Fish Audio Live 3 vs GPT-Live-1: Ambos são metade de um produto, e o medidor diz qual metade

O Fish Audio Live 3 e o GPT-Live-1 são ambos modelos de voz full-duplex, ambos defendem que a alternância de turnos pertence ao modelo de fala e ambos são, por si só, incompletos. O GPT-Live-1 escuta e fala e então entrega o raciocínio a um modelo de backend separado — isso é seu design, não uma limitação — e cobra US$ 0,05 por minuto de voz pela primeira metade, enquanto o raciocínio chega em um segundo medidor. O Fish Audio Live 3 faz a mesma coisa estruturalmente: a camada de fala roda na Agent Platform da Fish Audio, enquanto o raciocínio do agente pode apontar para qualquer endpoint compatível com OpenAI por meio do hook custom-LLM. A diferença é que a OpenAI publicou o preço da primeira metade e a Artificial Analysis publicou a pontuação do sistema inteiro, enquanto a Fish Audio não publicou nenhum dos dois e rotula o único número que fornece — 186 milissegundos, o menor intervalo no qual o Live 3 consegue decidir reagir — como informado pelo fornecedor.

Isso faz com que isto seja menos uma disputa entre dois modelos do que uma disputa entre duas formas de dividir um agente de voz ao meio, e a divisão importa mais do que o modelo. O GPT-Live-1 obteve 81,5 no Artificial Analysis Speech to Speech Index quando combinado com o GPT-6 Astra em esforço médio e 80,1 com o GPT-5.6 Sol em esforço baixo, o que significa que a escolha do back-end deslocou o resultado em sete vezes a margem entre o primeiro e o segundo lugar. O número equivalente do Live 3 ainda não existe. Comprar qualquer um dos dois é comprar metade de um sistema e assumir o compromisso de escolher a outra metade por conta própria.

O que cada fornecedor realmente publicou

GPT-Live-1 é o produto mais bem documentado, e a documentação é específica sobre a costura. Foi lançado dentro do ChatGPT em 8 de julho de 2026 como substituto do Advanced Voice Mode e chegou à API para desenvolvedores em 10 de setembro de 2026. O ranking da Artificial Analysis traz duas linhas para ele porque o índice avalia um sistema inteiro: 81,5 com o GPT-6 Astra em esforço médio, primeiro lugar, e 80,1 com o GPT-5.6 Sol em esforço baixo, terceiro. Os números dos componentes abaixo da linha do Astra são uma pontuação agêntica de 67,9% no τ-Voice, 90% no Big Bench Audio, 87,4% de sucesso em tarefas, um Elo de arena de 1.048 e 1,34 segundos até o primeiro áudio — medidos em comparação com os 0,798 segundos da própria OpenAI no Full-Duplex-Bench, que contabiliza um evento diferente.

O material publicado sobre o Live 3 é um parágrafo e um conjunto de exemplos práticos. A Fish Audio o anunciou em 2026-11-10, descreve-o como full duplex e treinado em conversas humanas gravadas, afirma que ele pode decidir responder em apenas 186 milissegundos para reações curtas, diz que é somente em inglês no lançamento e o oferece por meio da Fish Agent Platform, da própria API da Fish Audio e de implantação on-premises. Não há benchmark, nem número de τ-Voice, nem Elo de arena, nem linha para ele na tabela de preços da Fish Audio — que lista drama-3, s2.1-pro, s2.1-pro-free, s2-pro e s1, além de três modelos de transcrição e voice-design-1.

• Primeira metade — GPT-Live-1: US$ 0,05 por minuto de voz, cobrado por segundo, com 15 segundos cobrados no início da sessão e abatidos do uso posterior. Live 3: preço não publicado.

• Segunda metade — GPT-Live-1: um modelo de backend assíncrono à sua escolha, cobrado segundo as tarifas desse modelo, com GPT-5.6 Terra no exemplo WebRTC publicado pela OpenAI. Live 3: um hook de LLM personalizado que aponta para qualquer endpoint compatível com OpenAI, igualmente cobrado por quem o disponibilizar.

• Pontuação independente — GPT-Live-1: 81,5 e 80,1 no índice composto, duas configurações pontuadas separadamente. Live 3: nenhuma, em 2026-11-11.

• Transporte e limites — GPT-Live-1: somente WebRTC, sem entrada de imagem ou vídeo, sem saídas estruturadas, sem nível gratuito, e limites de concorrência de 25, 50, 200, 300 e 500 sessões simultâneas nos Níveis 1 a 5. Live 3: REST em /v1/agent/* com SDKs JavaScript e React, autenticação por token de sessão, canais para um número de telefone, um widget da web ou um cliente personalizado.

Por que a estrutura de dois metros é a decisão real

A conta de um agente de voz tem duas metades, e apenas uma delas é previsível. A primeira metade é medida por tempo: a $0,05 por minuto, uma chamada de cinco minutos custa vinte e cinco centavos, e uma hora de linha aberta custa três dólares, uma aritmética simples o bastante para prever. A segunda metade é medida por tokens, varia conforme o esforço de raciocínio do chamador e é a metade que produz as surpresas desagradáveis — por isso a Artificial Analysis informa um custo total por hora, em vez de uma tarifa de voz por minuto. Seu número é $5,83 por hora para o pareamento Astra e $4,47 para o da Sol, ambos incluindo o trabalho de backend, contra os $3,00 por hora que o medidor de voz sozinho sugeriria.

