Fish Audio Live 3 ตอบกลับภายใน 186 มิลลิวินาที แล้วใช้เวลาทั้งสายตัดสินใจว่าจะพูดหรือไม่

Fish Audio Live 3 เป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ที่ Fish Audio ประกาศเมื่อวันที่ 2026-11-10 และจุดขายทั้งหมดของโมเดลนี้ขึ้นอยู่กับความแตกต่างเพียงหนึ่งจุดที่วอยซ์เอเจนต์ส่วนใหญ่ยังเข้าใจผิด นั่นคือ การหยุดกลางหมายเลขโทรศัพท์ไม่ใช่เหตุการณ์เดียวกับการหยุดท้ายคำถาม โมเดลนี้ฟังต่อไปขณะที่มันพูด และตามข้อมูลของ Fish Audio สามารถตัดสินใจตอบได้เร็วเพียง 186 มิลลิวินาที โดยได้รับการฝึกด้วยบทสนทนาของมนุษย์ที่บันทึกไว้ เพื่อเรียนรู้ว่าเมื่อใดควรตอบรับ เมื่อใดควรรอ เมื่อใดควรตอบ และเมื่อใดควรหยุด แทนที่จะถูกป้อนตารางเกณฑ์ความเงียบ

อนุประโยคสุดท้ายนั่นคือส่วนที่น่าสนใจ และยังเป็นเหตุผลว่าทำไมบทความนี้จึงให้ benchmark แก่คุณไม่ได้ Fish Audio ไม่ได้เผยแพร่การประเมินใด ๆ สำหรับ Live 3 ไม่มีราคาต่อไบต์สำหรับ Live 3 ใน rate card ของตัวเอง และไม่มีตัวระบุโมเดลหรือเอกสาร endpoint ที่ระบุชื่อ Live 3 Artificial Analysis ซึ่งให้คะแนนโมเดลเสียงพูดแบบดูเพล็กซ์บนชุดทดสอบเดียว ไม่มีแถวของ Live 3 ณ วันที่ 2026-11-11 — บอร์ดดังกล่าวจัด Fish Audio เป็นตระกูลโมเดลและไม่ให้คะแนนงานดูเพล็กซ์ใด ๆ ของ Fish Audio ตัวเลข 186 มิลลิวินาทีเป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ได้ตรวจสอบ สิ่งที่ตามมาจะแยกสิ่งที่ Fish Audio ได้จัดทำเอกสารไว้ ออกจากสิ่งที่ Fish Audio ได้กล่าวอ้าง เพราะหนึ่งวันหลังการเปิดตัว สองสิ่งนั้นเป็นกองที่แตกต่างกัน

การหยุดชั่วคราวที่ทำลายหมายเลขโทรศัพท์

ตัวอย่างที่ทีม Fish Audio อธิบายไว้เองคือข้อโต้แย้งที่ดีที่สุดในประกาศนี้ การอ่านตัวเลขออกมาเป็นช่วง ๆ — "415… 555… 0132" — ทำให้เอเจนต์แบบทั่วไปได้ยินเหตุการณ์จบเทิร์นสามเหตุการณ์แยกกัน หรือได้ยินความลังเลยาว ๆ ครั้งเดียวซึ่งมันเข้าใจผิดว่าผู้โทรกำลังคิด Live 3 มีเอกสารระบุว่า พูดว่า "mm-hmm" หรือ "okay, 415" ระหว่างแต่ละช่วง แล้วรอส่วนที่เหลือ การตอบรับทำสองหน้าที่พร้อมกัน: ยืนยันว่าตัวเลขมาถึงแล้ว และเปิดโอกาสให้ผู้โทรได้หายใจ ตรวจตัวเลขถัดไปอีกไม่กี่ตัว แล้วพูดต่อ

