Fish Audio Live 3 готов к промышленной эксплуатации и закрыт: чего на самом деле требует предложение vLLM-Omni

Самая показательная фраза о Fish Audio Live 3 принадлежит не Fish Audio. Когда компания анонсировала модель 10 ноября 2026 года, наибольшее распространение получил ответ с аккаунта проекта vLLM: поздравление с выпуском полнодуплексной голосовой модели, которая слушает, пока говорит, пожелание, чтобы её исходный код однажды открыли, и предложение, что vLLM-Omni будет рад обслуживать её, как только это случится. Прочитайте этот ответ дважды — и вы увидите очертания всего релиза, потому что в нём сразу содержатся обе половины истории: подлинный прогресс в возможностях и отсутствие, которое фреймворк обслуживания замечает немедленно.

Fish Audio Live 3 — это полнодуплексная речевая модель: она продолжает слушать, пока генерирует речь, и с первого дня продаётся как готовая к промышленной эксплуатации — через Agent Platform от Fish Audio, через собственный API компании и как локальное развёртывание для предприятий. Но скачать её нельзя. Нет весов, нет лицензии, нет репозитория, и — по состоянию на 11 ноября — нет идентификатора модели в документации API Fish Audio, где по-прежнему перечислены s2.1-pro, s2.1-pro-free, s2-pro, s1 и три модели транскрипции, и ничего под названием Live 3. Все приведённые ниже показатели производительности — собственные данные Fish Audio, и ни один не был независимо воспроизведён.

Что вышло, и что «production-ready» делает в этом предложении

Техническое утверждение в анонсе уже и интереснее, чем маркетинговый тезис. Fish Audio говорит, что модель обрабатывает разговорную динамику внутри речевой модели, а не в рамках конвейера из отдельных этапов распознавания, рассуждения и генерации, и что она научилась тому, когда подтверждать, ждать, отвечать или останавливаться, на основе записанных человеческих разговоров, а не заданных вручную порогов тишины. Отдельный слой рассуждения хранит инструкции и инструменты агента. К посту приложены три примера звонков — завершение заказа, перебивание и поддакивание во время зачитывания, — и это самое близкое к доказательствам, что есть в релизе.

На практике «production-ready» означает, что коммерческая обёртка существует уже в день запуска: самообслуживаемая платформа с кредитом на $5 и без карты, документированный конструктор агентов, телефония и корпоративный вариант для развёртывания на собственных мощностях. Это не значит, что модель прошла через то, что покупатель назвал бы приёмочным тестированием. Нет опубликованных оценок какого-либо рода — ни показателя ошибок в словах, ни успешности выполнения задач, ни оценки передачи хода в диалоге, ни распределения задержек. Это не является чем-то необычным для речевой модели в первый день, но об этом стоит сказать прямо, ведь в публикации о запуске, которая начинается с миллисекунд, читателей побуждают принимать нижнюю границу за измеренный показатель.

Три числа, и только два из них взяты из Fish Audio.

• Скорость реакции — 186 миллисекунд, собственный показатель Fish Audio, описанный в контексте коротких реакций, таких как «мм-хм» или быстрое подтверждение, пока готовится полный ответ. Это нижняя граница для подтверждения, а не время до первого аудио для ответа.

• Цена — $0.035 за минуту на Agent Platform, рекламируется как скидка 50% от прайсовой ставки $0.07, при этом указано, что предложение действует до 31 декабря 2026 года. Эта поминутная ставка включает распознавание речи, модель рассуждения и голосовой компонент; премиальные токены LLM тарифицируются по собственной ставке за токен, телефонные звонки добавляют $0.01 за минуту, а телефонные номера стоят $1.20 в месяц.

• Независимые оценки — ноль. Artificial Analysis ведёт рейтинг систем речевого общения (speech-to-speech), в котором Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime и ещё десяток других решений ранжируются по качеству рассуждений, динамике диалога, успешности выполнения задач и времени до первого звука. По состоянию на 11 ноября 2026 г. в этом рейтинге вообще нет ни одной строки Fish Audio duplex.

Первые два числа — те, на которые покупатель может ориентироваться уже сейчас. Третье — то, которое покупателю в конечном итоге понадобится, и именно поэтому цена заслуживает второго взгляда, а не первого: промо-ставка с опубликованной датой окончания — это не модель затрат, а оценка затрат с напечатанным на ней сроком действия.

