Fish Audio Live 3 говорит только на одном языке. Gemini 3.8 Live говорит на 97 языках и каждую секунду ставит водяные знаки.

Fish Audio Live 3 и Gemini 3.8 Live сходятся в важной идее и расходятся почти во всём остальном. Обе модели помещают управление очерёдностью реплик внутрь речевой модели, а не в конвейер из отдельных частей. Live 3, анонсированная 2026-11-10, доказывает это поведенчески: пауза в середине телефонного номера — не то же событие, что пауза в конце вопроса, и модель может решить ответить уже через 186 миллисекунд — цифра, которую приводит Fish Audio и которую никто не проверял независимо. Gemini 3.8 Live, анонсированная 2026-09-15, отвечает на ту же проблему документами — 97 языков с переключением в середине разговора, водяной знак SynthID на каждой секунде сгенерированного аудио, опубликованная карточка модели, два задокументированных идентификатора моделей API и строка в Artificial Analysis, где указано 76.0 по Speech to Speech Index при заполненных всех четырёх компонентах.

Эта асимметрия, а не показатель задержки, решает исход данного сравнения. Одну из этих моделей уже сегодня можно внести в закупочный документ и защищать построчно; другую должна инструментировать команда, которая её внедряет. И за этим скрывается более острый момент: поведение, которое продаёт Live 3, не является тем измерением, в котором Gemini 3.8 Live сильнее всего, и это также не то измерение, по которому оценивали Live 3, — так что пока это противостояние решается тем, что можно проверить, а не тем, какая модель лучше справляется с телефонным звонком.

Пробел в освещении — не сноска

Начните с того, что каждая модель будет делать за пределами демо, потому что для большинства покупателей этот раздел завершает оценку ещё до того, как будут заданы интересные вопросы.

• Языки — Gemini 3.8 Live поддерживает 97 языков и автоматически переключается между ними прямо посреди разговора. Fish Audio прямо заявляет, что Live 3 на момент запуска работает только на английском. Линия бронирования в Мадриде, очередь в службу поддержки в Сан-Паулу и стол по взысканию задолженностей в Варшаве — это не внедрения Live 3 в текущем квартале.

• Происхождение — каждая секунда аудио, которую генерирует Gemini 3.8 Live, несёт водяной знак SynthID от Google, и оба варианта голоса Gemini задокументированы в карточке модели, опубликованной под названием gemini-3-8-audio. В анонсе Fish Audio ничего не говорится о водяных знаках или метаданных о происхождении для Live 3. Если в вашей юрисдикции намечается переход к раскрытию информации о синтетическом голосе, это различие становится скорее юридическим вопросом, чем инженерным.

• Идентификаторы — Google публикует gemini-3.8-live и gemini-3.8-live-extended-thinking как идентификаторы моделей, доступные для вызова через Gemini API, Live API и AI Studio. В анонсе Fish Audio упоминается Live 3, но для него не публикуются ни идентификатор модели, ни документация по эндпоинтам для отдельных моделей.

• Ввод неаудиоданных — Gemini 3.8 Live обрабатывает визуальный ввод почти в реальном времени, вдобавок к уже имевшейся в этой линейке поддержке камеры и демонстрации экрана. Live 3 — это аудиовход и аудиовыход.

• Корпоративный путь — у Google это закрытое превью в Gemini Enterprise, а версия Customer Experience указана как «скоро». У Fish Audio это Agent Platform, сейчас в публичной бете, плюс развёртывание on-premises для корпоративных клиентов — что действительно представляет собой иное предложение и единственное место в этом списке, где меньший вендор даёт более сильный ответ для покупателя, который не может отправлять аудио в публичное облако.

Что индекс может видеть, а что — нет

Artificial Analysis строит свой Speech to Speech Index как равновзвешенный композит речевого рассуждения, агентной производительности, предпочтений на арене и успешности выполнения задач и оценивает всю систему, а не отдельную модель. Строка Gemini 3.8 Live заполнена полностью: индекс 76,0, Big Bench Audio 92%, время до первого аудио 1,18 секунды, успешность задач 93,2%, динамика диалога 96,1%, Elo на арене 1 083 и 30,1% в бенчмарке задач клиентской поддержки τ-Voice. У Live 3 по состоянию на 2026-11-11 нет строки вообще; в рейтинге Fish Audio указан как семейство моделей, и ни одна из его дуплексных разработок не оценена.

Присмотритесь к двум из этих компонентов, потому что они говорят то, чего нет в заголовке. Показатель Gemini 3.8 Live — 96,1% по динамике диалога — самый высокий в своей строке и самый близкий из опубликованных косвенных показателей того, что предлагает Live 3: модель с поочерёдными ходами набирает почти максимум по метрике соблюдения очерёдности реплик. Её 30,1% на τ-Voice — самый низкий показатель в строке и причина, по которой модель занимает пятое место, а не первое: она хорошо разговаривает, но редко доводит задачи до конца. Собственным решением Google для этого стала вторая версия — Gemini 3.8 Live Extended Thinking, которая достигает 68,6% в том же тесте и занимает первое место в индексе с 82,6 — при примерно вчетверо большей почасовой стоимости аудио.

Урок из этого сравнения неудобен для обоих поставщиков. Разговорная динамика и естественное чередование реплик — не одно и то же измерение, и именно поэтому 96,1% в одном случае и неоценённое заявление в другом нельзя сопоставить. Аргумент Live 3 состоит в том, что в конкретной ситуации её поведение лучше, чем у модели с чередованием реплик, — когда звонящий делает паузу посреди номера или бормочет согласие, пока агент зачитывает заказ обратно. Пока кто-то не прогонит её на тестовом стенде для чередования реплик, честная позиция такова: Live 3 делает заявление о сценарии, который опубликованные рейтинги не выделяют.

