowiedzi w zaledwie 186 milisekund. ElevenLabs Realtime v1 Max zaczyna mówić w 0,57 sekundy. Postawione obok siebie te dwie liczby wyglądają na trzykrotną przewagę nowszego modelu, ale ta interpretacja jest błędna w sposób, który warto zrozumieć, zanim ktokolwiek podpisze umowę.

Te liczby mierzą różne zdarzenia. 186 milisekund Live 3 to własna wartość Fish Audio dla krótkich reakcji — „mm-hmm”, „okay, 415” między fragmentami numeru telefonu — a nie dla pełnej odpowiedzi. 0,57 sekundy Maxa to zmierzony czas do pierwszego dźwięku dla samej odpowiedzi, uzyskany w środowisku testowym Speech to Speech Artificial Analysis. Jedna jest podaną przez dostawcę minimalną wartością dla potwierdzenia; druga to audytowane opóźnienie odpowiedzi. Odejmij je, a otrzymasz liczbę, która nic nie znaczy, co jest użytecznym punktem wyjścia do tego porównania.

Co każdy dostawca faktycznie opublikował

Eleven Realtime v1 Max pojawił się 2026-10-20 z pełną kartą wyników. Artificial Analysis ocenia go w Big Bench Audio (98,8%), czasie do pierwszego dźwięku (0,57 s), wskaźniku sukcesu zadań (87,1%), dynamice konwersacyjnej Full-Duplex-Bench (94,1%) i preferencji Arena (997 Elo). Nie ma indeksu Speech to Speech, ponieważ test agentowy τ-Voice stojący za tym indeksem nie został na nim uruchomiony, a od ElevenLabs nie otrzymuje również wartości kosztu na godzinę — 4,80 USD za godzinę na tablicy to przeliczenie minutowych stawek agenta i API ElevenLabs, a nie opublikowana cena katalogowa samego modelu.

Fish Audio Live 3 pojawił się 2026-11-10 z argumentem behawioralnym i prawie bez liczb. Opublikowany zakres jest wystarczająco mały, by przedstawić go w całości.

• Szybkość reakcji — 186 milisekund, podana przez producenta, opisana w kontekście krótkich reakcji, a nie pełnych odpowiedzi.

• Niezależne oceny — brak. Według stanu na 2026-11-11 Artificial Analysis nie uwzględnia wiersza Live 3 na swojej tablicy Speech to Speech; Fish Audio występuje tam jako rodzina modeli, a nie jako punktowana pozycja w trybie duplex.

• Cena — niepublikowana. Cennik Fish Audio wymienia drama-3, s2.1-pro, s2.1-pro-free, s2-pro i s1 oraz trzy modele zamiany mowy na tekst i voice-design-1. Nie ma w nim Live 3.

• Języki — na start tylko angielski, zgodnie z ogłoszeniem.

• Dystrybucja — Fish Agent Platform, własne API Fish Audio oraz wdrożenie on-premises dla klientów korporacyjnych.

• Architektura — pełny dupleks, wytrenowana na nagranych rozmowach międzyludzkich, tak aby potwierdzanie, czekanie, odpowiadanie i zatrzymywanie się były wyuczonymi zachowaniami.

To, co ElevenLabs publikuje, jest lustrzanym odbiciem: kompletna karta wyników i nieprzejrzysta cena jednostkowa. Max ma każdy wiersz z wyjątkiem indeksu i testu τ-Voice, a ElevenLabs nie sprzedaje go jako samodzielnej stawki za minutę — w ElevenAgents płacisz standardową opłatę za agenta plus tokeny według stawki Realtime, a przez Realtime API płacisz za minutę połączonego audio plus tokeny.

Argument dotyczący zachowania, który jest prawdziwą konkurencją

Obaj dostawcy opisują ten sam tryb awarii i proponują tę samą poprawkę strukturalną, co sprawia, że porównanie jest wyjątkowo przejrzyste na poziomie idei. ElevenLabs twierdzi, że rozpoznawanie mowy, zarządzanie kolejnością mówienia, rozumowanie i generowanie głosu w Realtime są dostrajane jako jeden system, a nie koordynowane między częściami, a jego udokumentowanym przykładem korzyści jest backchannel: Mini ma wykrywać, czy mówiący skończył, czy tylko wtrąca „mm-hmm”. Wersja tego samego twierdzenia w Fish Audio to numer telefonu czytany we fragmentach — „415… 555… 0132” — gdzie Live 3 może odpowiedzieć „mm-hmm” lub „okay, 415” pomiędzy nimi i poczekać na resztę.

Różnica między nimi polega na tym, co pozwolą Ci zachować. Eleven Realtime jest sprzedawany na dwa sposoby: w ramach ElevenAgents oraz poprzez Realtime API kompatybilne na poziomie protokołu z protokołem zdarzeń OpenAI pod adresem wss://api.elevenlabs.io/v1/convai/realtime, a wybór modelu Realtime w ElevenAgents oznacza, że ElevenLabs zarządza LLM, wysiłkiem rozumowania, budżetem myślenia, równoległymi wywołaniami narzędzi, modelem TTS i dostawcą ASR. Agent Platform firmy Fish Audio, obecnie w publicznej wersji beta, zajmuje przeciwne stanowisko wobec warstwy rozumowania: własny LLM agenta może wskazywać na punkt końcowy zgodny z OpenAI, więc to Ty wybierasz model, który myśli.