O Live 3 tem o mesmo formato de dois medidores, com um medidor oculto. A Fish Audio não publicou nenhuma tarifa para a camada de fala, então a metade inicial é desconhecida, e a metade final é o que quer que o endpoint por trás do hook custom-LLM cobre. Portanto, uma chamada de dez minutos no Live 3 só tem custo calculável se você souber ambos os números, e hoje você não sabe nenhum dos dois pelo fornecedor.

Essa assimetria é o motivo pelo qual uma camada de roteamento aparece nesta comparação, e ela pertence apenas à segunda metade. O OrcaRouter não hospeda o Fish Audio Live 3 nem o GPT-Live-1 — nenhum dos dois tem um endpoint de voz de terceiros, e a camada de fala em qualquer uma das pilhas fica com seu fornecedor. O que o OrcaRouter hospeda é a metade à qual ambos os sistemas delegam: 216 modelos atrás de uma única chave pelo preço de lista do provedor, sem qualquer acréscimo, failover automático quando um backend apresenta erro ou expira, uma DSL de roteamento que decide qual modelo trata cada tipo de interação, e fusão de modelos para que um modelo barato possa rascunhar uma chamada de ferramenta enquanto um mais forte a verifica antes que ela seja disparada. Para uma implantação do GPT-Live-1, o efeito prático é que a diferença de 1,4 ponto entre as duas configurações pontuadas se torna algo que você pode medir no seu próprio tráfego em vez de ler em um ranking. Para uma implantação do Live 3, isso significa que a camada de raciocínio é escolhida antes mesmo de o preço da camada de fala ser conhecido — o que é a ordem correta, porque é a metade que você pode mudar depois.

O número de latência que continua sendo comparado à coisa errada

Circulam três números de latência neste confronto, e não há dois deles que meçam o mesmo evento. Os 0,798 segundos do GPT-Live-1 vêm do Full-Duplex-Bench, uma suíte de dinâmica conversacional que mede o tempo de um modelo dentro de um cenário de tomada de turno. Seus 1,34 segundos são o tempo até o primeiro áudio, medido na API. Os 186 milissegundos do Live 3 são o próprio número da Fish Audio para o menor intervalo em que o modelo pode optar por emitir uma reação curta como "mm-hmm" ou "okay, 415" entre os blocos de um número de telefone.

Lidos em conjunto, é tentador concluir que o Live 3 responde em um sétimo do tempo. Essa conclusão não é sustentada por nada que qualquer um dos fornecedores tenha publicado. A única comparação que os números permitem é direcional: ambas as empresas afirmam que o primeiro evento audível em uma conversa pode chegar dentro de um quarto de segundo sob algumas condições, e nenhuma delas publicou uma distribuição. O que o GPT-Live-1 tem e o Live 3 não tem é um arnês de terceiros aplicando a mesma medição a ele e aos seus concorrentes, e é isso que faz de 1,34 segundo um número que um revisor pode conferir e de 186 milissegundos um número que um piloto precisa verificar.

A que a arquitetura te compromete

As duas metades não são igualmente transportáveis, e é justamente sobre essa parte que vale a pena pensar antes de qualquer um dos pilotos começar.

Do lado do GPT-Live-1, a camada de voz está efetivamente definida. As sessões rodam sobre WebRTC em vez do transporte WebSocket que a maioria das integrações Realtime existentes usa, o endpoint Live Sessions é exclusivo da OpenAI, e sondar o caminho mais antigo com um ID de modelo GPT-Live retorna um erro dizendo que as sessões exigem WebRTC. Passar para ele é uma reescrita do transporte. Sair dele é outra.

Do lado do Live 3, a camada de fala é fixada de uma forma diferente: é uma plataforma beta de um fornecedor menor, apenas em inglês, sem preço publicado e sem pontuação independente. O que é portátil ali é o gancho de raciocínio, e o que não é é tudo abaixo dele — o caminho de áudio, o número de telefone, o ciclo de vida da sessão.

Em ambos os casos, a metade móvel é o modelo de raciocínio, e é aí que uma troca é uma mudança de ID de modelo em vez de um projeto de integração. A lição de design é a mesma nos dois lados desta comparação: coloque a inteligência na camada que você pode trocar e mantenha a camada que você não pode trocar o mais fina que o produto permitir.

Qual metade comprar primeiro

Compre primeiro a metade GPT-Live-1 se precisar de justificar a decisão agora. Tem uma tarifa publicada, duas configurações avaliadas, uma decomposição de componentes, um transporte documentado e uma escada de concorrência com a qual pode dimensionar um call center. O que não tem é um caminho de vídeo, saídas estruturadas de ferramentas, um nível gratuito, ou qualquer reprodução independente da própria afirmação de 80,1% de interatividade da OpenAI.

Faça primeiro o piloto da metade Live 3 se as suas chamadas são em inglês, o seu registro de reclamações está cheio de pessoas que ligam sendo interrompidas, e a implantação on-premises é um requisito e não uma preferência. Entre sabendo que você é a avaliação: nenhuma linha de tabela de preços, nenhum número do τ-Voice, nenhuma pontuação de arena e uma alegação de 186 milissegundos que descreve reações curtas, não respostas.

Não compre nenhuma das metades esperando que o fornecedor termine o produto. O GPT-Live-1 sem um backend é um ouvinte muito bom sem nada a dizer; o Live 3 sem um endpoint de raciocínio por trás de seu hook é uma camada de fala beta com uma fatura não publicada. A pontuação que decide este confronto — 81,5 contra nada — é, na verdade, uma declaração sobre documentação, e o número que vai resolvê-lo é a primeira execução independente de alternância de turnos no Live 3.