Fish Audio Live 3 fala um único idioma. Gemini 3.8 Live fala 97 e insere marca d'água a cada segundo.

Fish Audio Live 3 e Gemini 3.8 Live concordam na ideia importante e discordam em quase todo o resto. Ambos colocam a alternância de turnos dentro do modelo de fala, em vez de em um pipeline de partes separadas. O Live 3, anunciado em 10/11/2026, defende o ponto de vista comportamental: uma pausa no meio de um número de telefone não é o mesmo evento que a pausa no final de uma pergunta, e o modelo pode decidir responder em apenas 186 milissegundos, um número que a Fish Audio relata e ninguém auditou. O Gemini 3.8 Live, anunciado em 15/09/2026, responde ao mesmo problema com documentação — 97 idiomas com troca no meio da conversa, uma marca d'água SynthID em cada segundo de áudio gerado, um model card publicado, dois IDs de modelo de API documentados e uma linha da Artificial Analysis que mostra 76,0 no Speech to Speech Index com todos os seus quatro componentes preenchidos.

Essa assimetria, e não o número de latência, é o que decide esta comparação. Um desses modelos pode ser incluído em um documento de compras hoje e defendido linha por linha; o outro precisa ser instrumentado pela equipe que o adotar. E há um ponto mais incisivo por trás disso: o comportamento que o Live 3 está vendendo não é a dimensão em que o Gemini 3.8 Live é mais forte, e também não é uma dimensão em que o Live 3 tenha sido avaliado — então, por enquanto, a comparação é decidida pelo que você pode verificar, e não por qual modelo lida melhor com uma chamada telefônica.

A lacuna de cobertura não é uma nota de rodapé

Comece pelo que cada modelo fará fora de uma demonstração, porque, para a maioria dos compradores, esta secção põe fim à avaliação antes de se fazerem as perguntas interessantes.

• Idiomas — o Gemini 3.8 Live oferece suporte a 97 idiomas e alterna entre eles automaticamente no meio da conversa. A Fish Audio afirma categoricamente que o Live 3 é apenas em inglês no lançamento. Uma linha de reservas em Madri, uma fila de atendimento em São Paulo e uma mesa de cobranças em Varsóvia não são implantações do Live 3 neste trimestre.

• Proveniência — cada segundo de áudio gerado pelo Gemini 3.8 Live carrega a marca d'água SynthID do Google, e ambas as variantes de voz do Gemini estão documentadas em um model card publicado sob o nome gemini-3-8-audio. O anúncio da Fish Audio não diz nada sobre marca d'água ou metadados de proveniência para o Live 3. Se sua jurisdição está caminhando para a divulgação de voz sintética, essa diferença chega como uma questão jurídica, e não de engenharia.

• Identificadores — o Google publica gemini-3.8-live e gemini-3.8-live-extended-thinking como IDs de modelo chamáveis por meio da Gemini API, da Live API e do AI Studio. O anúncio da Fish Audio menciona o Live 3, mas não publica nenhum identificador de modelo nem documentação de endpoint por modelo para ele.

• Entrada não áudio — o Gemini 3.8 Live processa entrada visual quase em tempo real, além do suporte a câmera e compartilhamento de tela que a linha já tinha. O Live 3 é áudio de entrada, áudio de saída.

• Via empresarial — o caminho do Google é a prévia privada no Gemini Enterprise, com a edição de experiência do cliente listada como em breve. O da Fish Audio é a Agent Platform, atualmente em beta público, além de implantação on-premises para clientes empresariais — o que é uma oferta genuinamente diferente e o único ponto desta lista em que o fornecedor menor tem a resposta mais forte para um comprador que não pode enviar áudio para uma nuvem pública.

