Fish Audio Live 3 vs Eleven Realtime v1 Max: os 186 ms e os 0,57 s não são a mesma medição

O Fish Audio Live 3 e o Eleven Realtime v1 Max são ambos modelos de voz full-duplex, ambos lançados com quatro semanas de diferença um do outro, e ambos são vendidos com a alegação de que a alternância de turnos pertence ao modelo de fala, e não a um pipeline de partes separadas. A Fish Audio diz que o Live 3 consegue decidir responder em apenas 186 milissegundos. O Realtime v1 Max da ElevenLabs começa a falar em 0,57 segundos. Colocados lado a lado, esses dois números parecem uma vantagem de três vezes para o modelo mais novo, e essa leitura está errada de uma forma que vale a pena entender antes de alguém assinar um contrato.

Os números medem eventos diferentes. Os 186 milissegundos do Live 3 são o próprio número da Fish Audio para reações curtas — um “mm-hmm”, um “okay, 415” entre os blocos de um número de telefone —, não para uma resposta completa. Os 0,57 segundo do Max são um tempo medido até o primeiro áudio da própria resposta, obtido no harness Speech to Speech da Artificial Analysis. Um é um valor mínimo informado pelo fornecedor para uma confirmação; o outro é uma latência auditada de uma resposta. Subtraia os dois e você obtém um número que não significa nada, o que é o ponto de partida útil para esta comparação.

O que cada fornecedor realmente publicou

O Eleven Realtime v1 Max chegou em 20 de outubro de 2026 com um quadro completo de pontuações. O Artificial Analysis o avalia no Big Bench Audio (98,8%), no tempo até o primeiro áudio (0,57 s), na taxa de sucesso em tarefas (87,1%), na dinâmica conversacional do Full-Duplex-Bench (94,1%) e na preferência na Arena (997 Elo). Ele não tem um Speech to Speech Index porque o teste agêntico τ-Voice por trás desse índice ainda não foi executado nele, e também não recebe um valor de custo por hora da ElevenLabs — os US$ 4,80 por hora no quadro são uma conversão das tarifas por minuto de agente e API da ElevenLabs, não um preço de lista publicado para o modelo isoladamente.

Fish Audio Live 3 chegou em 2026-11-10 com um argumento comportamental e quase nenhum número. A superfície publicada é pequena o bastante para ser enunciada por completo.

• Velocidade de reação — 186 milissegundos, segundo o fornecedor, descrita no contexto de reações curtas e não de respostas completas.

• Pontuações independentes — nenhuma. Até 11/11/2026, a Artificial Analysis não inclui nenhuma linha do Live 3 em seu painel de Fala para Fala; a Fish Audio aparece lá como uma família de modelos, não como uma entrada duplex pontuada.

• 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 de conversão de fala em texto e voice-design-1. O Live 3 não consta nela.

• Idiomas — apenas inglês no lançamento, conforme o anúncio.

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

• Arquitetura — full duplex, treinada em conversas humanas gravadas, de modo que reconhecer, esperar, responder e parar sejam comportamentos aprendidos.

A superfície publicada da ElevenLabs é a imagem espelhada: um scorecard completo e um preço unitário opaco. A Max tem todas as linhas, exceto o índice e o teste τ-Voice, e a ElevenLabs não o vende como uma tarifa autônoma por minuto — no ElevenAgents, você paga a cobrança padrão de agente mais tokens à tarifa do Realtime, e, por meio da Realtime API, paga por minuto de áudio conectado mais tokens.

O argumento comportamental, que é a verdadeira competição

Ambos os fornecedores descrevem o mesmo modo de falha e propõem a mesma correção estrutural, o que torna a comparação excepcionalmente clara no nível das ideias. A ElevenLabs afirma que reconhecimento, tomada de turno, raciocínio e geração de voz no Realtime são ajustados como um único sistema, em vez de coordenados entre as partes, e seu exemplo documentado do benefício é o backchannel: descreve-se que o Mini detecta se um falante terminou ou está apenas interrompendo com um "mm-hmm". A versão da Fish Audio da mesma alegação é um número de telefone lido em blocos — "415… 555… 0132" — em que o Live 3 pode responder "mm-hmm" ou "okay, 415" entre eles e aguardar o restante.

Onde eles divergem é no que permitem que você mantenha. O Eleven Realtime é vendido de duas maneiras: dentro do ElevenAgents e por meio de uma Realtime API compatível, em nível de protocolo, com o protocolo de eventos da OpenAI em wss://api.elevenlabs.io/v1/convai/realtime; e escolher um modelo Realtime dentro do ElevenAgents significa que a ElevenLabs gerencia o LLM, o esforço de raciocínio, o orçamento de pensamento, as chamadas paralelas de ferramentas, o modelo de TTS e o provedor de ASR. A Agent Platform da Fish Audio, atualmente em beta público, adota a postura oposta em relação à camada de raciocínio: o LLM personalizado de um agente pode apontar para um endpoint compatível com a OpenAI, portanto, o modelo que faz o raciocínio é escolha sua.

