Fish Audio Live 3 vs GPT-Live-1: Oba są połową produktu, a miernik wskazuje, którą połową

Fish Audio Live 3 i GPT-Live-1 to oba modele głosowe full-duplex, oba twierdzą, że przejmowanie tur należy do modelu mowy, i oba same w sobie są niekompletne. GPT-Live-1 słucha i mówi, a następnie przekazuje myślenie osobnemu modelowi backendowemu — taka jest jego konstrukcja, a nie ograniczenie — i pobiera 0,05 USD za minutę głosu za przednią połowę, podczas gdy rozumowanie jest rozliczane na drugim liczniku. Fish Audio Live 3 robi strukturalnie to samo: warstwa mowy działa na Agent Platform firmy Fish Audio, podczas gdy rozumowanie agenta może wskazywać dowolny endpoint zgodny z OpenAI przez hook custom-LLM. Różnica polega na tym, że OpenAI opublikowało cenę pierwszej połowy, a Artificial Analysis opublikowało wynik całego systemu, podczas gdy Fish Audio nie opublikowało żadnego z nich i oznacza jedyną liczbę, którą podaje — 186 milisekund, najkrótszy interwał, w którym Live 3 może zdecydować się zareagować — jako zgłoszoną przez dostawcę.

To sprawia, że jest to mniej pojedynek między dwoma modelami, a bardziej pojedynek między dwoma sposobami podziału agenta głosowego na pół, przy czym sam podział ma większe znaczenie niż model. GPT-Live-1 uzyskał 81,5 w Artificial Analysis Speech to Speech Index w połączeniu z GPT-6 Astra przy średnim wysiłku oraz 80,1 z GPT-5.6 Sol przy niskim wysiłku, co oznacza, że wybór backendu przesunął wynik o siedmiokrotność różnicy między pierwszym a drugim miejscem. Odpowiednik tej liczby dla Live 3 jeszcze nie istnieje. Kupno któregokolwiek z nich to kupno połowy systemu i zobowiązanie się do samodzielnego wyboru drugiej połowy.

Co każdy dostawca faktycznie opublikował

GPT-Live-1 to lepiej udokumentowany produkt, a dokumentacja szczegółowo opisuje ten styk. Został udostępniony w ChatGPT 8 lipca 2026 r. jako zamiennik Advanced Voice Mode i trafił do API dla programistów 10 września 2026 r. Ranking Artificial Analysis zawiera dla niego dwa wiersze, ponieważ indeks ocenia cały system: 81,5 z GPT-6 Astra przy średnim wysiłku, pierwsze miejsce, oraz 80,1 z GPT-5.6 Sol przy niskim wysiłku, trzecie miejsce. Wskaźniki składowe pod wierszem Astra to 67,9% wyniku agentowego w τ-Voice, 90% w Big Bench Audio, 87,4% skuteczności wykonania zadań, Elo areny 1 048 i 1,34 sekundy do pierwszego dźwięku — mierzone wobec własnego wyniku OpenAI wynoszącego 0,798 sekundy w Full-Duplex-Bench, który mierzy inne zdarzenie.

Opublikowany materiał o Live 3 to jeden akapit i zestaw rozwiązanych przykładów. Fish Audio ogłosiło go 10 listopada 2026 r., opisuje go jako model działający w trybie pełnego dupleksu i wytrenowany na nagranych rozmowach ludzi, podaje, że w przypadku krótkich reakcji może zdecydować się na odpowiedź już w 186 milisekund, twierdzi, że w momencie premiery obsługuje wyłącznie język angielski, oraz udostępnia go za pośrednictwem Fish Agent Platform, własnego API Fish Audio i wdrożenia lokalnego. Nie ma żadnego benchmarku, żadnej wartości τ-Voice, żadnego Elo z areny ani żadnej pozycji na cenniku Fish Audio — który wymienia drama-3, s2.1-pro, s2.1-pro-free, s2-pro i s1 oraz trzy modele transkrypcji i voice-design-1.

• Pierwsza część — GPT-Live-1: 0,05 USD za minutę głosową, rozliczane co sekundę, przy czym 15 sekund jest naliczane na początku sesji i zaliczane na poczet późniejszego wykorzystania. Live 3: cena niepublikowana.