O que o índice pode ver, e o que não pode

A Artificial Analysis monta seu Speech to Speech Index como um composto de pesos iguais de raciocínio de fala, desempenho agêntico, preferência na arena e sucesso em tarefas, e pontua um sistema inteiro em vez de um único modelo. A linha do Gemini 3.8 Live está completa: índice 76,0, Big Bench Audio 92%, tempo até o primeiro áudio 1,18 segundo, sucesso em tarefas 93,2%, dinâmica conversacional 96,1%, Elo de arena 1.083 e 30,1% no benchmark de tarefas de atendimento ao cliente τ-Voice. O Live 3 não tem linha alguma em 11/11/2026; o painel lista a Fish Audio como uma família de modelos e não pontua nenhum de seus trabalhos duplex.

Observe atentamente dois desses componentes, porque eles dizem algo que a manchete não diz. Os 96,1% do Gemini 3.8 Live em dinâmica conversacional são o maior número da sua linha e o proxy publicado mais próximo daquilo que o Live 3 está vendendo — um modelo baseado em turnos pontuando perto do topo de uma medida de alternância de turnos. Seus 30,1% no τ-Voice são o menor número da linha e o motivo pelo qual o modelo fica em quinto, e não em primeiro: ele conversa bem e raramente conclui tarefas. A própria solução do Google para isso foi uma segunda variante, Gemini 3.8 Live Extended Thinking, que alcança 68,6% no mesmo teste e assume o primeiro lugar no índice, com 82,6 — por aproximadamente quatro vezes o custo horário de áudio.

A lição desta comparação é desconfortável para ambos os fornecedores. Dinâmica conversacional e alternância natural de turnos não são a mesma medida, e é exatamente por isso que 96,1% em uma e uma alegação não pontuada na outra não podem ser comparados diretamente. O argumento do Live 3 é que seu comportamento é melhor que o de um modelo baseado em turnos em uma situação específica — um interlocutor que faz uma pausa no meio de um número, ou murmura concordância enquanto o agente lê um pedido de volta. Até que alguém o teste em uma estrutura de alternância de turnos, a posição honesta é que o Live 3 está fazendo uma alegação sobre um cenário que os placares publicados não isolam.

Proveniência, e a pergunta que um revisor fará

A voz é a única modalidade em que uma equipe de conformidade pergunta sobre a saída antes de perguntar sobre o preço. O Gemini 3.8 Live tem uma resposta pronta: marca d'água SynthID no áudio gerado, um model card nomeado e um fornecedor com uma postura publicada de uso responsável por trás de ambos. O Live 3 tem um anúncio excepcionalmente preciso sobre o comportamento conversacional e completamente silencioso sobre como um ouvinte ou um detector poderia distinguir sua saída de uma gravação.

Isso não é motivo para evitar o Live 3, e é motivo para fazer uma pergunta direta à Fish Audio antes de implantá-lo em uma linha que grava chamadas. Se o áudio tem marca d'água, se as sessões produzem uma transcrição ou um registro de auditoria, e qual é a política de retenção para ambos são os três itens que um revisor vai querer por escrito. A Fish Audio documentou a autenticação por token de sessão da plataforma e sua superfície REST /v1/agent/*, então a infraestrutura existe para responder a todos os três — a empresa simplesmente não publicou as respostas, e um dia após o lançamento esse é o estado normal das coisas, e não um sinal de alerta.

O preço que existe e o que não existe

O Gemini 3.8 Live é publicado a US$ 0,005 por minuto de entrada de áudio e US$ 0,018 por minuto de saída de áudio através da Live API. Uma chamada de cinco minutos com saída contínua custa, portanto, um pouco mais de onze centavos de voz, antes de qualquer custo de modelo de backend. A Artificial Analysis converte as tarifas do Google em um valor por hora com base em um subconjunto fixo de quarenta perguntas, e essa coluna derivada mudou entre capturas — US$ 0,84 por hora para o modelo padrão no quadro de 16 de setembro, US$ 1,50 em uma captura posterior. Ambos são conversões, não cotações; as tarifas por minuto são o número a usar como base para o orçamento.

