Fish Audio Live 3 vs GPT-Live-1: Båda är halva produkter, och mätaren visar vilken halva

Fish Audio Live 3 och GPT-Live-1 är båda full-duplex-röstmodeller, båda argumenterar för att turtagning hör hemma i röstmodellen, och båda är i sig ofullständiga. GPT-Live-1 lyssnar och talar och överlämnar sedan tänkandet till en separat backend-modell – det är dess design, inte en begränsning – och den debiterar $0,05 per röstminut för den första halvan medan resonemanget kommer in på en andra mätare. Fish Audio Live 3 gör strukturellt sett samma sak: röstlagret körs på Fish Audios Agent Platform medan agentens resonemang kan peka mot vilken OpenAI-kompatibel endpoint som helst via custom-LLM-kroken. Skillnaden är att OpenAI har publicerat priset för den första halvan och Artificial Analysis har publicerat hela systemets poäng, medan Fish Audio inte har publicerat någotdera, och betecknar det enda nummer den faktiskt anger – 186 millisekunder, det kortaste intervallet under vilket Live 3 kan besluta sig för att reagera – som leverantörsrapporterat.

Det gör detta mindre till en tävling mellan två modeller än en tävling mellan två sätt att dela en röstagent på mitten, och delningen spelar större roll än modellen. GPT-Live-1 fick 81,5 på Artificial Analysis Speech to Speech Index när den kombinerades med GPT-6 Astra vid medelhög ansträngning och 80,1 med GPT-5.6 Sol vid låg ansträngning, vilket innebär att valet av backend flyttade resultatet med sju gånger marginalen mellan första- och andraplats. Live 3:s motsvarande siffra finns inte ännu. Att köpa endera är att köpa ett halvt system och förbinda sig att välja den andra halvan själv.

Vad varje leverantör faktiskt publicerade

GPT-Live-1 är den bättre dokumenterade produkten, och dokumentationen är specifik om skarven. Den släpptes i ChatGPT den 2026-07-08 som ersättning för Advanced Voice Mode och nådde utvecklar-API:et den 2026-09-10. Artificial Analysis-tavlan har två rader för den eftersom indexet poängsätter ett helt system: 81,5 med GPT-6 Astra vid medelhög ansträngning, första plats, och 80,1 med GPT-5.6 Sol vid låg ansträngning, tredje plats. Komponentsiffrorna under Astra-raden är 67,9 % agentisk poäng på τ-Voice, 90 % på Big Bench Audio, 87,4 % uppgiftsframgång, en arena-Elo på 1 048 och 1,34 sekunder till första ljudet — mätt mot OpenAIs egna 0,798 sekunder på Full-Duplex-Bench, som räknar en annan händelse.

Live 3:s publicerade yta är ett stycke och en uppsättning genomarbetade exempel. Fish Audio tillkännagav det 2026-11-10, beskriver det som full duplex och tränat på inspelade mänskliga samtal, anger att det kan besluta sig för att svara på så lite som 186 millisekunder för korta reaktioner, säger att det endast finns på engelska vid lansering och erbjuder det via Fish Agent Platform, Fish Audios egen API och on-premises-drift. Det finns ingen benchmark, ingen τ-Voice-siffra, ingen arena-Elo och ingen rad för det på Fish Audios prislista – som listar drama-3, s2.1-pro, s2.1-pro-free, s2-pro och s1, plus tre transkriberingsmodeller och voice-design-1.

• Främre halvan — GPT-Live-1: 0,05 USD per röstminut, faktureras per sekund, med 15 sekunder debiterade vid sessionens start och krediterade mot senare användning. Live 3: pris ej publicerat.

• Bakre halvan – GPT-Live-1: en asynkron backendmodell som du väljer själv, debiterad enligt den modellens priser, med GPT-5.6 Terra i OpenAI:s publicerade WebRTC-exempel. Live 3: en anpassad LLM-krok som pekar mot valfri OpenAI-kompatibel endpoint, som även den debiteras av den som tillhandahåller den.

• Oberoende poäng — GPT-Live-1: 81,5 och 80,1 på det sammansatta indexet, två konfigurationer poängsattes separat. Live 3: ingen, per 2026-11-11.

• Transport och gränser — GPT-Live-1: endast WebRTC, ingen bild- eller videoinmatning, inga strukturerade utdata, ingen gratisnivå och gränser för samtidighet på 25, 50, 200, 300 och 500 samtidiga sessioner för nivåerna 1 till 5. Live 3: REST under /v1/agent/* med JavaScript- och React-SDK:er, autentisering med sessionstoken, kanaler för ett telefonnummer, en webbwidget eller en anpassad klient.

Varför tvåmetersstrukturen är det egentliga beslutet

En röstagents faktura har två halvor och bara en av dem är förutsägbar. Den främre halvan mäts i tid: vid $0,05 per minut kostar ett femminuterssamtal en kvarts dollar och en timme öppen linje kostar tre dollar, vilket är aritmetik som är enkel nog att förutse. Den bakre halvan mäts i tokens, varierar med hur hårt den som ringer tänker, och är den halva som ger de obehagliga överraskningarna – vilket är varför Artificial Analysis rapporterar en all-in-kostnad per timme i stället för en röstpris per minut. Dess siffra är $5,83 i timmen för Astra-kombinationen och $4,47 för Sol-kombinationen, båda inklusive backend-arbete, mot de $3,00 i timmen som enbart röstmätaren skulle antyda.