• Druga część — GPT-Live-1: asynchroniczny model backendowy według własnego wyboru, rozliczany według stawek tego modelu, z GPT-5.6 Terra w opublikowanym przez OpenAI przykładzie WebRTC. Live 3: hook niestandardowego LLM wskazujący na dowolny endpoint zgodny z OpenAI, również rozliczany przez podmiot, który go udostępnia.

• Niezależny wynik — GPT-Live-1: 81,5 i 80,1 w indeksie złożonym, dwie konfiguracje oceniane osobno. Live 3: brak, na dzień 2026-11-11.

• Transport i ograniczenia — GPT-Live-1: tylko WebRTC, brak wejścia obrazu lub wideo, brak ustrukturyzowanych danych wyjściowych, brak darmowego planu oraz limity współbieżności wynoszące 25, 50, 200, 300 i 500 jednoczesnych sesji na poziomach od 1 do 5. Live 3: REST w ramach /v1/agent/* z zestawami SDK JavaScript i React, uwierzytelnianie tokenem sesji, kanały dla numeru telefonu, widżetu internetowego lub klienta niestandardowego.

Dlaczego dwumetrowa struktura jest właściwą decyzją

Rachunek agenta głosowego ma dwie połowy i tylko jedna z nich jest przewidywalna. Pierwsza połowa jest rozliczana czasowo: przy 0,05 USD za minutę pięciominutowa rozmowa kosztuje ćwierć dolara, a godzina otwartego połączenia kosztuje trzy dolary, co jest arytmetyką wystarczająco prostą do prognozowania. Druga połowa jest rozliczana tokenami, zmienia się w zależności od tego, jak intensywnie myśli rozmówca, i to właśnie ta połowa powoduje nieprzyjemne niespodzianki — dlatego Artificial Analysis podaje całkowity koszt za godzinę, a nie stawkę głosową za minutę. Ich wartość to 5,83 USD za godzinę dla zestawienia Astra i 4,47 USD dla zestawienia Sol, obie obejmują prace backendowe, w porównaniu z 3,00 USD za godzinę, które sugerowałby sam licznik głosowy.

Live 3 ma ten sam kształt dwóch liczników, z jednym licznikiem ukrytym. Fish Audio nie opublikowało stawki za warstwę mowy, więc pierwsza połowa jest nieznana, a druga połowa to cokolwiek pobiera endpoint stojący za hookiem custom-LLM. Dziesięciominutowe połączenie Live 3 ma więc policzalny koszt tylko wtedy, gdy znasz obie liczby, a dziś od dostawcy nie znasz żadnej z nich.

Ta asymetria jest powodem, dla którego warstwa routingu w ogóle pojawia się w tym porównaniu, i dotyczy tylko tylnej połowy. OrcaRouter nie hostuje Fish Audio Live 3 ani GPT-Live-1 — żaden z nich nie ma zewnętrznego punktu końcowego głosu, a warstwa mowy w obu stosach pozostaje u swojego dostawcy. To, co hostuje OrcaRouter, to połowa, której oba systemy delegują: 216 modeli za jednym kluczem w cenie listowej dostawcy bez marży, automatyczne przełączanie awaryjne, gdy backend zwróci błąd lub przekroczy limit czasu, DSL routingu, który decyduje, który model obsługuje dany rodzaj tury, oraz fuzję modeli, dzięki której tani model może przygotować wywołanie narzędzia, a silniejszy sprawdzić je przed uruchomieniem. W przypadku wdrożenia GPT-Live-1 praktyczny efekt jest taki, że różnica 1,4 punktu między dwiema ocenianymi konfiguracjami staje się czymś, co można zmierzyć na własnym ruchu, zamiast odczytywać z tabeli liderów. W przypadku wdrożenia Live 3 oznacza to, że warstwa rozumowania jest wybierana, zanim cena warstwy mowy jest w ogóle znana — co jest właściwą kolejnością, ponieważ to ta połowa, którą można zmienić później.

Liczba opóźnienia, która wciąż jest porównywana z czymś niewłaściwym

W tym zestawieniu krążą trzy wartości opóźnienia i nie ma wśród nich dwóch, które mierzyłyby to samo zdarzenie. Wartość 0,798 sekundy modelu GPT-Live-1 pochodzi z Full-Duplex-Bench, zestawu testów dynamiki konwersacyjnej, który mierzy czas modelu w scenariuszu naprzemiennego zabierania głosu. Jego 1,34 sekundy to czas do pierwszego dźwięku, mierzony na poziomie API. Wartość 186 milisekund w Live 3 to własna wartość Fish Audio dla najmniejszego interwału, w którym model może zdecydować się na wyemitowanie krótkiej reakcji, takiej jak „mm-hmm” lub „okay, 415”, pomiędzy fragmentami numeru telefonu.

