O Fish Audio Live 3 está pronto para produção e é fechado: o que a oferta do vLLM-Omni realmente exige

A frase mais reveladora sobre o Fish Audio Live 3 não foi escrita pela Fish Audio. Quando a empresa anunciou o modelo em 10 de novembro de 2026, a resposta que chegou mais longe veio da conta do projeto vLLM: parabéns por lançar um modelo de voz full-duplex que escuta enquanto fala, o desejo de que um dia ele possa ter código aberto e uma oferta de que o vLLM-Omni teria prazer em servi-lo quando isso acontecer. Leia essa resposta duas vezes e você terá o formato de todo o lançamento, porque ela contém as duas metades da história ao mesmo tempo — um avanço genuíno de capacidade e uma ausência que um framework de serving percebe imediatamente.

O Fish Audio Live 3 é um modelo de fala full-duplex: ele continua ouvindo enquanto gera fala, e é vendido como pronto para produção desde o primeiro dia por meio da Agent Platform da Fish Audio, pela API da própria empresa e como implantação on-premises para empresas. O que ele não é: baixável. Sem pesos, sem licença, sem repositório e — em 11 de novembro — sem identificador de modelo na documentação da API da Fish Audio, que ainda lista s2.1-pro, s2.1-pro-free, s2-pro, s1 e três modelos de transcrição e nada chamado Live 3. Todos os números de desempenho abaixo são da própria Fish Audio e nenhum foi reproduzido de forma independente.

O que foi entregue, e o que "production-ready" está fazendo nessa frase

A alegação técnica no anúncio é mais restrita e mais interessante do que o slogan de marketing. A Fish Audio diz que o modelo lida com o timing conversacional dentro do próprio modelo de fala, e não ao longo de um pipeline de estágios separados de reconhecimento, raciocínio e geração, e que aprendeu quando confirmar, esperar, responder ou parar a partir de conversas humanas gravadas, e não de limites de silêncio escritos à mão. Uma camada de raciocínio separada guarda as instruções e ferramentas do agente. Três chamadas de exemplo acompanham o post — concluir um pedido, interromper e dar sinais de acompanhamento durante uma leitura de confirmação — e são a coisa mais próxima de evidência no comunicado.

O que "production-ready" significa na prática é que a camada comercial já existe no dia do lançamento: uma plataforma de autoatendimento com US$ 5 de crédito e sem cartão, um construtor de agentes documentado, telefonia e uma opção empresarial on-premises. Isso não significa que o modelo tenha passado por algo que um comprador chamaria de testes de aceitação. Não há nenhuma avaliação publicada — nem taxa de erro de palavras, nem sucesso em tarefas, nem pontuação de troca de turno, nem distribuição de latência. Isso não é incomum para um modelo de fala no primeiro dia, mas vale dizer claramente, porque um post de lançamento que começa com milissegundos convida os leitores a tratar um piso como uma medição.

Três números, e apenas dois deles vêm da Fish Audio

• Velocidade de reação — 186 milissegundos, número da própria Fish Audio, descrito no contexto de reações curtas, como um “mm-hmm” ou uma confirmação rápida enquanto a resposta completa é preparada. É um limite mínimo para um reconhecimento, não um tempo até o primeiro áudio de uma resposta.

• Preço — $0.035 por minuto no Agent Platform, promovido como 50% de desconto sobre um preço de tabela de $0.07, com a oferta declarada para terminar em 31 de dezembro de 2026. Essa tarifa por minuto inclui reconhecimento de fala, o modelo de raciocínio e a voz; tokens de LLM premium são cobrados à própria tarifa por token, chamadas telefônicas acrescentam $0.01 por minuto, e números de telefone custam $1.20 por mês.

• Pontuações independentes — zero. O Artificial Analysis mantém um ranking de fala para fala que classifica Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime e uma dúzia de outros em raciocínio, dinâmica conversacional, sucesso em tarefas e tempo até o primeiro áudio. Verificado em 11 de novembro de 2026, esse ranking não contém nenhuma linha duplex da Fish Audio.

Os dois primeiros números são aqueles sobre os quais um comprador pode agir. O terceiro é aquele de que um comprador vai precisar mais cedo ou mais tarde, e é a razão pela qual o preço merece um segundo olhar, e não um primeiro: uma taxa promocional com data de término publicada não é um modelo de custo, é uma estimativa de custo com prazo de validade impresso.