Происхождение — и вопрос, который задаст проверяющий

Голос — единственная модальность, в отношении которой команда по комплаенсу спрашивает о результате раньше, чем о цене. У Gemini 3.8 Live есть готовый ответ: водяные знаки SynthID на сгенерированном аудио, именованная карточка модели и поставщик с опубликованной позицией по ответственному использованию, стоящий за обоими. У Live 3 есть анонс, который необычайно точен в отношении поведения в разговоре и совершенно ничего не говорит о том, как слушатель или детектор мог бы отличить её выходные данные от записи.

Это не повод избегать Live 3, но это повод задать Fish Audio прямой вопрос, прежде чем развертывать платформу на линии, которая ведёт запись звонков. Есть ли на аудио водяной знак, создают ли сессии транскрипт или аудиторскую запись и какова политика хранения для того и другого — вот три пункта, которые проверяющий захочет увидеть в письменном виде. Fish Audio задокументировала аутентификацию платформы по сессионным токенам и её REST-интерфейс /v1/agent/*, так что техническая основа для ответа на все три вопроса существует — компания просто не опубликовала ответы, и спустя день после запуска это обычное положение дел, а не тревожный сигнал.

Цена, которая существует, и та, которой не существует

Gemini 3.8 Live публикуется по цене $0,005 за минуту аудиовхода и $0,018 за минуту аудиовыхода через Live API. Таким образом, пятиминутный звонок с непрерывным выводом аудио обходится чуть более чем в одиннадцать центов голосовой генерации — ещё до учёта стоимости любой серверной модели. Artificial Analysis пересчитывает тарифы Google в почасовой показатель на фиксированном наборе из сорока вопросов, и этот производный столбец менялся между снимками: $0,84 в час для стандартной модели в таблице от 16 сентября и $1,50 в более поздней. Оба значения — результат пересчёта, а не котировки; ориентироваться при планировании бюджета следует на поминутные тарифы.

У Live 3 нет цены. В тарифной карте Fish Audio указаны drama-3 по $50 за миллион байт UTF-8, s2.1-pro и s2-pro по $15, s2.1-pro-free — ноль, s1 — $15 с датой вывода из эксплуатации 2026-12-31, а также три модели распознавания речи и voice-design-1 по центу за запрос. Live 3 в ней нет. У дуплексного вызова агента также нет естественного количества байтов — входящее аудио — это то, что скажет вызывающий, — поэтому даже структура счётчика не опубликована. Любая модель стоимости Live 3, составленная сегодня, — это догадка, и эту догадку следует помечать как таковую в любом документе, где она окажется.

Что стоит за голосом

Ни одна из моделей не является всей системой, и этот стык одинаков с обеих сторон. Gemini 3.8 Live обеспечивает фоновое выполнение инструментов и API: подтверждает запрос и продолжает говорить, пока вызов завершается, — и эта работа сводится к обычным вызовам модели с обычными затратами токенов. Agent Platform в Live 3 предоставляет хук custom-LLM, который направляет рассуждения агента на любую OpenAI-совместимую конечную точку. В обоих случаях речевая модель — это фронтенд, а текстовая модель выполняет мышление.

Этот слой — то место, где роутер оправдывает своё существование, и единственный слой в обоих стеках, где переключение обходится дёшево. OrcaRouter даёт доступ к 216 моделям через один ключ по прайс-листовой цене провайдера без наценки, поэтому снижение цены у апстрима вступает в силу в тот же день, а не при следующем продлении контракта, автоматическое переключение при сбое сохраняет вызов живым, когда бэкенд выдаёт ошибку или не отвечает по таймауту, DSL маршрутизации решает, какая модель обрабатывает какой тип хода, а объединение моделей позволяет дешёвой модели подготовить вызов инструмента, пока более сильная проверяет его перед отправкой. Если точнее обозначить границу: OrcaRouter не размещает Fish Audio Live 3 или голосовую конечную точку Gemini 3.8 Live. Ни у одного из них нет сторонней голосовой конечной точки, и речевой слой в обоих стеках остаётся у своего вендора. Слой рассуждений — это та часть, которая переносима, а для стека, построенного на модели по предварительной цене от одного вендора и бета-платформе от другого, переносимость — это свойство, которое переживает следующий релиз.

Для чего на самом деле предназначен каждый из них

Выберите Gemini 3.8 Live, если ваш продукт работает по всему миру, если аудио покидает вашу инфраструктуру и кто-то потребует доказать, откуда оно пришло, или если агенту нужно видеть экран или камеру. У него есть таблица оценок, водяной знак, языки, опубликованный тариф и ID модели. Его слабое место — выполнение задач на уровне 30,1% на τ-Voice, а решение, которое Google продаёт для этого, — вариант Extended Thinking при вчетверо большей почасовой стоимости.

Pilot Fish Audio Live 3, если ваши звонки ведутся на английском, ограничения инфраструктуры исключают публичное облако, а журнал жалоб полон абонентов, которых перебивают или которые повторяют последовательности цифр. Развертывание на собственных серверах здесь — реальное преимущество, и Google его не предлагает. Заранее рассчитывайте на то, что оценку придется выстраивать самостоятельно: нет балла, с которым можно сравнить, нет опубликованной цены для прогнозирования, и нет водяного знака, на который можно указать.

Не воспринимайте 76,0 как вердикт о перехвате реплик. Это составной показатель, в котором большой вес придаётся выполнению агентных задач, и именно здесь Gemini 3.8 Live слаба. Числом, которое решило бы исход этого противостояния, был бы показатель перехвата реплик для Live 3 на том же стенде, на котором измеряют всех остальных, — и пока такого показателя нет, две модели сравнивают по документации, а не по поведению.