Fish Audio Live 3 är produktionsklar och stängd: Vad vLLM-Omnis erbjudande faktiskt kräver

Den mest avslöjande meningen om Fish Audio Live 3 skrevs inte av Fish Audio. När företaget tillkännagav modellen den 10 november 2026 kom det svar som nådde längst från vLLM-projektets konto: gratulationer till att ha levererat en full-duplex röstmodell som lyssnar medan den talar, en önskan att den en dag skulle göras till öppen källkod, och ett erbjudande om att vLLM-Omni gärna skulle serva den när den väl är det. Läs det svaret två gånger och du har formen på hela lanseringen, för det innehåller båda halvorna av berättelsen på en gång – ett genuint kapacitetsframsteg, och en frånvaro som ett serveringsramverk omedelbart lägger märke till.

Fish Audio Live 3 är en full-duplex talspråksmodell: den fortsätter lyssna medan den genererar tal, och den säljs som produktionsklar från dag ett via Fish Audios Agent Platform, via företagets egen API och som en lokal driftsättning för företag. Det den inte är, är nedladdningsbar. Inga vikter, ingen licens, inget repository och – från och med den 11 november – ingen modellidentifierare i Fish Audios API-dokumentation, som fortfarande listar s2.1-pro, s2.1-pro-free, s2-pro, s1 och tre transkriberingsmodeller och inget som heter Live 3. Alla prestandasiffror nedan är Fish Audios egna och ingen av dem har reproducerats oberoende.

Vad som släpptes, och vad "produktionsklar" gör i den meningen

Det tekniska påståendet i tillkännagivandet är snävare och mer intressant än marknadsföringsraden. Fish Audio säger att modellen hanterar samtalsdynamik inuti talmodellen snarare än över en pipeline av separata steg för igenkänning, resonemang och generering, och att den har lärt sig när den ska bekräfta, vänta, svara eller avbryta utifrån inspelade mänskliga samtal snarare än från handskrivna tystnadströsklar. Ett separat resonemangslager håller agentens instruktioner och verktyg. Tre exempelsamtal medföljer inlägget – slutföra en beställning, göra ett inpass och ge samtalsstöd under en uppläsning – och de är det närmaste man kommer bevis i utskicket.

Det som "produktionsklar" innebär i praktiken är att det kommersiella skalet finns på lanseringsdagen: en självbetjäningsplattform med en kredit på 5 dollar och utan kort, en dokumenterad agentbyggare, telefoni och ett lokalt on-premises-alternativ för företag. Det betyder inte att modellen har genomgått något som en köpare skulle kalla acceptanstestning. Det finns ingen publicerad utvärdering av något slag – ingen ordfelsfrekvens, ingen uppgiftsframgång, ingen poäng för turtagning, ingen latensfördelning. Det är inte ovanligt för en talmodell på dess första dag, men det är värt att säga rakt ut, eftersom ett lanseringsinlägg som inleder med millisekunder får läsarna att behandla en undre gräns som en mätning.

Tre nummer, och endast två av dem kommer från Fish Audio

• Reaktionshastighet – 186 millisekunder, Fish Audios egen siffra, beskriven i samband med korta reaktioner som ett "mm-hmm" eller en snabb bekräftelse medan det fullständiga svaret förbereds. Det är en undre gräns för en bekräftelse, inte en tid till första ljud för ett svar.

• Pris — 0,035 USD per minut på Agent Platform, marknadsfört som 50 % rabatt på ett listpris på 0,07 USD, med erbjudandet som uppges gälla till 31 december 2026. Den minuttaxan omfattar taligenkänning, resonemangsmodellen och rösten; premium-LLM-token debiteras enligt sin egen tokenavgift, telefonsamtal kostar ytterligare 0,01 USD per minut och telefonnummer kostar 1,20 USD per månad.

Oberoende poäng — noll. Artificial Analysis driver en tal-till-tal-tavla som rankar Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime och ett dussin andra utifrån resonemang, samtalsdynamik, uppgiftsframgång och tid till första ljud. Vid en kontroll den 11 november 2026 finns det ingen Fish Audio-duplexrad alls på den tavlan.

De två första siffrorna är de som en köpare kan agera på. Den tredje är den som en köpare så småningom kommer att behöva, och det är anledningen till att priset förtjänar en andra titt snarare än en första: en kampanjränta med ett publicerat slutdatum är inte en kostnadsmodell, det är en kostnadsuppskattning med ett utgångsdatum tryckt på sig.