Почему сервинг-фреймворк заботится о закрытой модели

Интерес vLLM-Omni продиктован вовсе не сентиментальностью. Фреймворки для обслуживания моделей существуют, чтобы запускать веса, которые вы можете загрузить, на оборудовании, которое вы контролируете, с предельными издержками в виде счёта за электричество, а не чьего-то поминутного счётчика. Закрытая модель — не клиент для такого фреймворка. Поэтому предложение в том ответе лучше всего читать как просьбу, адресованную будущему релизу: опубликуйте чекпойнт — и путь для инференса уже ждёт его.

То, что делает это отсутствие подчёркнутым, а не неизбежным, — это собственная история Fish Audio. Компания уже выпускала открытые веса — Fish Audio Drama 3, её выразительная модель синтеза речи, доступна в виде скачиваемого чекпоинта и оценивалась на речевых аренах с открытыми весами. Поэтому закрытое распространение здесь выглядит как продуктовое решение в отношении бизнеса live-агентов, а не как внутренняя политика компании в отношении открытости. Вариант с локальным развёртыванием ещё больше запутывает вопрос: предприятия могут запускать Live 3 в собственном периметре, но это не то же самое, что возможность читать, дообучать или повторно размещать его, и Fish Audio не сообщила, что именно из этого входит в on-prem-предложение.

Фраза «только на английском» стоит рядом с утверждением о «30+ языках»

Два предложения на собственных ресурсах Fish Audio тянут в разные стороны. В анонсе прямо говорится, что Live 3 сегодня говорит по-английски. Страница Agent Platform на том же сайте рекламирует более 2 000 000 голосов на более чем 30 языках и звонящего, которому «отвечают за секунды, днём и ночью, на языке звонящего». Оба утверждения могут быть верны одновременно — большая многоязычная библиотека голосов и слой распознавания речи могут покрывать тридцать языков, пока лежащая в основе дуплексная модель говорит на одном, — но только одно из этих предложений описывает то, что вы покупаете, когда покупаете Live 3. Если ваши звонящие не говорят по-английски, интересный вопрос не в том, что платформа умеет произносить, а в том, когда догонит дуплексная модель.

Что вы можете назвать сегодня и с помощью чего

Доступ осуществляется через собственный API Fish Audio и Agent Platform, а локальный вариант (on-premises) зарезервирован для корпоративных контрактов. Стороннего хостинга модели нет — это прямое следствие отсутствующего чекпойнта: вы не можете арендовать Live 3 у инфраструктурного провайдера, потому что развёртывать нечего. Все, кто описывает модель как «доступную через партнёрские платформы», имеют в виду голосовую библиотеку платформы, а не дуплексную модель.

Переносимая половина стека агента — это половина, отвечающая за рассуждения, а на платформе Agent Platform эта половина идёт отдельной строкой в счёте. Именно здесь роутер оправдывает своё существование, а не служит способом добраться до речевой модели: OrcaRouter предоставляет более 200 моделей за одним ключом по прайс-листовой цене провайдера без наценки, поэтому текстовую модель, выполняющую рассуждения, можно заменять, закреплять за задачей или переключать при сбое, не затрагивая речевой контракт, а автоматическое переключение при сбое поддерживает вызов активным, когда бэкенд рассуждений выдаёт ошибку или не успевает ответить. Fish Audio Live 3 в этом списке нет — размещать нечего — и ни одну часть этого материала не следует воспринимать как утверждение об обратном.

Что изменило бы эту часть?

Четыре события — примерно в порядке того, насколько сильно они могли бы изменить картину. Чекпоинт — то, чего требует ответ vLLM-Omni и что поставило бы Live 3 на одну полку с Drama 3. Строка в независимом лидерборде speech-to-speech, которая превратила бы 186 миллисекунд из утверждения в точку данных с контекстом. Опубликованные идентификатор модели и тариф в собственной документации Fish Audio по API, что позволило бы цитировать это в закупочном документе. И 1 января 2027 года, когда промо-тариф $0.035 либо сохранится, либо нет.

До тех пор честная сводка такова: Live 3 — самая интересная голосовая модель, выпущенная на этой неделе, и при этом наименее документированная: настоящий архитектурный довод о том, где должна находиться логика смены реплик, упакованный в коммерческий продукт, который опубликовал свою цену и больше ничего. Это разумно выпускать. Но это ещё не то, что можно оценить, и разница между этими двумя утверждениями — ровно то, чего ждут соответственно фреймворк для обслуживания моделей, независимый бенчмарк и команда закупок.