Fish Audio Live 3 responde em 186 milissegundos e depois passa o resto da chamada decidindo se deve falar

O Fish Audio Live 3 é um modelo de voz full-duplex que a Fish Audio anunciou em 2026-11-10, e toda a sua proposta se baseia numa distinção que a maioria dos agentes de voz ainda erra: uma pausa no meio de um número de telefone não é o mesmo evento que a pausa no fim de uma pergunta. O modelo continua ouvindo enquanto fala, pode decidir responder em apenas 186 milissegundos segundo a Fish Audio e foi treinado com conversas humanas gravadas para aprender quando dar um sinal de recebimento, quando esperar, quando responder e quando parar — em vez de receber uma tabela de limites de silêncio.

Essa última cláusula é a interessante, e também é por isso que este artigo não pode oferecer um benchmark. A Fish Audio não publicou nenhuma avaliação do Live 3, nenhum preço por byte para ele em sua própria tabela de preços e nenhum identificador de modelo ou documentação de endpoint que o nomeie. O Artificial Analysis, que avalia modelos de fala duplex em um único harness, não traz nenhuma linha do Live 3 em 2026-11-11 — o quadro lista a Fish Audio como uma família de modelos e não pontua nenhum de seus trabalhos duplex. O número de 186 milissegundos é informado pelo fornecedor e não auditado. O que segue separa o que a Fish Audio documentou do que ela afirmou, porque um dia após o lançamento essas são duas pilhas diferentes.

A pausa que arruína um número de telefone

O próprio exemplo prático da Fish Audio é o melhor argumento no anúncio. Leia um número em blocos — “415… 555… 0132” — e um agente convencional ouve três eventos separados de fim de turno, ou uma longa hesitação que ele confunde com o interlocutor pensando. Está documentado que o Live 3 diz “mm-hmm” ou “certo, 415” entre os blocos e depois espera pelo restante. O reconhecimento faz duas coisas ao mesmo tempo: confirma que os dígitos chegaram e deixa o turno em aberto para que o interlocutor possa respirar, conferir os próximos dígitos e continuar.

A metade mais difícil do mesmo problema é o erro oposto. Se o agente está lendo horários de funcionamento e quem liga diz "é" ou "mm-hmm" para mostrar que está acompanhando, está documentado que o Live 3 continua em vez de parar. Então quem liga diz "Espere, na verdade, eu só preciso de quinta-feira", e ele para e abre espaço. A formulação da Fish Audio é que nem todo som é uma interrupção, e espera-se que o modelo distinga uma sinalização de acompanhamento de uma tomada de palavra sem que um desenvolvedor enumere cada som que uma pessoa possa emitir.

O terceiro caso são correções no meio da fala: "Quero duas pizzas… não, três. Três grandes. E… na verdade, faça uma delas margherita." Um pipeline que dispara no primeiro pedido completo plausível faz o pedido errado duas vezes. O Live 3 está documentado para aguardar cada revisão. Chamadas de suporte, reservas e pedidos estão cheios exatamente disso, e é a razão pela qual o executivo-chefe da Fish Audio recorreu a uma analogia linguística em vez de um número de latência.

"A solução até agora tem sido mais regras e mais limites", disse Rissa Cao, cofundadora e CEO da Fish Audio. "Acreditamos que um modelo deveria aprender isso com conversas reais, da mesma forma que os modelos de linguagem aprendem gramática."

O que a Fish Audio realmente colocou no papel

Despido do marketing, o escopo publicado do Live 3 é curto o suficiente para ser listado por completo. Tudo abaixo vem do anúncio da Fish Audio ou da documentação dela; nada aqui foi medido de forma independente.

• Tempo de reação — A Fish Audio afirma que o modelo pode decidir responder em apenas 186 milissegundos, no contexto de reações curtas como "mm-hmm", "okay" e confirmações rápidas, em vez de respostas completas.

• Arquitetura — full duplex. Escuta enquanto fala, e é isso que torna possível uma confirmação no meio de um número.

• Sinal de treinamento — conversas humanas reais, com comportamento de alternância de turnos aprendido em vez de configurado. Não são divulgados o tamanho do conjunto de dados, o número de horas nem o conjunto de avaliação.

• Idiomas — apenas inglês no lançamento, declarado claramente no anúncio.