ครึ่งที่ยากกว่าของปัญหาเดียวกันคือข้อผิดพลาดในทางตรงกันข้าม หากเอเจนต์กำลังอ่านเวลาทำการออกมาและผู้โทรพูดว่า “ใช่” หรือ “อืมม” เพื่อแสดงว่าตามอยู่ Live 3 มีเอกสารระบุไว้ว่าจะพูดต่อแทนที่จะหยุด จากนั้นผู้โทรพูดว่า “เดี๋ยว ที่จริงฉันต้องการแค่วันพฤหัสบดี” และมันก็หยุดและเปิดทางให้ กรอบแนวคิดของ Fish Audio คือไม่ใช่ทุกเสียงจะเป็นการขัดจังหวะ และโมเดลควรแยกแยะเสียงตอบรับจากการแย่งพูด โดยที่นักพัฒนาไม่ต้องระบุเสียงทุกแบบที่มนุษย์อาจเปล่งออกมา

กรณีที่สามคือการแก้ไขกลางประโยค: "ผมขอพิซซ่าสองถาด… ไม่สิ สามถาด สามถาดใหญ่ และ… จริงๆ แล้ว เอาถาดหนึ่งเป็นมาร์เกอริต้า" ไปป์ไลน์ที่ทำงานเมื่อเจอคำสั่งซื้อที่ดูสมบูรณ์ครั้งแรกจะสั่งผิดสองครั้ง Live 3 มีเอกสารระบุว่าให้รอผ่านการแก้ไขแต่ละครั้ง สายสนับสนุน การจอง และคำสั่งซื้อเต็มไปด้วยกรณีแบบนี้เป๊ะๆ และนี่คือเหตุผลที่ซีอีโอของ Fish Audio เลือกใช้อุปมาทางภาษาศาสตร์แทนที่จะเป็นตัวเลขความหน่วง

“วิธีแก้ปัญหาจนถึงตอนนี้คือการเพิ่มกฎและเกณฑ์มากขึ้น” Rissa Cao ผู้ร่วมก่อตั้งและซีอีโอของ Fish Audio กล่าว “เราเชื่อว่าโมเดลควรเรียนรู้สิ่งนี้จากบทสนทนาจริง เช่นเดียวกับที่โมเดลภาษาเรียนรู้ไวยากรณ์”

สิ่งที่ Fish Audio ระบุไว้เป็นลายลักษณ์อักษรจริง ๆ

ถ้าตัดส่วนการตลาดออก รายละเอียดที่เปิดเผยต่อสาธารณะของ Live 3 ก็สั้นพอที่จะระบุได้ทั้งหมด ทุกอย่างด้านล่างนี้มาจากประกาศหรือเอกสารของ Fish Audio; ไม่มีส่วนใดได้รับการวัดผลโดยอิสระ

• เวลาตอบสนอง — Fish Audio ระบุว่าโมเดลสามารถตัดสินใจตอบได้เร็วเพียง 186 มิลลิวินาที ในบริบทของปฏิกิริยาสั้น ๆ เช่น “mm-hmm”, “okay” และการยืนยันอย่างรวดเร็ว มากกว่าคำตอบแบบเต็ม

• สถาปัตยกรรม — ฟูลดูเพล็กซ์ โดยมันจะฟังไปด้วยขณะที่พูดไปด้วย ซึ่งนี่เองที่ทำให้สามารถตอบรับในระหว่างที่ผู้ใช้กำลังเอ่ยตัวเลขได้

• สัญญาณการฝึก — บทสนทนาจากมนุษย์จริง โดยพฤติกรรมการผลัดกันพูดเป็นสิ่งที่เรียนรู้ได้เองแทนที่จะกำหนดค่าไว้ ไม่มีการเปิดเผยขนาดชุดข้อมูล จำนวนชั่วโมง หรือชุดการประเมิน

• ภาษา — ในช่วงเปิดตัวรองรับเฉพาะภาษาอังกฤษเท่านั้น โดยระบุไว้อย่างชัดเจนในประกาศ

• การจัดจำหน่าย — Fish Agent Platform, API ของ Fish Audio เอง และการติดตั้งใช้งานภายในองค์กรสำหรับลูกค้าองค์กร