Ta różnica przesądza o większej liczbie wdrożeń niż dane dotyczące opóźnień. Jeśli chcesz, aby dostawca odpowiadał za cały stos, i jesteś gotów odpuścić ścieżki custom-LLM i Bedrock, ElevenAgents jest krótszą drogą. Jeśli warstwa rozumowania jest tym, czym Twój produkt się wyróżnia — wyszukiwanie informacji, kontrole zgodności z zasadami, orkiestracja narzędzi — hook custom-LLM po stronie Fish jest funkcją, która przetrwa proces zakupowy.

Koszt i dlaczego kolumna Live 3 jest pusta

Max kosztuje 4,80 USD za godzinę audio wejściowego w przeliczeniu Artificial Analysis, wobec 0,84 USD dla najtańszego mocnego konkurenta duplex na tym zestawieniu. To czyni cenę osią, na której nowy gracz może szybko wygrać kontrakt, i jest to dokładnie ta oś, na której Live 3 obecnie nie można ocenić. Kosztu na wywołanie dla wdrożenia Live 3 nie da się obliczyć na podstawie niczego, co Fish Audio opublikowało, ponieważ jednostka rozliczeniowa nie została opublikowana.

To, co Fish Audio publikuje, to cennik swoich innych modeli — warto znać jego kształt, ponieważ pokazuje, jak firma wycenia mowę. Synteza mowy jest rozliczana za bajt UTF-8 tekstu wejściowego, a dokumentacja Fish Audio podaje, że milion bajtów UTF-8 to około 180 000 angielskich słów, czyli mniej więcej dwanaście godzin mowy. Przy cenie katalogowej drama-3 wynoszącej 50 USD za milion bajtów daje to około 4,17 USD za godzinę wygenerowanej mowy, czyli około 0,83 USD w ramach promocji startowej trwającej do 2026-11-30. To wartości wyliczone dla innego produktu, a nie ceny Live 3, a minuty duplex agenta to nie ta sama jednostka co zsyntetyzowana mowa — ale lokują skalę cen Fish Audio w tym samym przedziale 1–5 USD za godzinę co reszta tego rynku, a nie o rząd wielkości poniżej.

To jest sekcja, w której warstwa routingu zarabia na siebie po obu stronach. OrcaRouter nie hostuje Fish Audio Live 3 ani Eleven Realtime v1 Max — żaden z nich nie ma endpointu zewnętrznego, a warstwa mowy w obu stosach pozostaje u swojego dostawcy. To, co hostuje OrcaRouter, to warstwa rozumowania, na którą można skierować każdy z nich: 216 modeli za jednym kluczem w cenie listowej dostawcy bez marży, automatyczne przełączanie awaryjne w przypadku błędu dostawcy oraz DSL routingu, który decyduje, który model obsługuje które wywołanie. Praktyczna konsekwencja jest taka, że cennik tokenów żadnego z dostawców nie staje się czynnikiem uzależniającym. Jeśli ElevenLabs zmieni ceny Realtime albo Fish Audio opublikuje Live 3 jako stawkę za bajt, rachunek za mowę się zmieni, a rachunek za rozumowanie nie, ponieważ rachunek za rozumowanie od początku nie był powiązany z żadnym z tych dostawców.

Na którym z nich teraz budować?

Zbuduj już dziś na Eleven Realtime v1 Max, jeśli musisz obronić wybór techniczny przed kimś, kto poprosi o benchmark. Ma zaudytowaną kartę wyników, udokumentowany protokół zdarzeń i zmierzoną latencję, którą recenzent może sprawdzić. Niewiadomą w Max jest cena za godzinę przy dużej skali, a nie jakość.

Pilot Fish Audio Live 3 — jeśli rejestr skarg Twojego agenta jest pełen przypadków rozmówców, którym wchodzono w słowo, i jeśli jesteś gotów samodzielnie zmierzyć poprawę. Wartości 186 milisekund nie można porównać z 0,57 sekundy Maxa, model nie ma niezależnego wyniku w zakresie naprzemiennego mówienia, a jego cena katalogowa jeszcze nie istnieje — więc pilotaż trzeba zaplanować jako instrumentowany test A/B względem obecnego agenta, a nie jako decyzję zakupową na podstawie specyfikacji.

Nie traktuj 186 milisekund jako deklaracji opóźnienia, za którą można kogokolwiek rozliczać. To oświadczenie dostawcy o tym, jak szybko model może zdecydować się wydać krótki dźwięk. Liczba, która naprawdę Cię interesuje — ile czasu mija, zanim dzwoniący usłyszy pierwszą sylabę odpowiedzi — nie została przez nikogo opublikowana dla Live 3. Gdy to nastąpi, porównanie z Max stanie się rzeczywiste, a do tego czasu uczciwa odpowiedź na pytanie „który jest szybszy” brzmi: jeden z nich jest zmierzony, a drugi opisany.