Fish Audio Live 3 vs Eleven Realtime v1 Max: 186 ms och 0,57 s är inte samma mätning

Fish Audio Live 3 och Eleven Realtime v1 Max är båda full-duplex-röstmodeller, båda lanserades inom fyra veckor från varandra och båda säljs med påståendet att turtagningen hör hemma inuti talmodellen snarare än i en pipeline av separata delar. Fish Audio säger att Live 3 kan besluta sig för att svara på så lite som 186 millisekunder. ElevenLabs Realtime v1 Max börjar prata på 0,57 sekunder. Sida vid sida ser dessa två siffror ut som en trefaldig vinst för den nyare modellen, och den tolkningen är fel på ett sätt som är värt att förstå innan någon skriver under ett kontrakt.

Siffrorna mäter olika händelser. Live 3:s 186 millisekunder är Fish Audios egen siffra för korta reaktioner – ett "mm-hmm", ett "okej, 415" mellan delarna i ett telefonnummer – inte för ett fullständigt svar. Max 0,57 sekunder är en uppmätt tid till första ljud för själva svaret, tagen från Artificial Analysis Speech to Speech-harness. Det ena är ett leverantörsrapporterat lägsta värde för en bekräftelse; det andra är en granskad latens för ett svar. Subtraherar man dem får man ett tal som inte betyder något, vilket är den användbara utgångspunkten för den här jämförelsen.

Vad varje leverantör faktiskt har publicerat

Eleven Realtime v1 Max lanserades 2026-10-20 med ett fullständigt scorecard. Artificial Analysis betygsätter den på Big Bench Audio (98,8 %), tid till första ljud (0,57 s), framgångsgrad för uppgifter (87,1 %), samtalsdynamik i Full-Duplex-Bench (94,1 %) och Arena-preferens (997 Elo). Den har inget Speech to Speech-index eftersom det agentiska τ-Voice-testet bakom det indexet inte har körts på den, och den får inte heller någon siffra för kostnad per timme från ElevenLabs – $4,80 i timmen på resultattavlan är en omvandling av ElevenLabs priser per minut för agent och API, inte ett publicerat listpris för enbart modellen.

Fish Audio Live 3 lanserades den 2026-11-10 med ett beteendeargument och nästan inga siffror. Den publicerade ytan är tillräckligt liten för att kunna beskrivas fullständigt.

• Reaktionshastighet — 186 millisekunder, enligt leverantörens uppgifter, beskrivet i sammanhanget av korta reaktioner snarare än fullständiga svar.

• Oberoende poäng — inga. Artificial Analysis har ingen rad för Live 3 på sin Speech to Speech-tavla per 2026-11-11; Fish Audio förekommer där som en modellfamilj, inte som en poängsatt duplexpost.

• Pris — inte publicerat. Fish Audios prislista tar upp drama-3, s2.1-pro, s2.1-pro-free, s2-pro och s1, samt tre tal-till-text-modeller och voice-design-1. Live 3 saknas i den.

• Språk — endast engelska vid lansering, enligt tillkännagivandet.

• Distribution — Fish Agent Platform, Fish Audios eget API och on-premises-driftsättning för företagskunder.

Arkitektur — full duplex, tränad på inspelade mänskliga samtal så att bekräfta, vänta, svara och stoppa är inlärda beteenden.

ElevenLabs publicerade yta är spegelbilden: ett komplett scorecard och ett ogenomskinligt enhetspris. Max har alla rader utom indexet och τ-Voice-testet, och ElevenLabs säljer det inte som ett fristående pris per minut – i ElevenAgents betalar du standardagentavgiften plus tokens till Realtime-priset, och via Realtime API betalar du per minut av anslutet ljud plus tokens.

Beteendeargumentet, som är den verkliga konkurrensen

Båda leverantörerna beskriver samma feläge och föreslår samma strukturella åtgärd, vilket gör jämförelsen ovanligt ren på idénivå. ElevenLabs säger att igenkänning, turtagning, resonemang och röstgenerering i Realtime trimmas som ett enda system i stället för att samordnas mellan delarna, och deras dokumenterade exempel på vinsten är backchannel: Mini beskrivs upptäcka om en talare har talat färdigt eller bara inflikar ett "mm-hmm". Fish Audios version av samma påstående är ett telefonnummer som läses upp i bitar – "415… 555… 0132" – där Live 3 kan svara "mm-hmm" eller "okej, 415" mellan dem och vänta på resten.

