Fish Audio Live 3 talar ett språk. Gemini 3.8 Live talar 97 och vattenmärker varje sekund.

Fish Audio Live 3 och Gemini 3.8 Live är överens om den viktiga idén och oense om nästan allt annat. Båda lägger turtagningen i talmodellen i stället för i en pipeline av separata delar. Live 3, som tillkännagavs 2026-11-10, för fram poängen beteendemässigt: en paus mitt i ett telefonnummer är inte samma händelse som pausen i slutet av en fråga, och modellen kan välja att svara på så lite som 186 millisekunder, en siffra som Fish Audio rapporterar och som ingen har granskat. Gemini 3.8 Live, som tillkännagavs 2026-09-15, svarar på samma problem med dokumentation – 97 språk med växling mitt i samtalet, en SynthID-vattenstämpel på varje sekund av genererat ljud, ett publicerat modellkort, två dokumenterade API-modell-ID:n och en rad hos Artificial Analysis som visar 76.0 på Speech to Speech Index med alla fyra komponenter ifyllda.

Det är den asymmetrin, inte latenssiffran, som avgör den här jämförelsen. En av dessa modeller kan skrivas in i ett upphandlingsdokument i dag och försvaras rad för rad; den andra måste instrumenteras av teamet som inför den. Och under detta finns en skarpare poäng: det beteende som Live 3 säljer är inte den dimension där Gemini 3.8 Live är starkast, och det är inte heller en dimension som Live 3 har poängsatts på – så för närvarande avgörs matchen av vad du kan verifiera snarare än av vilken modell som hanterar ett telefonsamtal bättre.

Täckningsgapet är inte en fotnot

Börja med vad varje modell kommer att göra utanför en demo, eftersom det här avsnittet för de flesta köpare avslutar utvärderingen innan de intressanta frågorna ens ställs.

• Språk — Gemini 3.8 Live stöder 97 språk och växlar automatiskt mellan dem mitt i en konversation. Fish Audio säger rakt ut att Live 3 endast är på engelska vid lanseringen. En bokningslinje i Madrid, en supportkö i São Paulo och en inkassoavdelning i Warszawa är inte driftsättningar av Live 3 det här kvartalet.

• Proveniens — varje sekund av ljud som Gemini 3.8 Live genererar bär Googles SynthID-vattenstämpel, och båda Gemini-röstvarianterna dokumenteras i ett modellkort som publicerats under namnet gemini-3-8-audio. Fish Audios tillkännagivande säger ingenting om vattenmärkning eller proveniensmetadata för Live 3. Om din jurisdiktion är på väg mot krav på att avslöja syntetiska röster, dyker den skillnaden upp som en juridisk fråga snarare än en ingenjörsfråga.

• Identifierare – Google publicerar gemini-3.8-live och gemini-3.8-live-extended-thinking som anropbara modell-ID:n via Gemini API, Live API och AI Studio. Fish Audios tillkännagivande namnger Live 3 men publicerar ingen modellidentifierare och ingen dokumentation för slutpunkter per modell för den.

• Icke-ljudindata – Gemini 3.8 Live bearbetar visuell indata nästan i realtid, utöver det kamera- och skärmdelningsstöd som produktlinjen redan hade. Live 3 är ljud in, ljud ut.

• Företagsväg — Googles väg är privat förhandsversion i Gemini Enterprise, med utgåvan för kundupplevelse listad som kommer snart. Fish Audios är Agent Platform, för närvarande i offentlig beta, plus lokal driftsättning för företagskunder — vilket är ett genuint annorlunda erbjudande, och det enda stället i den här listan där den mindre leverantören har det starkare svaret för en köpare som inte kan skicka ljud till ett offentligt moln.

Vad indexet kan se, och vad det inte kan se

Artificial Analysis bygger sitt Speech to Speech Index som en likaviktad sammansättning av talresonemang, agentisk prestation, arena-preferens och uppgiftsframgång, och poängsätter ett helt system snarare än en enskild modell. Gemini 3.8 Live:s rad är komplett: index 76,0, Big Bench Audio 92 %, tid till första ljud 1,18 sekunder, uppgiftsframgång 93,2 %, samtalsdynamik 96,1 %, arena-Elo 1 083 och 30,1 % på τ-Voice-benchmarken för kundtjänstuppgifter. Live 3 har ingen rad alls per 2026-11-11; resultattavlan listar Fish Audio som en modellfamilj och poängsätter inget av dess duplexarbete.

Titta noga på två av dessa komponenter, för de säger något som rubriken inte gör. Gemini 3.8 Live:s 96,1 % på samtalsdynamik är den högsta siffran i dess rad och den närmaste publicerade approximationen för det Live 3 säljer – en turordningsbaserad modell som ligger nära toppen på ett mått för turtagning. Dess 30,1 % på τ-Voice är den lägsta siffran i raden och anledningen till att modellen ligger femma i stället för etta: den samtalar bra men slutför sällan uppgifter. Googles egen lösning på det var en andra variant, Gemini 3.8 Live Extended Thinking, som når 68,6 % på samma test och tar förstaplatsen på indexet med 82,6 – för ungefär fyra gånger så hög ljudkostnad per timme.

Lärdomen av den här jämförelsen är obehaglig för båda leverantörerna. Konversationsdynamik och naturlig turtagning är inte samma mätning, vilket är precis varför 96,1 % på den ena och ett icke-poängsatt påstående på den andra inte kan ställas mot varandra. Live 3:s argument är att dess beteende är bättre än en turbaserad modells i en specifik situation – en uppringare som pausar mitt i ett nummer, eller mumlar instämmande medan agenten läser tillbaka en order. Tills någon kör det i en turtagningsrigg är den ärliga hållningen att Live 3 gör ett påstående om ett scenario som de publicerade resultattavlorna inte isolerar.

