Fish Audio Live 3 mówi w jednym języku. Gemini 3.8 Live mówi w 97 i co sekundę dodaje znaki wodne.

Fish Audio Live 3 i Gemini 3.8 Live zgadzają się co do ważnej idei, a nie zgadzają się prawie we wszystkim innym. Oba umieszczają przejmowanie tur w modelu mowy, a nie w potoku oddzielnych części. Live 3, ogłoszony 10 listopada 2026 r., przekonuje do tego na poziomie zachowania: pauza w środku numeru telefonu to nie to samo zdarzenie co pauza na końcu pytania, a model może zdecydować się odpowiedzieć w zaledwie 186 milisekund — liczba, którą Fish Audio podaje, a której nikt nie zweryfikował. Gemini 3.8 Live, ogłoszony 15 września 2026 r., odpowiada na ten sam problem dokumentacją — 97 języków z przełączaniem w trakcie rozmowy, znak wodny SynthID w każdej sekundzie wygenerowanego dźwięku, opublikowana karta modelu, dwa udokumentowane identyfikatory modeli API oraz wiersz Artificial Analysis ze wskazaniem 76,0 w Speech to Speech Index i wszystkimi czterema wypełnionymi składnikami.

To właśnie ta asymetria, a nie wartość opóźnienia, rozstrzyga o tym porównaniu. Jeden z tych modeli można już dziś wpisać do dokumentu przetargowego i bronić go wiersz po wierszu; drugi musi zostać zinstrumentowany przez zespół, który go wdroży. A pod tym kryje się ostrzejsza kwestia: zachowanie, które sprzedaje Live 3, nie jest wymiarem, w którym Gemini 3.8 Live jest najsilniejszy, i nie jest to też wymiar, pod kątem którego Live 3 został oceniony — więc na razie o wyniku pojedynku decyduje to, co można zweryfikować, a nie to, który model lepiej radzi sobie z rozmową telefoniczną.

Luka w pokryciu nie jest przypisem

Zacznij od tego, co każdy model będzie robił poza демонстрацией, ponieważ dla większości kupujących ta sekcja kończy ocenę, zanim padną ciekawe pytania.

• Języki — Gemini 3.8 Live obsługuje 97 języków i przełącza się między nimi automatycznie w trakcie rozmowy. Fish Audio wprost podaje, że Live 3 na premierę obsługuje wyłącznie język angielski. Linia rezerwacyjna w Madrycie, kolejka wsparcia w São Paulo i dział windykacji w Warszawie nie są w tym kwartale wdrożeniami Live 3.

• Pochodzenie — każda sekunda dźwięku generowanego przez Gemini 3.8 Live nosi znak wodny SynthID firmy Google, a oba warianty głosu Gemini są udokumentowane w karcie modelu opublikowanej pod nazwą gemini-3-8-audio. Ogłoszenie Fish Audio nie mówi nic o znakowaniu wodnym ani metadanych pochodzenia dla Live 3. Jeśli Twoja jurysdykcja zmierza w kierunku ujawniania syntetycznego głosu, ta różnica staje się kwestią prawną, a nie inżynieryjną.

• Identyfikatory — Google publikuje gemini-3.8-live oraz gemini-3.8-live-extended-thinking jako wywoływalne identyfikatory modeli przez Gemini API, Live API i AI Studio. Ogłoszenie Fish Audio wymienia Live 3, ale nie podaje żadnego identyfikatora modelu ani dokumentacji endpointów dla poszczególnych modeli.

• Wejście inne niż audio — Gemini 3.8 Live przetwarza sygnał wizualny niemal w czasie rzeczywistym, poza obsługą kamery i udostępniania ekranu, którą ta linia już miała. Live 3 przyjmuje dźwięk i wyprowadza dźwięk.

• Ścieżka dla przedsiębiorstw — rozwiązanie Google to prywatna wersja zapoznawcza w Gemini Enterprise, a edycja ds. obsługi klienta jest wymieniona jako „wkrótce”. Rozwiązaniem Fish Audio jest Agent Platform, obecnie w publicznej becie, plus wdrożenie on-premises dla klientów korporacyjnych — co stanowi naprawdę inną ofertę i jedyne miejsce na tej liście, gdzie mniejszy dostawca ma mocniejszą odpowiedź dla kupującego, który nie może wysyłać dźwięku do chmury publicznej.