O Live 3 não tem preço. A tabela de tarifas da Fish Audio lista drama-3 a US$ 50 por milhão de bytes UTF-8, s2.1-pro e s2-pro a US$ 15, s2.1-pro-free a zero, e s1 a US$ 15 com data de descontinuação em 2026-12-31, além de três modelos de conversão de fala em texto e voice-design-1 a um centavo por solicitação. O Live 3 não está nela. Uma chamada de agente duplex também não tem uma contagem natural de bytes — o áudio de entrada é o que o chamador disser —, então até o formato da medição não é publicado. Qualquer modelo de custo do Live 3 escrito hoje é um palpite, e esse palpite deve ser identificado como tal em qualquer documento em que apareça.

O que está por trás da voz

Nenhum dos modelos é o sistema inteiro, e a costura é a mesma nos dois lados. O Gemini 3.8 Live executa ferramentas e APIs em segundo plano, reconhecendo uma solicitação e continuando a falar enquanto a chamada é concluída — e esse trabalho resulta em chamadas de modelo comuns, com custos de token comuns. A Agent Platform do Live 3 expõe um hook de LLM personalizado que direciona o raciocínio de um agente para qualquer endpoint compatível com OpenAI. Nos dois casos, o modelo de fala é uma interface frontal e um modelo de texto faz o raciocínio.

Essa camada é onde um roteador ganha seu lugar, e é a única camada em qualquer uma das pilhas em que a troca é barata. O OrcaRouter disponibiliza 216 modelos por trás de uma única chave, ao preço de tabela do provedor e sem margem, de modo que um corte de preço upstream chega no mesmo dia, em vez de na próxima renovação de contrato; o failover automático mantém uma chamada ativa quando um backend apresenta erro ou atinge o tempo limite; uma DSL de roteamento decide qual modelo trata cada tipo de turno; e a fusão de modelos permite que um modelo barato rascunhe uma chamada de ferramenta enquanto um mais forte a verifica antes de ela ser disparada. Para ser preciso quanto ao limite: o OrcaRouter não hospeda o Fish Audio Live 3 nem o endpoint de voz Gemini 3.8 Live. Nenhum deles tem um endpoint de voz de terceiros, e a camada de fala em qualquer uma das pilhas permanece com seu fornecedor. A camada de raciocínio é a parte portátil, e para uma pilha construída sobre um modelo com preço de pré-visualização de um fornecedor e uma plataforma beta de outro, a portabilidade é a propriedade que sobrevive ao próximo lançamento.

Para que cada um realmente serve

Escolha o Gemini 3.8 Live se o seu produto for global, se o áudio sair da sua infraestrutura e alguém pedir que você prove de onde ele veio, ou se precisar que o agente veja uma tela ou uma câmera. Ele tem o scorecard, a marca d'água, os idiomas, a tarifa publicada e o ID do modelo. Sua fraqueza é a conclusão de tarefas, com 30,1% no τ-Voice, e a solução que o Google vende para isso é a variante Extended Thinking por quatro vezes o custo por hora.

Pilot Fish Audio Live 3 se suas chamadas são em inglês, as restrições da sua infraestrutura descartam uma nuvem pública, e seu registro de reclamações está cheio de pessoas que ligam sendo interrompidas ou repetindo sequências de dígitos. A implantação no local é uma vantagem real aqui e que o Google não oferece. Entre com a expectativa de construir a avaliação você mesmo: não há pontuação com a qual comparar, nenhum preço publicado para prever e nenhuma marca d'água para apontar.

Não trate 76,0 como um veredicto sobre a alternância de turnos. É um composto que pondera fortemente a conclusão de tarefas agênticas, e o Gemini 3.8 Live é fraco exatamente aí. O número que resolveria este confronto é uma pontuação de alternância de turnos para o Live 3 no mesmo harness em que todos os outros são medidos — e, até que isso exista, os dois modelos estão a ser comparados com base na documentação e não no comportamento.