Fish Audio Live 3 отвечает за 186 миллисекунд, а затем весь звонок решает, стоит ли говорить

Fish Audio Live 3 — это полнодуплексная голосовая модель, которую Fish Audio анонсировала 10.11.2026, и вся её концепция строится на одном различии, которое большинство голосовых агентов до сих пор понимают неправильно: пауза в середине телефонного номера — не то же событие, что пауза в конце вопроса. Модель продолжает слушать, пока говорит, может решить ответить всего за 186 миллисекунд, по данным Fish Audio, и была обучена на записях человеческих разговоров, чтобы научиться, когда подтверждать, когда ждать, когда отвечать и когда останавливаться, вместо того чтобы получать таблицу порогов тишины.

Последняя оговорка — самая интересная, и именно поэтому этот материал не может дать вам бенчмарк. Fish Audio не опубликовала ни оценки для Live 3, ни цены за байт для неё в собственной тарифной сетке, ни идентификатора модели или документации по эндпоинтам, где она упоминается. Artificial Analysis, которая оценивает дуплексные речевые модели на одном испытательном стенде, по состоянию на 2026-11-11 не содержит строки Live 3 — в таблице Fish Audio указана как семейство моделей, и ни одна из её дуплексных работ не оценена. Цифра в 186 миллисекунд приводится со слов производителя и не проверена аудитом. Далее отделяется то, что Fish Audio задокументировала, от того, что она заявила, потому что через день после запуска это две разные кучи.

Пауза, которая портит номер телефона

Собственный наглядный пример Fish Audio — лучший аргумент в анонсе. Произнесите номер по частям — «415… 555… 0132» — и обычный агент услышит три отдельных события завершения реплики или одну долгую заминку, которую примет за размышления звонящего. У Live 3 задокументировано, что она говорит «мм-хм» или «хорошо, 415» между частями, а затем ждёт остального. Подтверждение выполняет две задачи одновременно: оно подтверждает, что цифры приняты, и оставляет возможность продолжить, чтобы звонящий мог перевести дыхание, проверить следующие несколько цифр и продолжить.

Более сложная половина той же проблемы — противоположная ошибка. Если агент зачитывает часы работы, а звонящий говорит «да» или «угу», показывая, что следит за разговором, согласно документации Live 3 продолжает, а не останавливается. Затем звонящий говорит: «Подождите, вообще-то мне нужен только четверг», и система останавливается и уступает. Позиция Fish Audio такова: не каждый звук — это перебивание, и модель должна отличать поддакивание от перехвата инициативы без того, чтобы разработчик перечислял все звуки, которые может издавать человек.

Третий случай — исправления посреди высказывания: «Я хотел бы две пиццы… нет, три. Три большие. И… вообще, одну из них сделайте маргаритой». Конвейер, который срабатывает на первом правдоподобном полном заказе, дважды оформляет неправильный заказ. По документации, Live 3 пережидает каждую правку. Звонки в поддержку, бронирования и заказы полны именно этого, и именно поэтому генеральный директор Fish Audio обратился к лингвистической аналогии, а не к числу задержки.

«До сих пор исправление сводилось к увеличению числа правил и порогов, — сказала Рисса Цао, соучредитель и генеральный директор Fish Audio. — Мы считаем, что модель должна учиться этому на реальных разговорах так же, как языковые модели учат грамматику».

Что Fish Audio на самом деле изложила на бумаге

Если отбросить маркетинг, опубликованная часть Live 3 достаточно коротка, чтобы перечислить её полностью. Всё ниже взято из анонса Fish Audio или его документации; ничего из этого не было независимо измерено.

• Время реакции — Fish Audio утверждает, что модель может решить ответить всего за 186 миллисекунд — в контексте коротких реакций, таких как «mm-hmm», «okay» и быстрых подтверждений, а не полных ответов.

• Архитектура — полный дуплекс. Он слушает, пока говорит, — именно это и делает возможным подтверждение посреди произносимого номера.

• Обучающий сигнал — реальные человеческие разговоры, где поведение при смене реплик выучено, а не настроено. Ни размер набора данных, ни количество часов, ни оценочный набор не раскрываются.

• Языки — на старте только английский, прямо указано в анонсе.

