Fish Audio Live 3 против Eleven Realtime v1 Max: 186 мс и 0,57 с — это не одно и то же измерение

Fish Audio Live 3 и Eleven Realtime v1 Max — обе полнодуплексные голосовые модели, обе выпущены с разницей в четыре недели, и обе продаются с утверждением, что очерёдность реплик должна находиться внутри речевой модели, а не в конвейере из отдельных частей. Fish Audio утверждает, что Live 3 может решить ответить уже через 186 миллисекунд. ElevenLabs' Realtime v1 Max начинает говорить через 0,57 секунды. Если поставить эти две цифры рядом, кажется, что более новая модель выигрывает втрое, но такое прочтение ошибочно — и эту ошибку стоит понять, прежде чем кто-либо подпишет контракт.

Эти числа измеряют разные события. 186 миллисекунд Live 3 — это собственная цифра Fish Audio для коротких реакций — «мм-хм», «окей, 415» между фрагментами номера телефона — а не для полного ответа. 0,57 секунды у Max — это измеренное время до первого аудиосигнала для самого ответа, полученное на стенде Speech to Speech от Artificial Analysis. Одно — заявленный производителем нижний предел для подтверждающей реакции; другое — проверенная задержка ответа. Вычтите одно из другого и получите число, которое ничего не значит, — и это полезная отправная точка для данного сравнения.

Что каждый вендор на самом деле опубликовал

Eleven Realtime v1 Max появилась 2026-10-20 с полным набором оценок. Artificial Analysis оценивает её по Big Bench Audio (98.8%), времени до первого аудио (0.57 с), доле успешных задач (87.1%), динамике разговора в Full-Duplex-Bench (94.1%) и предпочтению в Arena (997 Elo). У неё отсутствует Speech to Speech Index, потому что агентный тест τ-Voice, лежащий в основе этого индекса, для неё не проводился, и у неё также нет показателя стоимости в час от ElevenLabs — указанные в таблице $4.80 в час представляют собой пересчёт поминутных тарифов ElevenLabs на агента и API, а не опубликованную прейскурантную цену только за модель.

Fish Audio Live 3 появился 2026-11-10 с доводом о поведении и почти без цифр. Опубликованная поверхность достаточно мала, чтобы описать её полностью.

• Скорость реакции — 186 миллисекунд, по данным производителя; описывается в контексте коротких реакций, а не полных ответов.

• Независимые оценки — отсутствуют. По состоянию на 2026-11-11 в таблице Speech to Speech от Artificial Analysis нет строки Live 3; Fish Audio представлена там как семейство моделей, а не как оценённая дуплексная запись.

Цена — не опубликована. В прайс-листе Fish Audio перечислены drama-3, s2.1-pro, s2.1-pro-free, s2-pro и s1, а также три модели распознавания речи и voice-design-1. Live 3 в нём отсутствует.

• Языки — на момент запуска только английский, согласно объявлению.

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

• Архитектура — полнодуплексная, обученная на записанных человеческих разговорах, так что подтверждение, ожидание, ответ и остановка — это выученные модели поведения.

Публичная информация ElevenLabs — это зеркальное отражение: полная таблица оценок и непрозрачная цена за единицу. У Max есть все строки, кроме индекса и теста τ-Voice, а ElevenLabs не продаёт это по отдельной поминутной ставке — в ElevenAgents вы платите стандартную плату за агента плюс токены по ставке Realtime, а через Realtime API вы платите за минуту подключённого аудио плюс токены.

Аргумент о поведении, который и есть настоящая конкуренция

Оба поставщика описывают один и тот же сценарий отказа и предлагают одно и то же структурное решение, что делает сравнение необычно чистым на уровне идей. ElevenLabs утверждает, что распознавание, очередность реплик, рассуждения и генерация голоса в Realtime настраиваются как единая система, а не согласуются между отдельными частями, а документированный пример отдачи — фоновые поддакивания: Mini, как описывается, определяет, закончил ли говорящий или всего лишь вставляет «mm-hmm». Версия того же утверждения от Fish Audio — номер телефона, читаемый по частям, — «415… 555… 0132», — при котором Live 3 может ответить «mm-hmm» или «okay, 415» между фрагментами и подождать остаток.

