Fish Audio Live 3 vs Grok Voice 3.0: Jedna cena dotyczy pakietu, a druga komponentu

Put the two rate cards side by side and the newer model looks less than half the price. Fish Audio Live 3 sells for $0.035 per minute on Fish Audio's Agent Platform — a promotional rate, half of a $0.07 list, good through 31 December 2026. G​rok Voice 3.0 sells for $0.08 per minute, or $4.80 an hour, plus $0.004 per text input token. Four cents against eight is a clean story until you notice that the two numbers are billing different objects: G​rok Voice 3.0 is a speech-to-speech component you rent, and Live 3's per-minute figure bundles speech recognition, the reasoning model and the voice into one meter. One is a part, the other is an assembly. Compare them per minute and you are comparing a gearbox to a car.

That distinction is the whole comparison, and it is worth being precise about why. G​rok Voice 3.0 is a versioned model string behind a realtime WebSocket with session-scoped tools and returned transcripts, priced by the minute of audio it processes and scored, independently, at 86.9 on the Artificial Analysis Speech to Speech Index. Fish Audio Live 3 is a full-duplex model launched on 10 November 2026 that keeps listening while it speaks, is English-only at launch by the company's own statement, has no published benchmark of any kind, no model identifier in Fish Audio's API documentation, and no weight release — the vLLM project's public reply to the launch was to hope it gets open-sourced one day.

Tablica wyników, która istnieje tylko po jednej stronie

Artificial Analysis measures G​rok Voice 3.0 on the same harness it uses for every duplex model, and the numbers are unusually complete. Every figure below is the board's own, taken from its run dated 13 October 2026.

• Rozumowanie mowy, Big Bench Audio — 98,5%.

• Dynamika konwersacji, Full Duplex Bench — 97,0%, z sygnalizacją zwrotną 92,9%, obsługą przerwań 96,5%, przejmowaniem tur 100% i obsługą pauz 98,5%.

• Speech Agent Arena preference — Elo 1059, against 1074 for G​emini 3.8 Live and 990 for Eleven Realtime v1 Max.

• Skuteczność wykonania zadania — 94,8% w scenariuszach τ-Voice dotyczących linii lotniczych, handlu detalicznego i telekomunikacji.

• Time to first audio — 0.81 seconds, slower than G​rok Voice 2.0's 0.70 and roughly 40% quicker than GPT-Live-1 in its Astra medium configuration at 1.34 seconds.

• Koszt za godzinę dźwięku wejściowego — 4,80 USD, bezpośrednie przeliczenie stawki minutowej podanej przez dostawcę.

Live 3's column is not sparse, it is empty, and the emptiness has a specific shape. There is no row on that board for any Fish Audio duplex model as of 11 November 2026 — the board lists Fish Audio as a model family and scores none of its live work. Fish Audio's one published number is 186 milliseconds to decide to respond, which the company describes in the context of short reactions such as "mm-hmm" rather than full answers. It is a vendor floor on an acknowledgement. G​rok's 0.81 seconds is an audited time-to-first-audio on a reply. Nothing about those two figures is commensurable, and the fact that both are expressed in seconds is the trap.

Do czego tak naprawdę zobowiązuje twierdzenie każdej ze stron o duplex

Oba modele są pełnodupleksowe, więc „słucha, gdy mówi” nie jest tym, co je różni; to bilet wstępu. Różnica polega na tym, skąd pochodzi polityka czasowa.

Argument Fish Audio jest taki, że potwierdzanie, czekanie, odpowiadanie i zatrzymywanie zostały wyuczone z nagranych ludzkich rozmów, a nie zapisane jako lista progów ciszy, i ilustruje to numerem telefonu odczytywanym w fragmentach: agent, który słyszy trzy zdarzenia końca tury tam, gdzie człowiek słyszy jedną pauzę, to właśnie usterka, którą się naprawia. Materiał wspierający to trzy przykładowe połączenia: dokończenie zamówienia, wtrącenie się i przytakiwanie podczas odczytu zwrotnego. Fish Audio nie opublikowało jednak żadnego pomiaru, czy wyuczona polityka bije tę opartą na progach.

G​rok Voice 3.0's timing policy is not explained in behavioural terms at all. What xAI published is a rate card, a model string, an alias move — grok-voice-latest now resolves to grok-voice-3.0, and grok-voice-2.0 is flagged deprecated — and, through Artificial Analysis, a set of turn-taking scores that a buyer can read as a risk statement. A 96.5% interruption score is a claim you can test against your own call recordings. A 186-millisecond acknowledgement floor is a claim you have to take on trust until you run it.

