Fish Audio Live 3 против Grok Voice 3.0: одна цена — это пакет, а другая — компонент

Put the two rate cards side by side and the newer model looks less than half the price. Fish Audio Live 3 sells for $0.035 per minute on Fish Audio's Agent Platform — a promotional rate, half of a $0.07 list, good through 31 December 2026. G​rok Voice 3.0 sells for $0.08 per minute, or $4.80 an hour, plus $0.004 per text input token. Four cents against eight is a clean story until you notice that the two numbers are billing different objects: G​rok Voice 3.0 is a speech-to-speech component you rent, and Live 3's per-minute figure bundles speech recognition, the reasoning model and the voice into one meter. One is a part, the other is an assembly. Compare them per minute and you are comparing a gearbox to a car.

That distinction is the whole comparison, and it is worth being precise about why. G​rok Voice 3.0 is a versioned model string behind a realtime WebSocket with session-scoped tools and returned transcripts, priced by the minute of audio it processes and scored, independently, at 86.9 on the Artificial Analysis Speech to Speech Index. Fish Audio Live 3 is a full-duplex model launched on 10 November 2026 that keeps listening while it speaks, is English-only at launch by the company's own statement, has no published benchmark of any kind, no model identifier in Fish Audio's API documentation, and no weight release — the vLLM project's public reply to the launch was to hope it gets open-sourced one day.

Табло, существующее только с одной стороны

Artificial Analysis measures G​rok Voice 3.0 on the same harness it uses for every duplex model, and the numbers are unusually complete. Every figure below is the board's own, taken from its run dated 13 October 2026.

• Рассуждение на основе речи, Big Bench Audio — 98,5%.

• Динамика разговора, Full Duplex Bench — 97,0%, включая бэкчэннелинг — 92,9%, обработку перебиваний — 96,5%, смену реплик — 100% и обработку пауз — 98,5%.

• Speech Agent Arena preference — Elo 1059, against 1074 for G​emini 3.8 Live and 990 for Eleven Realtime v1 Max.

• Успешность выполнения задач — 94,8% в сценариях τ-Voice для авиакомпаний, розничной торговли и телекоммуникаций.

• Time to first audio — 0.81 seconds, slower than G​rok Voice 2.0's 0.70 and roughly 40% quicker than GPT-Live-1 in its Astra medium configuration at 1.34 seconds.

• Стоимость часа входного аудио — $4,80, прямой пересчёт собственной поминутной ставки поставщика.

Live 3's column is not sparse, it is empty, and the emptiness has a specific shape. There is no row on that board for any Fish Audio duplex model as of 11 November 2026 — the board lists Fish Audio as a model family and scores none of its live work. Fish Audio's one published number is 186 milliseconds to decide to respond, which the company describes in the context of short reactions such as "mm-hmm" rather than full answers. It is a vendor floor on an acknowledgement. G​rok's 0.81 seconds is an audited time-to-first-audio on a reply. Nothing about those two figures is commensurable, and the fact that both are expressed in seconds is the trap.

К чему на самом деле обязывает дуплексное требование каждой из сторон

Обе модели работают в полном дуплексе, поэтому «слушает, пока говорит» не является отличием между ними; это входной билет. Разница в том, откуда берётся политика тайминга.

Аргумент Fish Audio состоит в том, что подтверждение, ожидание, ответ и остановка были выучены из записанных человеческих разговоров, а не прописаны как список порогов тишины; это иллюстрируется номером телефона, произносимым по частям: агент, который слышит три события завершения реплики там, где человек слышит одну заминку, — это и есть исправляемый сбой. Подкрепляющий материал — три примера звонков: завершение заказа, перебивание и бэкченнелинг во время зачитывания. Что Fish Audio не опубликовала, так это какие-либо измерения того, превосходит ли выученная политика пороговую.

G​rok Voice 3.0's timing policy is not explained in behavioural terms at all. What xAI published is a rate card, a model string, an alias move — grok-voice-latest now resolves to grok-voice-3.0, and grok-voice-2.0 is flagged deprecated — and, through Artificial Analysis, a set of turn-taking scores that a buyer can read as a risk statement. A 96.5% interruption score is a claim you can test against your own call recordings. A 186-millisecond acknowledgement floor is a claim you have to take on trust until you run it.