Varför ett serveringsramverk bryr sig om en sluten modell

vLLM-Omnis intresse är inte sentimentalt. Serveringsramverk finns för att köra vikter som du kan ladda, på hårdvara som du kontrollerar, till en marginalkostnad som är din elräkning snarare än någon annans minutmätare. En sluten modell är ingen kund för det. Erbjudandet i det svaret läses därför bäst som en begäran riktad till en framtida release: publicera checkpointen och det finns en inferensväg som väntar på den.

Det som gör frånvaron påtaglig snarare än oundviklig är Fish Audios egen historik. Företaget har tidigare släppt öppna vikter — Fish Audio Drama 3, dess uttrycksfulla text-till-tal-modell, finns tillgänglig som en nedladdningsbar checkpoint och har utvärderats i talarenor för öppna vikter. Så den slutna distributionen här framstår som ett produktbeslut om live-agentverksamheten, inte som en företagspolicy om öppenhet. Alternativet med lokal drift gör frågan ännu grumligare: företag kan köra Live 3 inom sin egen perimeter, vilket inte är samma sak som att kunna läsa, finjustera eller återhosta den, och Fish Audio har inte sagt vilka av dessa delar on-prem-avtalet omfattar.

Den engelskspråkiga raden står bredvid ett påstående om "30+ språk"

Två meningar på Fish Audios egna sidor drar åt olika håll. Meddelandet säger uttryckligen att Live 3 talar engelska i dag. Agent Platform-sidan, på samma webbplats, annonserar 2 000 000+ röster över 30+ språk och en uppringare "som får svar på sekunder, dag eller natt, på uppringarens språk." Båda kan vara sanna samtidigt — ett stort flerspråkigt röstbibliotek och ett lager för taligenkänning kan täcka trettio språk medan duplexmodellen under talar ett — men bara en av dessa meningar beskriver det du köper när du köper Live 3. Om dina uppringare inte talar engelska är den intressanta frågan inte vad plattformen kan uttala utan när duplexmodellen kommer ikapp.

Vad du kan ringa i dag, och genom vad

Åtkomst sker via Fish Audios eget API och Agent Platform, medan on-premises-alternativet är reserverat för företagsavtal. Det finns ingen servering av modellen från tredje part, vilket är den direkta följden av den saknade checkpointen: du kan inte hyra Live 3 från en infrastrukturleverantör eftersom det inte finns någon artefakt att distribuera. Den som beskriver modellen som "tillgänglig via partnerplattformar" beskriver plattformens röstbibliotek, inte duplexmodellen.

Den hälft av en agentstack som är portabel är resonemangshälften, och på Agent Platform är den hälften en separat rad på fakturan. Det är där en router gör nytta, snarare än som ett sätt att nå talmodellen: OrcaRouter har fler än 200 modeller bakom en enda nyckel till leverantörens listpris utan påslag, så textmodellen som utför tänkandet kan bytas ut, låsas eller felväxlas utan att röra talavtalet, och automatisk felväxling håller ett samtal vid liv när resonemangsbackenden ger fel eller får timeout. Fish Audio Live 3 finns inte med på den listan — det finns inget att hosta — och ingen del av den här texten bör läsas som ett påstående om motsatsen.

Vad skulle förändra det här stycket?

Fyra händelser, i ungefärlig ordning efter hur mycket de skulle förändra bilden. En checkpoint, vilket är vad vLLM-Omni-svaret efterfrågar och vad som skulle placera Live 3 på samma hylla som Drama 3. En rad på en oberoende tal-till-tal-tavla, vilket skulle förvandla 186 millisekunder från ett påstående till en datapunkt med kontext. En publicerad modellsträng och taxa i Fish Audios egen API-dokumentation, vilket skulle göra saken citerbar i ett upphandlingsdokument. Och 1 januari 2027, då den rabatterade taxan på 0,035 dollar antingen överlever eller inte.

Fram till dess är den ärliga sammanfattningen att Live 3 är den mest intressanta röstmodellen som släppts den här veckan och den minst dokumenterade: ett verkligt arkitektoniskt argument för var turtagning bör ligga, inlindat i en kommersiell produkt som har publicerat sitt pris och inget annat. Det är en rimlig sak att släppa. Det är ännu inte en sak som går att utvärdera, och skillnaden mellan de två meningarna är precis vad ett serving framework, ett oberoende benchmark och ett inköpsteam var och en väntar på.