Fish Audio Live 3 vs Grok Voice 3.0: Det ena priset är ett paket och det andra är en komponent

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.

Resultattavlan som endast finns på ena sidan

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.

• Talresonemang, Big Bench Audio — 98,5 %

• Konversationsdynamik, Full Duplex Bench – 97,0 %, med backchannelling 92,9 %, avbrottshantering 96,5 %, turväxling 100 % och paushantering 98,5 %.

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

• Uppgiftsframgång — 94,8 % i τ-Voice-scenarierna för flygbolag, detaljhandel och telekom.

• 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.

• Kostnad per timme för indataljud — 4,80 USD, en direkt omräkning av leverantörens eget minutpris.

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.

Vad varje sidas duplexanspråk faktiskt innebär

Båda modellerna är full duplex, så "lyssnar medan den talar" är inte något som skiljer dem åt; det är inträdesbiljetten. Skillnaden är varifrån tidsstyrningspolicyn kommer.

Fish Audios argument är att bekräftande, väntan, svarande och stoppande lärdes in från inspelade mänskliga samtal snarare än skrevs som en lista med tystnadströsklar, och det illustreras med ett telefonnummer som läses upp i bitar: en agent som hör tre tur-slutshändelser där en människa hör en tvekan är det fel som åtgärdas. Stödmaterialet är tre exempelsamtal: att slutföra en beställning, att bryta in och att ge små lyssnarsignaler under en återläsning. Det Fish Audio inte har publicerat är någon mätning av huruvida den inlärda policyn slår en tröskelbaserad.

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.

Var pengarna faktiskt hamnar

Uppdelningen mellan paketerat och komponentbaserat ger fyra kostnadsprofiler, och bara en av dem gynnar Live 3 på ett sätt som håller när det möter ett verkligt samtal.

• Live 3 på Agent Platform — $0,035 per minut inklusive allt under kampanjen, vilket täcker igenkänning, resonemang och röst; tillkommer $0,01 per minut för telefonsamtal, $1,20 per månad per telefonnummer och tokenpriset för premiumnivåns LLM om du uppgraderar från den inkluderade modellen. Ett samtal på tio minuter kostar 35 cent plus telefonikostnad.

• 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.

• Antingen, med en egen resonemangsmodell – den enda formen där de två sammanfaller, eftersom båda leverantörerna låter dig tillhandahålla hjärnan och fakturerar röstlagret.

Den sista punkten är den praktiska slutsatsen som gömmer sig i pristabellen. Om din produkt differentierar sig i resonemangslagret är paketet en rabatt på något du ändå skulle ersätta. Om inte är paketet verkligen billigare och enklare, och 50 %-kampanjen är det bästa erbjudandet inom röst den här månaden.

Inköp, och frågan som ingen prislista besvarar

Pris och poäng är den enkla halvan. Den svåra halvan är vad som händer när modellen förändras under dig, och här har de två leverantörerna gjort motsatta avvägningar.

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.

Inget av alternativen är orimligt. Men ett ingenjörsteam som väljer mellan dem bör lägga märke till vilken risk det är bättre rustat att absorbera, eftersom det svaret vanligtvis är mer prediktivt för en framgångsrik driftsättning än fyra cent i minuten.

Det portabla lagret, och den ärliga gränsen

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.

För ett team som ännu inte har bestämt sig är det billigaste experimentet det som prissättningen möjliggör: kör samma tjugo anrop genom båda, poängsätt avbrotten själv och se om 94,8 % uppgiftsframgång i någon annans butiksscenarier säger något om dina. Live 3:s 186 millisekunder kommer antingen att kännas som själva poängen med modellen eller som en siffra om ett ljud som agenten ger ifrån sig medan den tänker. Det är inte en fråga som en prislista kan avgöra, och det är den enda frågan som spelar roll efter att fakturan har kommit.