Proveniens, och frågan en granskare kommer att ställa

Röst är den enda modaliteten där ett compliance-team frågar om utdata innan det frågar om priset. Gemini 3.8 Live har ett svar redo: SynthID-vattemärkning på genererat ljud, ett namngivet modellkort och en leverantör med en publicerad hållning till ansvarsfull användning bakom båda. Live 3 har ett tillkännagivande som är ovanligt precist om samtalsbeteende och helt tyst om hur en lyssnare eller en detektor skulle kunna skilja dess utdata från en inspelning.

Det är inte ett skäl att undvika Live 3, och det är ett skäl att ställa Fish Audio en direkt fråga innan du driftsätter det på en linje som spelar in samtal. Huruvida ljudet är vattenmärkt, huruvida sessioner skapar en transkription eller en granskningspost, och vilken lagringspolicy som gäller för båda är de tre punkter som en granskare vill ha skriftligt. Fish Audio har dokumenterat plattformens sessionstokenautentisering och dess /v1/agent/* REST-yta, så mekanismerna finns för att besvara alla tre — företaget har helt enkelt inte publicerat svaren, och en dag efter lansering är det normaltillståndet snarare än en varningsflagga.

Priset som finns och det som inte finns

Gemini 3.8 Live publiceras till 0,005 USD per minut för ljudinmatning och 0,018 USD per minut för ljudutmatning via Live API. Ett femminuterssamtal med kontinuerlig utmatning kostar därför drygt elva cent i röstkostnad, före eventuella kostnader för backendmodellen. Artificial Analysis omvandlar Googles priser till en timkostnad utifrån en fast delmängd på fyrtio frågor, och den härledda kolumnen har förändrats mellan mätningarna – 0,84 USD i timmen för standardmodellen i resultattavlan för 16 september, 1,50 USD i en senare. Båda är omräkningar, inte prisuppgifter; minutpriserna är det tal som budgeteringen bör utgå från.

Live 3 har inget pris. Fish Audios prislista anger drama-3 till 50 USD per miljon UTF-8-byte, s2.1-pro och s2-pro till 15 USD, s2.1-pro-free till noll samt s1 till 15 USD med ett avvecklingsdatum 2026-12-31, plus tre tal-till-text-modeller och voice-design-1 för en cent per begäran. Live 3 finns inte med på den. Ett duplexagentanrop har inte heller någon naturlig byte-räkning — ljudet in är vad den som ringer säger — så till och med mätarens utformning är opublicerad. Varje kostnadsmodell för Live 3 som skrivs i dag är en gissning, och gissningen bör märkas som en sådan i vilket dokument den än hamnar i.

Vad som ligger bakom rösten

Ingen av modellerna utgör hela systemet, och skarven är densamma på båda sidorna. Gemini 3.8 Live kör bakgrundsexekvering av verktyg och API:er, bekräftar en begäran och fortsätter att tala medan anropet slutförs – och det arbetet landar i vanliga modellanrop med vanliga tokenkostnader. Live 3:s Agent Platform exponerar en custom-LLM-krok som riktar en agents resonemang mot valfri OpenAI-kompatibel endpoint. I båda fallen är talmodellen ett gränssnitt och en textmodell gör tänkandet.

Det lagret är där en router förtjänar sin plats, och det är det enda lagret i någon av stackarna där byte är billigt. OrcaRouter har 216 modeller bakom en enda nyckel till leverantörens listpris utan påslag, så en prissänkning uppströms slår igenom samma dag i stället för vid nästa avtalsförnyelse, automatisk failover håller ett anrop vid liv när en backend får fel eller timeout, en routing-DSL avgör vilken modell som hanterar vilken typ av samtalstur, och modellfusion låter en billig modell ta fram ett verktygsanrop medan en starkare kontrollerar det innan det körs. För att vara exakt om gränsen: OrcaRouter är inte värd för Fish Audio Live 3 eller röstslutpunkten Gemini 3.8 Live. Ingen av dem har en tredjeparts röstslutpunkt, och talskiktet i någon av stackarna stannar hos sin leverantör. Resonemangslagret är den del som är portabel, och för en stack som byggts på en modell med förhandspris från en leverantör och en betaplattform från en annan är portabilitet egenskapen som överlever nästa version.

Vad var och en egentligen är till för

Välj Gemini 3.8 Live om din produkt är global, om ljudet lämnar din infrastruktur och någon kommer att kräva att du visar var det kom ifrån, eller om du behöver att agenten kan se en skärm eller en kamera. Den har resultatkortet, vattenmärket, språken, det publicerade priset och modell-ID:t. Dess svaghet är slutförande av uppgifter på 30,1 % på τ-Voice, och lösningen Google säljer för det är varianten Extended Thinking till fyra gånger timkostnaden.

Pilot Fish Audio Live 3 om dina samtal är på engelska, dina infrastrukturrestriktioner utesluter ett publikt moln och din klagomålslogg är full av uppringare som blir överröstade eller upprepar siffersekvenser. Driftsättning på plats är en verklig fördel här, och en som Google inte erbjuder. Räkna med att bygga utvärderingen själv: det finns ingen poäng att jämföra mot, inget publicerat pris att prognostisera och ingen vattenstämpel att peka på.

Behandla inte 76,0 som en dom över turtagning. Det är ett sammansatt mått som lägger stor vikt vid slutförande av agentiska uppgifter, och Gemini 3.8 Live är svag just där. Siffran som skulle avgöra den här matchningen är en turtagningspoäng för Live 3 i samma testramverk som alla andra mäts i — och tills den finns jämförs de två modellerna utifrån dokumentation i stället för beteende.