The alias move matters more than it sounds in a phone system. G​rok Voice 2.0 became the alias target on 5 August 2026 and was superseded by 3.0 ten weeks later, which means a team that deployed against the alias has already been through two silent model swaps in a quarter. Whether you pin grok-voice-3.0 explicitly is a deployment decision the vendor has effectively forced.

Gdzie tak naprawdę trafiają pieniądze

Podział na wersję zbiorczą i komponentową daje cztery profile kosztów, a tylko jeden z nich sprzyja Live 3 w sposób, który wytrzymuje zetknięcie z rzeczywistym połączeniem.

• Live 3 w Agent Platform — 0,035 USD za minutę, wszystko wliczone w ramach promocji, obejmujące rozpoznawanie, rozumowanie i głos; dolicz 0,01 USD za minutę za połączenia telefoniczne, 1,20 USD miesięcznie za numer telefonu oraz stawkę za tokeny LLM klasy premium, jeśli przejdziesz z dołączonego modelu na wyższy. Dziesięciominutowe połączenie kosztuje 35 centów plus koszty telefonii.

• Live 3 after 31 December 2026 — the list rate is $0.07 per minute, at which point the all-in figure is within a cent of G​rok's $0.08 and the bundle argument has to carry the comparison on its own. Fish Audio has not said what happens to the discount.

• G​rok Voice 3.0 — $0.08 per minute of audio plus $0.004 per text input token, with the reasoning model, the telephony and the orchestration all bought separately. The per-minute rate is a floor, not a total.

• Albo — z własnym modelem rozumowania — jedyny wariant, w którym oba się zbiegają, ponieważ obaj dostawcy pozwalają ci dostarczyć mózg i rozliczają warstwę mowy.

{{1}}Ten ostatni punkt{{/1}} to praktyczny wniosek ukryty w {{2}}tabeli cen{{/2}}. Jeśli {{3}}Twój produkt{{/3}} wyróżnia się w {{4}}warstwie rozumowania{{/4}}, {{5}}pakiet{{/5}} jest zniżką na coś, co i tak zamierzałeś zastąpić. Jeśli nie, {{6}}pakiet{{/6}} jest naprawdę tańszy i prostszy, a {{7}}promocja 50%{{/7}} to najlepsza oferta w segmencie voice w tym miesiącu.

Zakupy, czyli pytanie, na które żaden cennik nie odpowiada

Cena i wyniki to ta łatwiejsza połowa. Trudniejsza połowa to to, co się dzieje, gdy model zmienia się pod tobą — i tutaj obaj dostawcy dokonali przeciwnych wyborów.

G​rok Voice 3.0 has a stable interface and an unstable model: same endpoint, same event names, same bearer-token handshake, same voice set, with the model swapped behind an alias. Fish Audio Live 3 has an unstable interface and, for now, a stable model: the platform is in public beta, the duplex model is new, its API documentation does not yet name it, and the launch post is the only document that describes its behaviour. One arrangement asks you to test continuously. The other asks you to read release notes.

Żadna z tych opcji nie jest nierozsądna. Ale zespół inżynierski, wybierając między nimi, powinien zauważyć, które ryzyko jest lepiej przygotowany wchłonąć, ponieważ ta odpowiedź zwykle lepiej przewiduje udane wdrożenie niż cztery centy za minutę.

Przenośna warstwa i uczciwa granica

Both stacks are two-part systems, and in both the speech half is unportable — G​rok Voice 3.0 runs only on xAI's realtime endpoint, Live 3 only on Fish Audio's platform and on enterprise hardware. The reasoning half is where a router belongs, and on both it is a separate purchase: on the G​rok side it is a model you call from inside the session's tools, on the Fish side it is an OpenAI-compatible endpoint the agent points at. OrcaRouter carries more than 200 models behind one key at provider list price with zero markup, so the text model in either stack can be swapped or pinned without renegotiating the speech contract, and automatic failover keeps a session alive when the reasoning backend errors mid-call. Neither speech model is routable here — there is no third-party endpoint for either — and this piece would be misleading if it implied otherwise.

Dla zespołu, który wciąż się decyduje, najtańszym eksperymentem jest ten, który umożliwia cennik: przepuść te same dwadzieścia połączeń przez oba rozwiązania, samodzielnie oceń przerwania i sprawdź, czy 94,8% skuteczności zadań w cudzych scenariuszach detalicznych cokolwiek przewiduje w przypadku twoich. 186 milisekund Live 3 będzie odczuwane albo jako sedno modelu, albo jako liczba dotycząca szumu, który agent wytwarza, gdy myśli. Tego pytania nie rozstrzygnie cennik i jest to jedyne pytanie, które ma znaczenie po otrzymaniu faktury.