Fish Audio Live 3 против GPT-Live-1: оба — лишь половина продукта, и счётчик показывает, какая именно половина

Fish Audio Live 3 и GPT-Live-1 — обе полнодуплексные голосовые модели, обе утверждают, что смена реплик должна происходить внутри речевой модели, и обе сами по себе неполны. GPT-Live-1 слушает и говорит, а затем передаёт мышление отдельной бэкенд-модели — таков его дизайн, а не ограничение — и берёт $0.05 за голосовую минуту за первую половину, тогда как рассуждения идут по второму счётчику. Fish Audio Live 3 структурно делает то же самое: речевой слой работает на Agent Platform от Fish Audio, а рассуждения агента могут обращаться к любому OpenAI-совместимому эндпоинту через хук custom-LLM. Разница в том, что OpenAI опубликовала цену первой половины, а Artificial Analysis опубликовала оценку всей системы, тогда как Fish Audio не опубликовала ни то, ни другое и помечает единственное число, которое всё же приводит, — 186 миллисекунд, самый короткий интервал, за который Live 3 может решить отреагировать, — как заявленное поставщиком.

Это делает ситуацию не столько состязанием двух моделей, сколько состязанием двух способов разделить голосового агента пополам, и способ разделения важнее самой модели. GPT-Live-1 набрал 81,5 балла в индексе Artificial Analysis Speech to Speech при работе в паре с GPT-6 Astra при среднем уровне усилий и 80,1 с GPT-5.6 Sol при низком уровне усилий, а это означает, что выбор бэкенда сдвинул результат на величину, в семь раз превышающую разрыв между первым и вторым местами. Эквивалентного показателя для Live 3 пока не существует. Покупка любого из них — это покупка половины системы и обязательство самостоятельно выбрать вторую половину.

Что каждый поставщик на самом деле опубликовал

GPT-Live-1 — более документированный продукт, и в документации этот стык описан конкретно. Он появился в ChatGPT 8 июля 2026 года как замена Advanced Voice Mode и стал доступен в API для разработчиков 10 сентября 2026 года. В таблице Artificial Analysis для него есть две строки, поскольку индекс оценивает систему целиком: 81,5 с GPT-6 Astra при среднем уровне усилий — первое место, и 80,1 с GPT-5.6 Sol при низком уровне усилий — третье. Показатели компонентов под строкой Astra: 67,9% агентной оценки на τ-Voice, 90% на Big Bench Audio, 87,4% успешных задач, Elo на арене 1 048 и 1,34 секунды до первого аудио — при сопоставлении с собственными 0,798 секунды OpenAI на Full-Duplex-Bench, где учитывается другое событие.

Опубликованное описание Live 3 — это один абзац и набор разобранных примеров. Fish Audio анонсировала его 2026-11-10, описывает как полнодуплексный, обученный на записях человеческих разговоров, утверждает, что он может решить ответить всего за 186 миллисекунд в случае коротких реакций, говорит, что на момент запуска он работает только на английском, и предлагает его через Fish Agent Platform, собственный API Fish Audio и локальное развёртывание. Нет ни бенчмарка, ни показателя τ-Voice, ни Elo арены, ни строки для него в тарифной сетке Fish Audio, где перечислены drama-3, s2.1-pro, s2.1-pro-free, s2-pro и s1, а также три модели транскрипции и voice-design-1.

• Первая половина — GPT-Live-1: $0.05 за голосовую минуту, с тарификацией по секундам, при этом 15 секунд списываются в начале сессии и засчитываются в счёт последующего использования. Live 3: цена не опубликована.

• Вторая половина — GPT-Live-1: асинхронная бэкенд-модель на ваш выбор, оплачиваемая по тарифам этой модели, с GPT-5.6 Terra в опубликованном OpenAI примере WebRTC. Live 3: хук пользовательской LLM, указывающий на любую совместимую с OpenAI конечную точку, также оплачиваемый тем, кто её предоставляет.

• Независимая оценка — GPT-Live-1: 81,5 и 80,1 по составному индексу; две конфигурации оценивались отдельно. Live 3: нет, по состоянию на 2026-11-11.

• Транспорт и ограничения — GPT-Live-1: только WebRTC, без ввода изображений или видео, без структурированных выходных данных, без бесплатного тарифа, а также ограничения параллелизма в 25, 50, 200, 300 и 500 одновременных сессий для уровней с 1 по 5. Live 3: REST по /v1/agent/* с SDK для JavaScript и React, аутентификацией по сессионному токену, каналами для номера телефона, веб-виджета или пользовательского клиента.

Почему двухметровая конструкция — это и есть настоящее решение

Счёт голосового агента состоит из двух частей, и предсказуема только одна из них. Первая часть тарифицируется по времени: при $0,05 за минуту пятиминутный звонок стоит 25 центов, а час открытой линии — три доллара; это арифметика, достаточно простая для прогноза. Вторая часть тарифицируется по токенам, зависит от того, насколько напряжённо думает звонящий, и именно она порождает неприятные сюрпризы — поэтому Artificial Analysis указывает полную стоимость часа, а не поминутный тариф за голос. Её показатель — $5,83 в час для пары с Astra и $4,47 для пары с Sol, причём обе цифры включают работу бэкенда, против $3,00 в час, которые предполагал бы один только голосовой счётчик.