{{1}}Czytając je razem{{/1}}, łatwo dojść do wniosku, że {{2}}Live 3 reaguje w jednej siódmej tego czasu{{/2}}. {{3}}Tej konkluzji nie potwierdza nic, co opublikował którykolwiek z dostawców{{/3}}. {{4}}Jedyne porównanie, na jakie pozwalają te liczby, ma charakter kierunkowy{{/4}}: {{5}}obie firmy twierdzą, że pierwsze słyszalne zdarzenie w rozmowie może wystąpić w ciągu ćwierci sekundy w niektórych warunkach{{/5}}, a {{6}}żadna nie opublikowała rozkładu{{/6}}. {{7}}Tym, co GPT-Live-1 ma, a Live 3 nie, jest niezależne środowisko testowe stosujące ten sam pomiar do niego i do jego konkurencji{{/7}}, dzięki czemu {{8}}1,34 sekundy to liczba, którą recenzent może sprawdzić{{/8}}, a {{9}}186 milisekund to liczba, którą musi zweryfikować uczestnik pilotażu{{/9}}.

Do czego zobowiązuje cię architektura

Te dwie połowy nie są równie przenośne — i właśnie nad tym warto się zastanowić, zanim rozpocznie się którykolwiek z pilotaży.

Po stronie GPT-Live-1 warstwa głosowa jest w praktyce ustalona. Sesje działają przez WebRTC, a nie przez transport WebSocket używany przez większość istniejących integracji Realtime; punkt końcowy Live Sessions jest dostępny wyłącznie u OpenAI, a testowanie starszej ścieżki z identyfikatorem modelu GPT-Live zwraca błąd informujący, że sesje wymagają WebRTC. Przejście na to oznacza przepisanie transportu. Przejście z tego to kolejne przepisanie.

Po stronie Live 3 warstwa mowy jest rozwiązana inaczej: to platforma beta od mniejszego dostawcy, wyłącznie po angielsku, bez publikowanej ceny i bez niezależnej oceny. Przenośny jest tam haczyk rozumowania, a nieprzenośne jest wszystko poniżej niego — ścieżka audio, numer telefonu, cykl życia sesji.

W obu przypadkach mobilna połowa to model rozumujący i właśnie tam przełączenie jest zmianą identyfikatora modelu, a nie projektem integracyjnym. Lekcja projektowa jest taka sama po obu stronach tego porównania: umieść inteligencję w warstwie, którą można wymienić, a warstwę, której nie można wymienić, utrzymuj tak cienką, jak pozwala produkt.

Którą połowę kupić najpierw

Najpierw kup połowę dotyczącą GPT-Live-1, jeśli musisz uzasadnić tę decyzję już teraz. Ma opublikowaną stawkę, dwie punktowane konfiguracje, rozbicie na komponenty, udokumentowany transport i drabinkę współbieżności, według której można zwymiarować call center. Nie ma natomiast ścieżki wideo, strukturalnych wyników narzędzi, darmowego planu ani żadnej niezależnej reprodukcji własnego twierdzenia OpenAI o 80,1% interaktywności.

Najpierw pilotażowo wdróż połowę Live 3, jeśli Twoje rozmowy są po angielsku, w Twoim rejestrze skarg jest pełno rozmówców, którym przerywano, a wdrożenie lokalne jest wymogiem, a nie preferencją. Przystępuj do tego ze świadomością, że to Ty jesteś oceną: brak pozycji w cenniku, brak wartości τ-Voice, brak wyniku arena i twierdzenie o 186 milisekundach, które opisuje krótkie reakcje, a nie odpowiedzi.

Nie kupuj żadnej z połówek, licząc, że dostawca dokończy produkt. GPT-Live-1 bez backendu to bardzo dobry słuchacz, który nie ma nic do powiedzenia; Live 3 bez endpointu rozumowania za swoim hookiem to warstwa mowy w wersji beta z niepublikowanym rachunkiem. Wynik, który rozstrzyga ten pojedynek — 81,5 przeciwko niczemu — jest w istocie stwierdzeniem o dokumentacji, a liczbą, która go rozstrzygnie, będzie pierwszy niezależny przebieg przejmowania tur na Live 3.