Essa diferença decide mais implantações do que os números de latência. Se você quer que o fornecedor seja responsável por toda a stack e está disposto a abrir mão das rotas de LLM personalizado e do Bedrock, o ElevenAgents é o caminho mais curto. Se a camada de raciocínio é onde seu produto se diferencia — recuperação, verificações de políticas, orquestração de ferramentas — o hook de LLM personalizado do lado do Fish é o recurso que sobrevive ao processo de compras.

Custo, e por que a coluna Live 3 está vazia

Max custa US$ 4,80 por hora de áudio de entrada na conversão da Artificial Analysis, contra um valor de US$ 0,84 para o concorrente duplex forte mais barato daquele quadro. Isso faz do preço o eixo no qual um novo entrante pode fechar um negócio rapidamente, e é exatamente o eixo no qual o Live 3 atualmente não pode ser avaliado. Um custo por chamada para uma implantação do Live 3 não pode ser calculado a partir de nada que a Fish Audio tenha publicado, porque a unidade de cobrança não foi publicada.

O que a Fish Audio publica é uma tabela de preços para seus outros modelos, e vale conhecer o formato dela porque mostra como a empresa precifica fala. A conversão de texto em fala é cobrada por byte UTF-8 do texto de entrada, e a própria documentação da Fish Audio afirma que um milhão de bytes UTF-8 equivale a aproximadamente 180.000 palavras em inglês ou cerca de doze horas de fala. Com a tarifa de tabela do drama-3 de US$ 50 por milhão de bytes, isso resulta em cerca de US$ 4,17 por hora de fala gerada, ou aproximadamente US$ 0,83 durante a promoção de lançamento que vai até 2026-11-30. Esses são números derivados de outro produto, não o preço do Live 3, e minutos de agente duplex não são a mesma unidade que fala sintetizada — mas colocam a escala de preços da Fish Audio na mesma faixa de US$ 1 a US$ 5 por hora que o restante deste mercado, e não uma ordem de grandeza abaixo dela.

Esta é a seção em que uma camada de roteamento se paga dos dois lados. O OrcaRouter não hospeda o Fish Audio Live 3 nem o Eleven Realtime v1 Max — nenhum dos dois tem endpoint de terceiros, e a camada de fala em qualquer uma das pilhas permanece com seu fornecedor. O que o OrcaRouter hospeda é a camada de raciocínio para a qual cada um deles pode ser apontado: 216 modelos por trás de uma única chave pelo preço de tabela do provedor, com zero markup, failover automático quando um provedor apresenta erro, e uma DSL de roteamento que decide qual modelo atende cada chamada. A consequência prática é que a lista de preços de tokens de nenhum dos fornecedores se torna um aprisionamento. Se a ElevenLabs alterar o preço do Realtime, ou a Fish Audio publicar o Live 3 como tarifa por byte, a conta de fala muda e a de raciocínio não, porque a conta de raciocínio nunca esteve vinculada a nenhum dos dois fornecedores desde o início.

Em qual deles construir agora?

Construa com o Eleven Realtime v1 Max hoje se você precisar defender uma escolha técnica para alguém que vai pedir um benchmark. Ele tem um scorecard auditado, um protocolo de eventos documentado e uma latência medida que um revisor pode verificar. O que é desconhecido no Max é o preço por hora em grandes volumes, não a qualidade.

Pilot Fish Audio Live 3 se o registro de reclamações do seu agente está cheio de chamadores sendo interrompidos e se você está preparado para medir a melhoria por conta própria. O número de 186 milissegundos não pode ser comparado aos 0,57 segundos do Max, o modelo não tem uma pontuação independente de alternância de turnos e seu preço de tabela ainda não existe — portanto, um piloto precisa ser estruturado como um teste A/B instrumentado contra seu agente atual, e não como uma decisão de compra baseada em uma ficha de especificações.

Não trate 186 milissegundos como uma promessa de latência pela qual você possa responsabilizar alguém. É uma declaração do fornecedor sobre a rapidez com que o modelo pode optar por emitir um ruído curto. O número que realmente importa — quanto tempo até o interlocutor ouvir a primeira sílaba da resposta — não foi publicado para o Live 3 por ninguém. Quando for, a comparação com o Max se torna real e, até lá, a resposta honesta para "qual é mais rápido" é que um deles é medido e o outro é descrito.