• Distribuição — a Fish Agent Platform, a própria API da Fish Audio e a implantação on-premises para clientes corporativos.

Preço — não publicado. A tabela de preços da Fish Audio lista drama-3, s2.1-pro, s2.1-pro-free, s2-pro e s1, além de três modelos ASR e voice-design-1. O Live 3 não aparece nela.

Vale a pena ler o anúncio na íntegra, porque é invulgarmente concreto quanto ao comportamento e invulgarmente silencioso quanto aos números.

Três trechos de áudio o acompanham — um chamador acrescentando detalhes com pausas, um chamador interrompendo uma lista de menu e um chamador dizendo “mm-hmm” enquanto o atendente repete um pedido — e cada um é a mesma alegação de comportamento sob um ângulo diferente. Nenhum deles vem com uma pontuação em nível de transcrição, e o anúncio não afirma que haja uma.

Do que é feito um agente do Live 3

Live 3 é a camada de fala de um produto maior, e é no restante desse produto que vive o trabalho de integração. A Fish Audio opera uma Agent Platform hospedada, atualmente em beta público, que expõe uma superfície REST em /v1/agent/*, além de SDKs de cliente para JavaScript e React. Os agentes podem ser conectados a um widget da web, a um número de telefone ou a um cliente personalizado, e as sessões são autenticadas com tokens de sessão em vez de uma chave de longa duração no navegador. A plataforma cuida do caminho de áudio; você traz as instruções, ferramentas e fluxos de trabalho.

A parte que importa para quem está construindo em cima disso é o gancho de LLM personalizado. O Fish Audio permite que a camada de raciocínio de um agente aponte para um endpoint compatível com OpenAI, o que significa que o modelo que faz o raciocínio não precisa ser o do fornecedor. Essa é uma costura deliberada, e é a costura onde uma camada de roteamento deve ficar. O OrcaRouter fica atrás desse endpoint com 216 modelos usando a mesma chave, pelo preço de tabela do provedor sem margem e failover automático quando um provedor apresenta erro — assim, o planejador dentro de um agente Live 3 pode ser trocado, testado em A/B com transcrições reais de chamadas e redirecionado sem tocar na camada de fala ou no número de telefone. Uma DSL de roteamento decide qual modelo recebe cada chamada, e a fusão de modelos permite que um modelo barato faça o rascunho enquanto um mais forte revisa a chamada de ferramenta antes de ela ser executada. Para ser explícito sobre o limite: o OrcaRouter não hospeda o Fish Audio Live 3. Não há endpoint de terceiros para ele, e a camada de fala aqui é do próprio fornecedor.

A plataforma é onde um agente obtém o seu número de telefone, as suas ferramentas e o seu ciclo de vida de sessão.

O que resolveria isso

Três números transformariam isto de uma afirmação em um dado, e nenhum deles existe ainda.

• Um preço por byte ou por minuto para o {{1}}Live 3{{/1}}, para que o custo de uma chamada de dez minutos possa ser comparado com a cascata que ele substitui. Até que isso esteja disponível, qualquer estimativa de custo total para uma implantação do Live 3 é um palpite com uma vírgula decimal.

• Uma distribuição de latência, e não um piso. "Apenas 186 milissegundos" descreve a cauda rápida das reações curtas. O tempo até o primeiro áudio para uma resposta completa é o número que decide se um interlocutor fala por cima do agente, e a Fish Audio não o publicou.

• Uma pontuação independente de alternância de turnos. A Artificial Analysis executa o Full-Duplex-Bench e um teste agêntico τ-Voice em modelos duplex, e ambos seriam diretamente comparáveis às linhas publicadas para os outros modelos duplex neste mercado. Uma linha do Live 3 em qualquer um dos painéis responderia em uma tabela o que o anúncio responde em prosa.

Enquanto isso, a leitura honesta é esta: o problema que a Fish Audio escolheu é real e mal atendido, os exemplos práticos são os certos, e o modelo está sendo entregue a usuários reais por meio de uma plataforma que também ainda está em beta. Se o modo de falha do seu agente hoje é que as pessoas que ligam são interrompidas na fala, ou que precisam repetir uma sequência de dígitos duas vezes, o Live 3 mira exatamente isso — e a primeira coisa a instrumentar depois de implantá-lo não é a latência, mas com que frequência quem liga precisa começar de novo.