Por que um framework de serving se importa com um modelo fechado

O interesse do vLLM-Omni não é sentimental. Frameworks de serving existem para executar pesos que você pode carregar, em hardware que você controla, a um custo marginal que é a sua conta de luz, e não o medidor por minuto de outra pessoa. Um modelo fechado não é cliente disso. A oferta naquela resposta deve, portanto, ser lida como um pedido dirigido a uma versão futura: publique o checkpoint e há um caminho de inferência esperando por ele.

O que torna a ausência significativa em vez de inevitável é o próprio histórico da Fish Audio. A empresa já disponibilizou pesos abertos antes — o Fish Audio Drama 3, seu modelo expressivo de texto para fala, está disponível como checkpoint para download e foi avaliado em arenas de fala com pesos abertos. Portanto, a distribuição fechada aqui soa como uma decisão de produto sobre o negócio de agentes ao vivo, não como uma política interna sobre abertura. A opção on-premises complica ainda mais a questão: as empresas podem executar o Live 3 dentro de seu próprio perímetro, o que não é o mesmo que poder lê-lo, ajustá-lo ou hospedá-lo novamente, e a Fish Audio não disse qual dessas coisas o acordo on-premises inclui.

A linha “apenas em inglês” fica ao lado da alegação de “30+ idiomas”

Duas frases nas próprias propriedades da Fish Audio puxam em direções diferentes. O anúncio diz, com todas as letras, que o Live 3 fala inglês hoje. A página do Agent Platform, no mesmo site, anuncia mais de 2.000.000 de vozes em mais de 30 idiomas e uma pessoa que liga “atendida em segundos, de dia ou de noite, no idioma de quem liga”. Ambas podem ser verdadeiras ao mesmo tempo — uma grande biblioteca de vozes multilíngue e uma camada de reconhecimento de fala podem cobrir trinta idiomas enquanto o modelo duplex por baixo fala um —, mas apenas uma dessas frases descreve o que você está comprando quando compra o Live 3. Se as pessoas que ligam para você não falam inglês, a pergunta interessante não é o que a plataforma consegue pronunciar, mas quando o modelo duplex vai alcançar esse patamar.

O que você pode ligar hoje, e por meio de quê

O acesso passa pela API própria da Fish Audio e pela Agent Platform, com a rota on-premises reservada para contratos empresariais. Não há serviço de terceiros do modelo, o que é a consequência direta do checkpoint ausente: não é possível alugar o Live 3 de um provedor de infraestrutura porque não há artefato para implantar. Qualquer pessoa que descreva o modelo como "disponível por meio de plataformas parceiras" está descrevendo a biblioteca de vozes da plataforma, não o modelo duplex.

A metade portátil de uma pilha de agentes é a metade de raciocínio, e, no Agent Platform, essa metade é uma linha separada na fatura. É aí que um roteador se justifica, e não como uma forma de alcançar o modelo de fala: o OrcaRouter carrega mais de 200 modelos por trás de uma única chave, pelo preço de tabela do provedor e sem nenhum acréscimo, de modo que o modelo de texto que faz o raciocínio pode ser trocado, fixado ou submetido a failover sem tocar no contrato de fala, e o failover automático mantém uma chamada ativa quando o backend de raciocínio dá erro ou atinge timeout. O Fish Audio Live 3 não está nessa lista — não há nada para hospedar — e nenhuma parte deste texto deve ser lida como uma afirmação em contrário.

O que mudaria esta peça

Quatro eventos, em ordem aproximada de quanto eles mudariam o cenário. Um checkpoint, que é o que a resposta do vLLM-Omni está pedindo e o que colocaria o Live 3 na mesma prateleira do Drama 3. Uma linha em um ranking independente de fala para fala, o que transformaria 186 milissegundos de uma afirmação em um dado com contexto. Uma string de modelo e uma tarifa publicadas na própria documentação da API da Fish Audio, o que tornaria a coisa citável em um documento de compras. E 1º de janeiro de 2027, quando a tarifa promocional de $0.035 sobrevive ou não.

Até lá, o resumo honesto é que o Live 3 é o modelo de voz mais interessante lançado esta semana e o menos documentado: um argumento arquitetural real sobre onde deve residir a alternância de turnos, envolto em um produto comercial que publicou seu preço e nada mais. É uma coisa razoável de lançar. Ainda não é algo que se possa avaliar, e a diferença entre essas duas frases é exatamente o que um framework de serving, um benchmark independente e uma equipe de compras aguardam, cada um a seu modo.