Co indeks może zobaczyć, a czego nie może

Artificial Analysis tworzy swój Speech to Speech Index jako równo ważoną kompozycję rozumowania głosowego, wydajności agentowej, preferencji w arenie i skuteczności zadań, a ocenia cały system, a nie pojedynczy model. Wiersz Gemini 3.8 Live jest kompletny: indeks 76,0, Big Bench Audio 92%, czas do pierwszego dźwięku 1,18 sekundy, skuteczność zadań 93,2%, dynamika konwersacji 96,1%, Elo w arenie 1 083 oraz 30,1% w benchmarku zadań obsługi klienta τ-Voice. Live 3 nie ma żadnego wiersza na dzień 2026-11-11; ranking wymienia Fish Audio jako rodzinę modeli i nie ocenia żadnego z jej rozwiązań duplex.

Przyjrzyj się dokładnie dwóm z tych komponentów, ponieważ mówią coś, czego nie mówi nagłówek. Wynik 96,1% Gemini 3.8 Live w zakresie dynamiki konwersacyjnej to najwyższa wartość w jego wierszu i najbliższy opublikowany wskaźnik zastępczy dla tego, co sprzedaje Live 3 — model oparty na turach osiągający niemal szczyt miary przejmowania tur. Jego 30,1% w τ-Voice to najniższa wartość w wierszu i powód, dla którego model zajmuje piąte, a nie pierwsze miejsce: dobrze konwersuje, a rzadko kończy zadania. Własnym rozwiązaniem Google na to był drugi wariant, Gemini 3.8 Live Extended Thinking, który osiąga 68,6% w tym samym teście i zajmuje pierwsze miejsce w indeksie z wynikiem 82,6 — za około czterokrotność godzinowego kosztu audio.

Lekcja z tego porównania jest niewygodna dla obu dostawców. Dynamika konwersacji i naturalne przejmowanie tur to nie to samo pomiarowo — i właśnie dlatego 96,1% w jednym przypadku i twierdzenia bez wyniku w drugim nie można zestawić. Argument Live 3 jest taki, że jego zachowanie jest lepsze niż modelu opartego na turach w konkretnej sytuacji — gdy dzwoniący robi pauzę w środku numeru albo mruczy potwierdzenie, podczas gdy agent odczytuje zamówienie. Dopóki ktoś nie przetestuje tego w środowisku testowym do przejmowania tur, uczciwe stanowisko jest takie, że Live 3 formułuje twierdzenie o scenariuszu, którego opublikowane tabele wyników nie wyodrębniają.

Pochodzenie i pytanie, które zada recenzent

Głos to jedyna modalność, w której zespół ds. zgodności pyta najpierw o dane wyjściowe, a dopiero potem o cenę. Gemini 3.8 Live ma gotową odpowiedź: znakowanie wodne SynthID w generowanym dźwięku, nazwaną kartę modelu oraz dostawcę, który ma opublikowane stanowisko w sprawie odpowiedzialnego użytkowania stojące za obydwoma tymi elementami. Live 3 ma zapowiedź, która jest niezwykle precyzyjna w kwestii zachowań konwersacyjnych i całkowicie milczy o tym, jak słuchacz lub detektor mógłby odróżnić jego dane wyjściowe od nagrania.

To nie jest powód, by unikać Live 3, ale jest powód, by zadać Fish Audio bezpośrednie pytanie, zanim wdrożysz go na linii, która nagrywa rozmowy. Czy audio jest oznaczone znakiem wodnym, czy sesje generują transkrypcję lub zapis audytowy oraz jaka jest polityka przechowywania w odniesieniu do obu tych rzeczy — to trzy elementy, których osoba oceniająca będzie chciała mieć na piśmie. Fish Audio udokumentowało uwierzytelnianie za pomocą tokenów sesji w platformie oraz jej interfejs REST /v1/agent/*, więc infrastruktura potrzebna do odpowiedzi na wszystkie trzy pytania istnieje — firma po prostu nie opublikowała odpowiedzi, a dzień po premierze to normalny stan rzeczy, a nie czerwona flaga.

Cena, która istnieje, i ta, której nie ma

Gemini 3.8 Live jest udostępniany w cenie 0,005 USD za minutę wejścia audio i 0,018 USD za minutę wyjścia audio przez Live API. Pięciominutowa rozmowa z ciągłym wyjściem kosztuje zatem nieco ponad jedenaście centów samego głosu, przed doliczeniem jakiegokolwiek kosztu modelu backendowego. Artificial Analysis przelicza stawki Google na wartość godzinową w oparciu o stały podzbiór czterdziestu pytań, a ta pochodna kolumna zmieniała się między kolejnymi przechwyceniami — 0,84 USD za godzinę dla modelu standardowego w zestawieniu z 16 września, 1,50 USD w późniejszym. Obie wartości są przeliczeniami, a nie cytowanymi cenami; przy planowaniu budżetu należy opierać się na stawkach za minutę.