Live 3 har samma tvåmätarform med en mätare dold. Fish Audio har inte publicerat någon taxa för talskiktet, så den främre halvan är okänd, och den bakre halvan är vad än den slutpunkt som ligger bakom custom-LLM-kroken tar betalt. Ett tio minuter långt Live 3-samtal har därför bara en beräkningsbar kostnad om du känner till båda siffrorna, och i dag känner du inte till någon av dem från leverantören.

Den asymmetrin är anledningen till att ett routningslager överhuvudtaget förekommer i den här jämförelsen, och det hör bara hemma på den bakre halvan. OrcaRouter är inte värd för Fish Audio Live 3 eller GPT-Live-1 — ingen av dem har någon röstendpoint från tredje part, och tallagret i endera stacken stannar hos sin leverantör. Det OrcaRouter är värd för är den halva som båda systemen delegerar till: 216 modeller bakom en enda nyckel till leverantörens listpris utan påslag, automatisk failover när en backend ger fel eller får timeout, en routnings-DSL som avgör vilken modell som hanterar vilken typ av interaktion, och modellfusion så att en billig modell kan utforma ett verktygsanrop medan en starkare modell kontrollerar det innan det körs. För en GPT-Live-1-distribution är den praktiska effekten att spridningen på 1,4 punkter mellan de två poängsatta konfigurationerna blir något du kan mäta på din egen trafik i stället för att läsa av från en resultattavla. För en Live 3-distribution innebär det att resonemangslagret väljs innan tallagrets pris ens är känt — vilket är rätt ordning, eftersom det är den halva du kan ändra senare.

Latenssiffran som hela tiden jämförs med fel sak

Tre latenssiffror cirkulerar i den här jämförelsen och inte två av dem mäter samma händelse. GPT-Live-1:s 0,798 sekunder kommer från Full-Duplex-Bench, en svit för samtalsdynamik som mäter tiden för en modell i ett turtagningsscenario. Dess 1,34 sekunder är tid till första ljud, mätt på API:et. Live 3:s 186 millisekunder är Fish Audios egen siffra för det minsta intervall under vilket modellen kan välja att avge en kort reaktion som ”mm-hmm” eller ”okej, 415” mellan delarna i ett telefonnummer.

Läser man dem tillsammans är det frestande att dra slutsatsen att Live 3 svarar på en sjundedel av tiden. Den slutsatsen stöds inte av något som någon av leverantörerna har publicerat. Den enda jämförelse siffrorna medger är riktningsgivande: båda företagen hävdar att den första hörbara händelsen i ett samtal kan inträffa inom en kvarts sekund under vissa förhållanden, och ingen av dem har publicerat en fördelning. Det GPT-Live-1 har som Live 3 inte har är en tredjepartsrigg som tillämpar samma mätning på den och på dess konkurrenter, vilket är det som gör 1,34 sekunder till ett tal som en granskare kan kontrollera och 186 millisekunder till ett tal som en pilot måste verifiera.

Vad arkitekturen förpliktar dig till

De två halvorna är inte lika portabla, och det är den delen som är värd att fundera över innan någon av piloterna startar.

På GPT-Live-1-sidan är röstlagret i praktiken fastlåst. Sessioner körs över WebRTC i stället för den WebSocket-transport som de flesta befintliga Realtime-integrationer använder, Live Sessions-slutpunkten är OpenAI:s egen, och att prova den äldre vägen med ett GPT-Live-modell-ID returnerar ett fel som säger att sessioner kräver WebRTC. Att gå över till det är en omskrivning av transporten. Att gå bort från det är en annan.

På Live 3-sidan är tallagret låst på ett annat sätt: det är en betaplattform från en mindre leverantör, endast engelska, utan publicerat pris och utan oberoende betyg. Det som är portabelt där är resonemangskroken, och det som inte är det är allt under den – ljudvägen, telefonnumret, sessionslivscykeln.

I båda fallen är den mobila halvan resonemangsmodellen, och det är där ett byte är en ändring av modell-ID snarare än ett integrationsprojekt. Designlärdomen är densamma på båda sidor av den här jämförelsen: lägg intelligensen i lagret du kan byta ut, och håll lagret du inte kan byta ut så tunt som produkten tillåter.

Vilken halva ska köpas först

Köp GPT-Live-1-delen först om du behöver motivera beslutet nu. Den har en publicerad taxa, två poängsatta konfigurationer, en komponentuppdelning, en dokumenterad transport och en samtidighetsstege som du kan dimensionera ett callcenter mot. Det den inte har är en videoväg, strukturerade verktygsutdata, en gratisnivå eller någon oberoende reproduktion av OpenAIs eget påstående om 80,1 % interaktivitet.

Pilottesta Live 3-halvan först om dina samtal är på engelska, din klagomålslogg är full av uppringare som blir nedpratade och on-premises-driftsättning är ett krav snarare än en preferens. Gå in med vetskapen att du är utvärderingen: ingen rad på prislistan, ingen siffra för τ-Voice, ingen arena-poäng och ett påstående om 186 millisekunder som beskriver korta reaktioner snarare än svar.

Köp inte någon av halvorna med förväntan att leverantören ska färdigställa produkten. GPT-Live-1 utan en backend är en mycket bra lyssnare utan något att säga; Live 3 utan en resonemangsendpoint bakom sin hook är ett betaspråklager med en opublicerad faktura. Poängen som avgör den här duellen – 81,5 mot ingenting – är egentligen ett uttalande om dokumentationen, och siffran som kommer att avgöra saken är den första oberoende turtagningskörningen på Live 3.