Fish Audio Live 3 vs Grok Voice 3.0: Um preço é um pacote e o outro é um componente

Put the two rate cards side by side and the newer model looks less than half the price. Fish Audio Live 3 sells for $0.035 per minute on Fish Audio's Agent Platform — a promotional rate, half of a $0.07 list, good through 31 December 2026. G​rok Voice 3.0 sells for $0.08 per minute, or $4.80 an hour, plus $0.004 per text input token. Four cents against eight is a clean story until you notice that the two numbers are billing different objects: G​rok Voice 3.0 is a speech-to-speech component you rent, and Live 3's per-minute figure bundles speech recognition, the reasoning model and the voice into one meter. One is a part, the other is an assembly. Compare them per minute and you are comparing a gearbox to a car.

That distinction is the whole comparison, and it is worth being precise about why. G​rok Voice 3.0 is a versioned model string behind a realtime WebSocket with session-scoped tools and returned transcripts, priced by the minute of audio it processes and scored, independently, at 86.9 on the Artificial Analysis Speech to Speech Index. Fish Audio Live 3 is a full-duplex model launched on 10 November 2026 that keeps listening while it speaks, is English-only at launch by the company's own statement, has no published benchmark of any kind, no model identifier in Fish Audio's API documentation, and no weight release — the vLLM project's public reply to the launch was to hope it gets open-sourced one day.

O placar que existe apenas de um lado

Artificial Analysis measures G​rok Voice 3.0 on the same harness it uses for every duplex model, and the numbers are unusually complete. Every figure below is the board's own, taken from its run dated 13 October 2026.

• Raciocínio de fala, Big Bench Audio — 98,5%.

• Dinâmica conversacional, Full Duplex Bench — 97,0%, com backchannelling 92,9%, tratamento de interrupções 96,5%, alternância de turnos 100% e tratamento de pausas 98,5%.

• Speech Agent Arena preference — Elo 1059, against 1074 for G​emini 3.8 Live and 990 for Eleven Realtime v1 Max.

• Sucesso na tarefa — 94,8% nos cenários de companhia aérea, varejo e telecomunicações do τ-Voice.

• Time to first audio — 0.81 seconds, slower than G​rok Voice 2.0's 0.70 and roughly 40% quicker than GPT-Live-1 in its Astra medium configuration at 1.34 seconds.

• Custo por hora de áudio de entrada — US$ 4,80, uma conversão direta da tarifa por minuto do próprio fornecedor.

Live 3's column is not sparse, it is empty, and the emptiness has a specific shape. There is no row on that board for any Fish Audio duplex model as of 11 November 2026 — the board lists Fish Audio as a model family and scores none of its live work. Fish Audio's one published number is 186 milliseconds to decide to respond, which the company describes in the context of short reactions such as "mm-hmm" rather than full answers. It is a vendor floor on an acknowledgement. G​rok's 0.81 seconds is an audited time-to-first-audio on a reply. Nothing about those two figures is commensurable, and the fact that both are expressed in seconds is the trap.

A que cada lado realmente se compromete com sua alegação de duplex

Ambos os modelos são full duplex, então “ouvir enquanto fala” não é um diferencial entre eles; é o bilhete de entrada. A diferença está em de onde vem a política de temporização.

O argumento da Fish Audio é que confirmar recebimento, esperar, responder e parar foram aprendidos a partir de conversas humanas gravadas, em vez de terem sido escritos como uma lista de limiares de silêncio, e isso é ilustrado com um número de telefone lido em blocos: um agente que ouve três eventos de fim de turno onde um humano ouve uma hesitação é a falha que está sendo corrigida. O material de apoio são três chamadas de exemplo: finalizar um pedido, interromper e dar sinais de acompanhamento durante uma leitura de confirmação. O que a Fish Audio não publicou é qualquer medição de se a política aprendida supera uma política baseada em limiares.

G​rok Voice 3.0's timing policy is not explained in behavioural terms at all. What xAI published is a rate card, a model string, an alias move — grok-voice-latest now resolves to grok-voice-3.0, and grok-voice-2.0 is flagged deprecated — and, through Artificial Analysis, a set of turn-taking scores that a buyer can read as a risk statement. A 96.5% interruption score is a claim you can test against your own call recordings. A 186-millisecond acknowledgement floor is a claim you have to take on trust until you run it.