Их различие заключается в том, что именно они позволяют вам оставить под своим контролем. Eleven Realtime продаётся двумя способами: внутри ElevenAgents и через Realtime API, который на уровне протокола совместим с протоколом событий OpenAI по адресу wss://api.elevenlabs.io/v1/convai/realtime; выбор Realtime-модели внутри ElevenAgents означает, что ElevenLabs управляет LLM, уровнем усилий на рассуждение, бюджетом на размышления, параллельными вызовами инструментов, моделью TTS и провайдером ASR. Agent Platform от Fish Audio, сейчас находящаяся в публичной бете, занимает противоположную позицию в отношении слоя рассуждений: пользовательская LLM агента может указывать на OpenAI-совместимую конечную точку, поэтому модель, выполняющую мышление, выбираете вы.

Эта разница решает судьбу большего числа развёртываний, чем показатели задержки. Если вы хотите, чтобы вендор владел всем стеком, и готовы отказаться от маршрутов custom-LLM и Bedrock, ElevenAgents — более короткий путь. Если слой рассуждений — это то, чем ваш продукт отличается, — извлечение данных, проверки политик, оркестрация инструментов, — то хук custom-LLM на стороне Fish — это функция, которая проходит закупку.

Стоимость и почему столбец Live 3 пуст

Max стоит $4,80 за час входного аудио в пересчёте Artificial Analysis, против показателя $0,84 для самого дешёвого сильного дуплексного конкурента в этой таблице. Это делает цену той осью, на которой новый участник может быстро выиграть сделку, и именно та ось, по которой Live 3 в настоящее время не может быть оценён. Стоимость за вызов для развёртывания Live 3 невозможно вычислить из чего-либо, опубликованного Fish Audio, потому что единица тарификации не опубликована.

Что Fish Audio действительно публикует — так это тарифную карту для своих других моделей, и стоит понимать её структуру, потому что она показывает, как компания устанавливает цены на речь. Синтез речи тарифицируется по байту UTF-8 входного текста, и в собственной документации Fish Audio указано, что один миллион байтов UTF-8 — это примерно 180 000 английских слов или около двенадцати часов речи. При каталожной ставке drama-3 в $50 за миллион байтов это составляет примерно $4,17 за час сгенерированной речи, или около $0,83 в ходе стартовой промоакции, которая действует до 2026-11-30. Это производные цифры для другого продукта, а не цены Live 3, и минуты двустороннего агента — не та же единица, что синтезированная речь, — но они помещают ценовую шкалу Fish Audio в тот же диапазон $1–$5 в час, что и остальной рынок, а не на порядок ниже него.

Это тот раздел, где слой маршрутизации оправдывает своё существование на обеих сторонах. OrcaRouter не размещает у себя Fish Audio Live 3 или Eleven Realtime v1 Max — ни у одного из них нет стороннего эндпоинта, а речевой слой в любом из стеков остаётся у своего поставщика. OrcaRouter размещает у себя слой рассуждений, на который можно направить каждый из них: 216 моделей за одним ключом по цене провайдера без наценки, автоматическое переключение при ошибке провайдера и DSL маршрутизации, который решает, какая модель обрабатывает какой вызов. Практическое следствие: прайс-лист токенов ни одного из поставщиков не становится привязкой. Если ElevenLabs изменит цены на Realtime или Fish Audio опубликует Live 3 с тарифом за байт, счёт за речь изменится, а счёт за рассуждения — нет, потому что счёт за рассуждения изначально не был привязан ни к одному из поставщиков.

На каком из них теперь строить?

Создавайте на Eleven Realtime v1 Max уже сегодня, если вам нужно обосновать технический выбор перед тем, кто попросит бенчмарк. У него есть проверенная аудитом оценочная таблица, документированный протокол событий и измеренная задержка, которую проверяющий может проверить. Неизвестный параметр у Max — цена за час при больших объёмах, а не качество.

Pilot Fish Audio Live 3, если журнал жалоб вашего агента полон звонящих, которых перебивают, и если вы готовы сами измерить улучшение. Показатель в 186 миллисекунд нельзя сравнивать с 0,57 секунды у Max, у модели нет независимой оценки соблюдения очередности реплик, а её прейскурантная цена ещё не существует — поэтому пилот должен быть организован как инструментированное A/B-тестирование против вашего текущего агента, а не как закупочное решение по спецификации.

Не воспринимайте 186 миллисекунд как обещание по задержке, за которое кто-либо будет нести ответственность. Это заявление вендора о том, как быстро модель может по своему выбору издать короткий звук. Показатель, который вас на самом деле интересует — сколько времени пройдёт, прежде чем звонящий услышит первый слог ответа, — для Live 3 никто не публиковал. Когда его опубликуют, сравнение с Max станет реальным, а до тех пор честный ответ на вопрос «кто быстрее» таков: один из них измерен, а другой — описан.