Live 3 nie ma ceny. Cennik Fish Audio wymienia drama-3 za 50 USD za milion bajtów UTF-8, s2.1-pro i s2-pro za 15 USD, s2.1-pro-free za zero, a s1 za 15 USD z datą wycofania 2026-12-31, plus trzy modele zamiany mowy na tekst i voice-design-1 za centa za żądanie. Live 3 nie znajduje się w nim. Rozmowa z agentem duplex również nie ma naturalnej liczby bajtów — dźwięk wejściowy to wszystko, co powie dzwoniący — więc nawet kształt licznika nie został opublikowany. Każdy model kosztów Live 3 napisany dziś jest zgadywaniem, a to zgadywanie powinno zostać oznaczone jako takie w każdym dokumencie, do którego trafi.

Co kryje się za głosem

Żaden z modeli nie stanowi całego systemu, a styk jest taki sam po obu stronach. Gemini 3.8 Live realizuje w tle wykonywanie narzędzi i API — potwierdza żądanie i mówi dalej, gdy wywołanie się kończy — a ta praca przekłada się na zwykłe wywołania modelu o zwykłych kosztach tokenów. Agent Platform w Live 3 udostępnia hook niestandardowego LLM, który kieruje rozumowanie agenta do dowolnego punktu końcowego zgodnego z OpenAI. W obu przypadkach model mowy jest interfejsem front-endowym, a model tekstowy wykonuje myślenie.

Ta warstwa to miejsce, w którym router uzasadnia swoją rolę, i jedyna warstwa w obu stosach, w której przełączanie jest tanie. OrcaRouter oferuje 216 modeli za jednym kluczem w cenie katalogowej dostawcy bez marży, więc obniżka ceny po stronie dostawcy wchodzi w życie tego samego dnia, a nie przy kolejnym odnowieniu umowy; automatyczne przełączanie awaryjne utrzymuje wywołanie przy życiu, gdy backend zwróci błąd lub przekroczy limit czasu; DSL routingu decyduje, który model obsługuje dany rodzaj tury; a fuzja modeli pozwala tanimu modelowi przygotować wstępną wersję wywołania narzędzia, podczas gdy silniejszy model sprawdza je przed wykonaniem. Aby precyzyjnie określić granicę: OrcaRouter nie hostuje Fish Audio Live 3 ani punktu końcowego głosu Gemini 3.8 Live. Żaden z nich nie ma zewnętrznego punktu końcowego głosu, a warstwa mowy w obu stosach pozostaje u swojego dostawcy. Warstwa rozumowania jest częścią przenośną, a w przypadku stosu zbudowanego na modelu z ceną wersji zapoznawczej od jednego dostawcy i platformie beta od innego, przenośność jest cechą, która przetrwa kolejne wydanie.

Do czego właściwie służy każdy z nich

Wybierz Gemini 3.8 Live, jeśli Twój produkt jest globalny, jeśli dźwięk opuszcza Twoją infrastrukturę i ktoś poprosi Cię o udowodnienie, skąd pochodzi, lub jeśli potrzebujesz, aby agent widział ekran lub kamerę. Ma kartę wyników, znak wodny, języki, opublikowaną stawkę i identyfikator modelu. Jego słabością jest ukończenie zadania na poziomie 30,1% w τ-Voice, a rozwiązaniem, które Google sprzedaje w tej kwestii, jest wariant Extended Thinking przy czterokrotnie wyższym koszcie godzinowym.

Pilot Fish Audio Live 3 jeśli Twoje rozmowy są po angielsku, ograniczenia infrastrukturalne wykluczają chmurę publiczną, a rejestr skarg jest pełen przypadków dzwoniących, którym przerywa się wypowiedź lub którzy powtarzają sekwencje cyfr. Wdrożenie on-premises jest tu prawdziwą zaletą, której Google nie oferuje. Przystępuj do tego z założeniem, że ewaluację zbudujesz samodzielnie: nie ma wyniku, z którym można by porównać, opublikowanej ceny do prognozowania ani znaku wodnego, na który można by wskazać.

Nie traktuj 76.0 jako wyroku w kwestii przejmowania tur. To wskaźnik złożony, który mocno waży ukończenie zadań agentowych, a Gemini 3.8 Live jest słaby dokładnie w tym obszarze. Liczbą, która rozstrzygnęłaby ten pojedynek, jest wynik przejmowania tur dla Live 3 uzyskany na tym samym stanowisku testowym, na którym mierzone są wszystkie pozostałe modele — a dopóki taki wynik nie istnieje, oba modele są porównywane na podstawie dokumentacji, a nie zachowania.