The alias move matters more than it sounds in a phone system. G​rok Voice 2.0 became the alias target on 5 August 2026 and was superseded by 3.0 ten weeks later, which means a team that deployed against the alias has already been through two silent model swaps in a quarter. Whether you pin grok-voice-3.0 explicitly is a deployment decision the vendor has effectively forced.

Onde o dinheiro realmente vai parar

A separação entre pacote e componente gera quatro perfis de custo, e apenas um deles favorece o Live 3 de uma maneira que resiste ao contato com uma chamada real.

• Live 3 na Agent Platform — US$ 0,035 por minuto com tudo incluído durante a promoção, cobrindo reconhecimento, raciocínio e voz; acrescente US$ 0,01 por minuto para chamadas telefônicas, US$ 1,20 por mês por número de telefone e a tarifa por token do LLM de nível premium se você fizer upgrade saindo do modelo incluído. Uma chamada de dez minutos custa 35 centavos mais telefonia.

• Live 3 after 31 December 2026 — the list rate is $0.07 per minute, at which point the all-in figure is within a cent of G​rok's $0.08 and the bundle argument has to carry the comparison on its own. Fish Audio has not said what happens to the discount.

• G​rok Voice 3.0 — $0.08 per minute of audio plus $0.004 per text input token, with the reasoning model, the telephony and the orchestration all bought separately. The per-minute rate is a floor, not a total.

• Qualquer um dos dois, com um modelo de raciocínio próprio — a única configuração em que ambos convergem, pois os dois fornecedores permitem que você forneça o cérebro e cobram pela camada de fala.

Esse último ponto é a conclusão prática escondida dentro da tabela de preços. Se o seu produto se diferencia na camada de raciocínio, o pacote é um desconto em algo que você ia substituir. Se não, o pacote é genuinamente mais barato e simples, e a promoção de 50% é a melhor oferta em voz deste mês.

Aquisições, e a pergunta que nenhuma tabela de tarifas responde

Preço e pontuações são a metade fácil. A metade difícil é o que acontece quando o modelo muda por baixo de você, e aqui os dois fornecedores fizeram escolhas opostas.

G​rok Voice 3.0 has a stable interface and an unstable model: same endpoint, same event names, same bearer-token handshake, same voice set, with the model swapped behind an alias. Fish Audio Live 3 has an unstable interface and, for now, a stable model: the platform is in public beta, the duplex model is new, its API documentation does not yet name it, and the launch post is the only document that describes its behaviour. One arrangement asks you to test continuously. The other asks you to read release notes.

Nenhum dos dois é irrazoável. Mas uma equipe de engenharia escolhendo entre eles deve observar qual risco está mais bem equipada para absorver, porque essa resposta costuma ser mais preditiva de uma implantação bem-sucedida do que quatro centavos por minuto.

A camada portátil, e a fronteira honesta

Both stacks are two-part systems, and in both the speech half is unportable — G​rok Voice 3.0 runs only on xAI's realtime endpoint, Live 3 only on Fish Audio's platform and on enterprise hardware. The reasoning half is where a router belongs, and on both it is a separate purchase: on the G​rok side it is a model you call from inside the session's tools, on the Fish side it is an OpenAI-compatible endpoint the agent points at. OrcaRouter carries more than 200 models behind one key at provider list price with zero markup, so the text model in either stack can be swapped or pinned without renegotiating the speech contract, and automatic failover keeps a session alive when the reasoning backend errors mid-call. Neither speech model is routable here — there is no third-party endpoint for either — and this piece would be misleading if it implied otherwise.

Para uma equipe que ainda está decidindo, o experimento mais barato é o que a precificação torna possível: passar as mesmas vinte chamadas pelos dois, avaliar as interrupções você mesmo e ver se 94,8% de sucesso em tarefas em cenários de varejo de outra pessoa prevê alguma coisa sobre os seus. Os 186 milissegundos do Live 3 vão parecer ou o ponto central do modelo, ou um número sobre um ruído que o agente faz enquanto pensa. Essa não é uma questão que uma tabela de preços consegue resolver, e é a única questão que importa depois que a fatura chega.