• Распространение — Fish Agent Platform, собственный API Fish Audio и развертывание на собственной инфраструктуре для корпоративных клиентов.

• Цена — не опубликована. В тарифной сетке Fish Audio перечислены drama-3, s2.1-pro, s2.1-pro-free, s2-pro и s1, а также три модели ASR и voice-design-1. Live 3 в ней не указана.

Само объявление стоит прочитать полностью, потому что в нём на удивление конкретно говорится о поведении и на удивление мало — о цифрах.

К нему прилагаются три аудиофрагмента — звонящий добавляет подробности с паузами, звонящий перебивает перечисление меню и звонящий говорит «mm-hmm», пока агент зачитывает заказ, — и каждый из них представляет одно и то же утверждение о поведении под разным углом. Ни к одному из них не прилагается оценка на уровне транскрипта, и в объявлении это не утверждается.

Из чего состоит агент Live 3

Live 3 — это речевой слой более крупного продукта, и именно в остальной части этого продукта сосредоточена интеграционная работа. Fish Audio предоставляет облачную Agent Platform, сейчас в публичной бете, которая открывает REST-интерфейс по адресу /v1/agent/* плюс клиентские SDK для JavaScript и React. Агентов можно подключать к веб-виджету, номеру телефона или кастомному клиенту, а сессии аутентифицируются с помощью токенов сессии, а не долгоживущего ключа в браузере. Платформа берёт на себя аудиотракт; вы предоставляете инструкции, инструменты и рабочие процессы.

Ключевой частью для всех, кто строит на этой основе, является хук custom-LLM. Fish Audio позволяет слою рассуждения агента обращаться к OpenAI-совместимой конечной точке, а значит, модель, выполняющая мышление, не обязана быть моделью вендора. Это намеренно предусмотренный стык, и именно на таком стыке и должен находиться слой маршрутизации. OrcaRouter стоит за этой конечной точкой, предоставляя 216 моделей с тем же ключом, по прайсовой цене провайдера без наценки и автоматическое переключение при ошибке провайдера — поэтому планировщик внутри агента Live 3 можно заменить, A/B-тестировать на реальных расшифровках звонков и перенаправить, не затрагивая речевой слой или номер телефона. DSL маршрутизации решает, какая модель получает какой вызов, а слияние моделей позволяет дешёвой модели подготовить черновик, пока более сильная проверяет вызов инструмента до его выполнения. Чтобы чётко обозначить границу: OrcaRouter не размещает Fish Audio Live 3. Для него нет сторонней конечной точки, и речевой слой здесь принадлежит вендору.

Платформа — это место, где агент получает свой номер телефона, свои инструменты и жизненный цикл своей сессии.

Что бы это решило?

Три числа превратили бы это из утверждения в точку данных, и ни одно из них пока не существует.

• Цена за байт или за минуту для Live 3, чтобы стоимость десятиминутного звонка можно было сравнить с каскадом, который он заменяет. Пока этого нет, любая оценка совокупной стоимости развертывания Live 3 — это догадка с десятичной запятой.

• Распределение задержек, а не нижняя граница. «Всего 186 миллисекунд» описывает быстрый хвост коротких реакций. Время до первого аудио для полного ответа — это показатель, который решает, перебьёт ли звонящий агента, и Fish Audio его не опубликовала.

• Независимая оценка соблюдения очерёдности реплик. Artificial Analysis проводит Full-Duplex-Bench и агентный тест τ-Voice на дуплексных моделях, и оба результата были бы напрямую сопоставимы с опубликованными строками для других дуплексных моделей на этом рынке. Строка Live 3 на любой из этих панелей дала бы в одной таблице ответ на то, что в анонсе изложено прозой.

Тем временем честная оценка такова: проблема, которую выбрала Fish Audio, реальна и ей уделяют недостаточно внимания, приведённые примеры — правильные, а модель уже используется реальными пользователями через платформу, которая сама всё ещё находится в бете. Если сегодня ваш агент даёт сбой так, что перебивает звонящего или тому приходится дважды повторять последовательность цифр, то Live 3 нацелена именно на это — и первое, что стоит измерять после развёртывания, — не задержка, а то, как часто звонящему приходится начинать разговор заново.