The alias move matters more than it sounds in a phone system. G​rok Voice 2.0 became the alias target on 5 August 2026 and was superseded by 3.0 ten weeks later, which means a team that deployed against the alias has already been through two silent model swaps in a quarter. Whether you pin grok-voice-3.0 explicitly is a deployment decision the vendor has effectively forced.

Куда на самом деле попадают деньги

Разделение на пакетные и компонентные варианты даёт четыре профиля затрат, и только один из них благоприятствует Live 3 так, что это выдерживает проверку реальным вызовом.

• Live 3 на платформе Agent Platform — $0.035 за минуту всё включено в рамках промоакции, включая распознавание, рассуждение и голос; плюс $0.01 за минуту телефонных звонков, $1.20 в месяц за телефонный номер и тариф за токены LLM премиум-уровня, если вы перейдёте с включённой модели. Десятиминутный звонок — 35 центов плюс телефония.

• Live 3 after 31 December 2026 — the list rate is $0.07 per minute, at which point the all-in figure is within a cent of G​rok's $0.08 and the bundle argument has to carry the comparison on its own. Fish Audio has not said what happens to the discount.

• G​rok Voice 3.0 — $0.08 per minute of audio plus $0.004 per text input token, with the reasoning model, the telephony and the orchestration all bought separately. The per-minute rate is a floor, not a total.

• Либо — со своей собственной reasoning-моделью: единственная конфигурация, в которой эти два подхода сходятся, ведь оба вендора позволяют подставить собственный «мозг» и берут плату только за речевой слой.

Последний пункт — это практический вывод, скрытый в таблице цен. Если ваш продукт отличается на уровне рассуждений, пакет — это скидка на то, что вы и так собирались заменить. Если нет, пакет действительно дешевле и проще, а 50%-я акция — лучшее предложение на рынке голосовых решений в этом месяце.

Закупки, и вопрос, на который не отвечает ни один прайс-лист

Цена и оценки — это лёгкая половина. Трудная половина — это то, что происходит, когда модель меняется под вами, и здесь два поставщика сделали противоположные ставки.

G​rok Voice 3.0 has a stable interface and an unstable model: same endpoint, same event names, same bearer-token handshake, same voice set, with the model swapped behind an alias. Fish Audio Live 3 has an unstable interface and, for now, a stable model: the platform is in public beta, the duplex model is new, its API documentation does not yet name it, and the launch post is the only document that describes its behaviour. One arrangement asks you to test continuously. The other asks you to read release notes.

Ни то, ни другое не является неразумным. Но инженерная команда, выбирающая между ними, должна обратить внимание на то, какой риск она лучше подготовлена принять на себя, потому что этот ответ обычно лучше предсказывает успешное развёртывание, чем четыре цента в минуту.

Переносимый слой и честная граница

Both stacks are two-part systems, and in both the speech half is unportable — G​rok Voice 3.0 runs only on xAI's realtime endpoint, Live 3 only on Fish Audio's platform and on enterprise hardware. The reasoning half is where a router belongs, and on both it is a separate purchase: on the G​rok side it is a model you call from inside the session's tools, on the Fish side it is an OpenAI-compatible endpoint the agent points at. OrcaRouter carries more than 200 models behind one key at provider list price with zero markup, so the text model in either stack can be swapped or pinned without renegotiating the speech contract, and automatic failover keeps a session alive when the reasoning backend errors mid-call. Neither speech model is routable here — there is no third-party endpoint for either — and this piece would be misleading if it implied otherwise.

Для команды, которая всё ещё принимает решение, самый дешёвый эксперимент — тот, который становится возможным благодаря ценообразованию: прогнать одни и те же двадцать звонков через оба варианта, самостоятельно оценить перебивания и посмотреть, предсказывает ли что-либо для ваших сценариев 94,8% успешных задач на чужих сценариях розничной торговли. 186 миллисекунд Live 3 будут ощущаться либо как суть модели, либо как цифра, описывающая шум, который агент издаёт, пока думает. Это вопрос, который не решить тарифной картой, и единственный вопрос, имеющий значение после получения счёта.