Live 3 имеет ту же схему с двумя счётчиками, но один счётчик скрыт. Fish Audio не опубликовала тариф на речевой слой, поэтому первая половина неизвестна, а вторая половина — это то, что взимает endpoint за хуком custom-LLM. Таким образом, стоимость десятиминутного звонка Live 3 можно вычислить, только если известны оба числа, а сегодня от поставщика вам не известно ни одно из них.

Эта асимметрия — причина, по которой слой маршрутизации вообще появляется в этом сравнении, и он относится только ко второй половине. OrcaRouter не размещает Fish Audio Live 3 или GPT-Live-1 — у обоих нет стороннего голосового эндпоинта, и речевой слой в любом из стеков остаётся у своего вендора. OrcaRouter размещает ту половину, которую делегируют обе системы: 216 моделей за одним ключом по цене провайдера без наценки, автоматическое переключение при ошибке или тайм-ауте бэкенда, DSL маршрутизации, который решает, какая модель обрабатывает какой тип реплики, и объединение моделей, чтобы дешёвая модель могла подготовить вызов инструмента, пока более сильная проверяет его перед запуском. Для развёртывания GPT-Live-1 практический эффект состоит в том, что разрыв в 1,4 балла между двумя оценёнными конфигурациями становится тем, что можно измерить на собственном трафике, а не прочитать в таблице лидеров. Для развёртывания Live 3 это означает, что слой рассуждений выбирается ещё до того, как известна цена речевого слоя — и это правильный порядок, потому что именно эту половину можно изменить позже.

Показатель задержки, который постоянно сравнивают не с тем, с чем нужно

В этом сравнении фигурируют три показателя задержки, и никакие два из них не измеряют одно и то же событие. Показатель GPT-Live-1 в 0,798 секунды взят из Full-Duplex-Bench — набора тестов для диалоговой динамики, который замеряет модель в сценарии с поочерёдной сменой реплик. Его 1,34 секунды — это время до первого аудио, измеренное через API. Показатель Live 3 в 186 миллисекунд — это собственные данные Fish Audio о наименьшем интервале, в котором модель может выбрать выдачу короткой реакции, например «mm-hmm» или «okay, 415», между фрагментами телефонного номера.

Если сопоставить эти данные, возникает соблазн заключить, что Live 3 отвечает за одну седьмую этого времени. Этот вывод не подтверждается ничем из опубликованного кем-либо из вендоров. Цифры позволяют лишь одно сравнение — на уровне направления: обе компании утверждают, что первое слышимое событие в разговоре при некоторых условиях может уложиться в четверть секунды, и ни одна из них не опубликовала распределение. То, что есть у GPT-Live-1 и чего нет у Live 3, — это сторонний испытательный стенд, применяющий одну и ту же методику измерения к нему и к его конкурентам; именно поэтому 1,34 секунды — это число, которое рецензент может проверить, а 186 миллисекунд — число, которое пилот должен верифицировать.

К чему вас обязывает архитектура

Обе половины не одинаково переносимы, и именно об этом стоит подумать до запуска любого из пилотных проектов.

Что касается GPT-Live-1, голосовой слой там фактически жёстко зафиксирован. Сессии работают через WebRTC, а не через транспорт WebSocket, который используют большинство существующих интеграций Realtime, эндпоинт Live Sessions существует только у OpenAI, а обращение к старому пути с идентификатором модели GPT-Live возвращает ошибку о том, что сессиям требуется WebRTC. Переход на него — это переписывание транспорта. Уход с него — ещё одно переписывание.

На стороне Live 3 речевой слой зафиксирован иначе: это бета-платформа от более мелкого поставщика, только на английском, без опубликованной цены и без независимой оценки. Что там переносимо — это хук рассуждения, а что нет — всё, что ниже него: аудиотракт, номер телефона, жизненный цикл сессии.

В обоих случаях мобильная половина — это reasoning-модель, и именно там переключение представляет собой смену model-ID, а не интеграционный проект. Урок проектирования одинаков с обеих сторон этого сравнения: помещайте интеллект в тот слой, который можно заменить, а незаменяемый слой делайте настолько тонким, насколько позволяет продукт.

Какую половину купить первой

Сначала купите половину GPT-Live-1, если вам нужно обосновать решение уже сейчас. У него есть опубликованный тариф, две конфигурации с оценками, разбивка по компонентам, документированный транспорт и лестница параллелизма, по которой можно рассчитать колл-центр. Чего у него нет — это видеотракта, структурированных выходных данных инструментов, бесплатного тарифа или какого-либо независимого воспроизведения собственного заявления OpenAI о 80,1% интерактивности.

Сначала проведите пилотное тестирование половины Live 3, если ваши звонки на английском, ваш журнал жалоб полон записей о том, что абонентов перебивают, а развёртывание на собственной инфраструктуре — это требование, а не предпочтение. Приступайте с пониманием того, что вы и есть оценка: никакой строки в тарифной сетке, никакого показателя τ-Voice, никакой оценки на арене — только утверждение о 186 миллисекундах, которое описывает короткие реакции, а не ответы.

Не покупайте ни одну из половин, рассчитывая, что поставщик доведёт продукт до готовности. GPT-Live-1 без бэкенда — это очень хороший слушатель, которому нечего сказать; Live 3 без reasoning-эндпоинта за его хуком — это бета-речевой слой с неопубликованным счётом. Оценка, решающая это противостояние, — 81,5 против ничего — на самом деле говорит о документации, а числом, которое всё решит, станет первый независимый прогон передачи хода на Live 3.