Där de skiljer sig åt är i vad de låter dig behålla. Eleven Realtime säljs på två sätt: inom ElevenAgents och via ett Realtime-API som är protokollkompatibelt med OpenAIs händelseprotokoll på wss://api.elevenlabs.io/v1/convai/realtime, och att välja en Realtime-modell inom ElevenAgents innebär att ElevenLabs hanterar LLM, resonemangsansträngning, tankebudget, parallella verktygsanrop, TTS-modell och ASR-leverantör. Fish Audios Agent Platform, som för närvarande är i offentlig beta, intar motsatt hållning i resonemangslagret: en agents anpassade LLM kan peka mot en OpenAI-kompatibel slutpunkt, så du väljer själv modellen som tänker.

Den skillnaden avgör fler driftsättningar än latenssiffrorna gör. Om du vill att leverantören ska äga hela stacken och är beredd att avstå från custom-LLM- och Bedrock-vägar är ElevenAgents den kortare vägen. Om resonemangslagret är där din produkt differentierar sig – hämtning, policykontroller, verktygsorkestrering – är custom-LLM-kroken på Fish-sidan funktionen som överlever upphandlingen.

Kostnad, och varför Live 3-kolumnen är tom

Max kostar $4,80 för en timmes inmatningsljud i Artificial Analysis-konverteringen, mot $0,84 för den billigaste starka duplexkonkurrenten på den listan. Det gör priset till den axel där en ny aktör snabbt kan vinna en affär, och det är exakt den axel på vilken Live 3 för närvarande inte kan utvärderas. En kostnad per anrop för en Live 3-driftsättning kan inte beräknas utifrån något som Fish Audio har publicerat, eftersom faktureringsenheten inte är publicerad.

Det Fish Audio faktiskt publicerar är ett prisblad för sina andra modeller, och det är värt att känna till dess upplägg eftersom det visar hur företaget prissätter tal. Talsyntes faktureras per UTF-8-byte av inmatad text, och Fish Audios egen dokumentation anger att en miljon UTF-8-byte är ungefär 180 000 engelska ord eller omkring tolv timmars tal. Med drama-3:s listpris på 50 dollar per miljon byte motsvarar det ungefär 4,17 dollar per timme genererat tal, eller omkring 0,83 dollar under lanseringskampanjen som pågår till och med 2026-11-30. Det är härledda siffror för en annan produkt, inte prissättningen för Live 3, och duplexagentminuter är inte samma enhet som syntetiserat tal – men de placerar Fish Audios prisskala i samma intervall på 1–5 dollar per timme som resten av marknaden snarare än en storleksordning under den.

Det här är avsnittet där ett routinglager visar sitt värde på båda sidor. OrcaRouter tillhandahåller inte Fish Audio Live 3 eller Eleven Realtime v1 Max — ingen av dem har någon tredjepartsändpunkt, och tal lagret i endera stacken stannar hos sin leverantör. Det OrcaRouter tillhandahåller är det resonemangslager som var och en av dem kan riktas mot: 216 modeller bakom en enda nyckel till leverantörens listpris utan påslag, automatisk failover när en leverantör får fel, och ett routing-DSL som avgör vilken modell som hanterar vilket anrop. Den praktiska konsekvensen är att tokenprislistan hos någon av leverantörerna inte blir en inlåsning. Om ElevenLabs ändrar priset på Realtime, eller Fish Audio publicerar Live 3 med ett pris per byte, ändras talräkningen men inte resonemangsräkningen, eftersom resonemangsräkningen aldrig från början var knuten till någon av leverantörerna.

Vilken ska man bygga vidare på nu?

Bygg på Eleven Realtime v1 Max idag om du behöver försvara ett tekniskt val inför någon som kommer att begära ett benchmark. Det har ett granskat scorecard, ett dokumenterat händelseprotokoll och en uppmätt latens som en granskare kan kontrollera. Det okända med Max är priset per timme vid volym, inte kvaliteten.

Pilot Fish Audio Live 3 om din agents klagomålslogg är full av uppringare som blir överröstade, och om du är beredd att själv mäta förbättringen. Siffran 186 millisekunder kan inte jämföras med Max 0,57 sekunder, modellen har ingen oberoende poäng för turtagning, och dess listpris finns inte ännu — så en pilot måste struktureras som ett instrumenterat A/B-test mot din nuvarande agent, inte som ett inköpsbeslut utifrån ett specifikationsblad.

Betrakta inte 186 millisekunder som ett latenspåstående som du kan hålla någon till svars för. Det är ett leverantörspåstående om hur snabbt modellen kan välja att åstadkomma ett kort ljud. Det tal du faktiskt bryr dig om – hur lång tid det tar innan den som ringer hör första stavelsen i svaret – har inte publicerats för Live 3 av någon. När det väl publiceras blir jämförelsen med Max en verklig sådan, och fram tills dess är det ärliga svaret på "vilken är snabbare" att en av dem är uppmätt och den andra beskriven.