• ราคา — ไม่ได้เปิดเผย โดยตารางราคาของ Fish Audio มีรายชื่อ {{1}}drama-3{{/1}}, {{2}}s2.1-pro{{/2}}, {{3}}s2.1-pro-free{{/3}}, {{4}}s2-pro{{/4}} และ {{5}}s1{{/5}} รวมถึงโมเดล ASR อีกสามรุ่นและ {{6}}voice-design-1{{/6}} แต่ไม่มี {{7}}Live 3{{/7}} ปรากฏอยู่ในตารางดังกล่าว

ประกาศฉบับนี้เองก็คุ้มค่าที่จะอ่านให้ครบทั้งฉบับ เพราะมันเจาะจงเรื่องพฤติกรรมอย่างผิดปกติ และเงียบเรื่องตัวเลขอย่างผิดปกติ

มีตัวอย่างเสียงสามชิ้นประกอบมาด้วย — ผู้โทรที่เพิ่มรายละเอียดโดยมีช่วงหยุด ผู้โทรที่พูดแทรกขณะมีการอ่านรายการเมนู และผู้โทรที่พูดว่า “mm-hmm” ขณะที่เจ้าหน้าที่อ่านคำสั่งซื้อกลับ — และแต่ละชิ้นคือข้อกล่าวอ้างเรื่องพฤติกรรมเดียวกันจากมุมที่ต่างกัน ไม่มีชิ้นใดมาพร้อมคะแนนระดับบทถอดเสียง และประกาศก็ไม่ได้อ้างว่ามี

Live 3 agent ประกอบด้วยอะไร

Live 3 คือเลเยอร์เสียงพูดของผลิตภัณฑ์ที่ใหญ่กว่า และส่วนที่เหลือของผลิตภัณฑ์นั้นคือที่ซึ่งงานด้านการเชื่อมต่ออยู่ Fish Audio ให้บริการ Agent Platform แบบโฮสต์ ซึ่งปัจจุบันอยู่ในช่วงเบต้าสาธารณะ และเปิดให้เข้าถึง REST surface ภายใต้ /v1/agent/* พร้อม SDK สำหรับไคลเอนต์สำหรับ JavaScript และ React เอเจนต์สามารถผูกกับวิดเจ็ตเว็บ หมายเลขโทรศัพท์ หรือไคลเอนต์ที่กำหนดเองได้ และเซสชันจะได้รับการยืนยันตัวตนด้วยโทเค็นเซสชันแทนการใช้คีย์อายุยาวในเบราว์เซอร์ แพลตฟอร์มจัดการเส้นทางการเสียง ส่วนคุณเป็นผู้นำคำสั่ง เครื่องมือ และเวิร์กโฟลว์มาใช้

ส่วนที่สำคัญสำหรับใครก็ตามที่สร้างต่อยอดบนมันคือ hook สำหรับ LLM แบบกำหนดเอง Fish Audio อนุญาตให้ชั้นการให้เหตุผลของเอเจนต์ชี้ไปยัง endpoint ที่เข้ากันได้กับ OpenAI ซึ่งหมายความว่าโมเดลที่ทำหน้าที่คิดไม่จำเป็นต้องเป็นของเจ้าของผู้ให้บริการ นั่นคือรอยต่อที่จงใจออกแบบไว้ และเป็นรอยต่อที่ชั้นการกำหนดเส้นทางควรอยู่ โมเดล 216 รุ่นจากคีย์เดียวกัน ในราคาตามที่ผู้ให้บริการกำหนดโดยไม่บวกเพิ่ม และมีการ failover อัตโนมัติเมื่อผู้ให้บริการเกิดข้อผิดพลาด — ดังนั้น planner ภายในเอเจนต์ Live 3 จึงสามารถสลับ ทดสอบ A/B บนบันทึกบทสนทนาจริง และชี้กลับไปใหม่ได้โดยไม่ต้องแตะชั้นเสียงหรือหมายเลขโทรศัพท์ DSL สำหรับการกำหนดเส้นทางจะตัดสินว่าโมเดลใดได้รับสายใด และ model fusion ช่วยให้โมเดลราคาถูกสร้างร่างได้ในขณะที่โมเดลที่แข็งแกร่งกว่าตรวจสอบการเรียกใช้เครื่องมือก่อนที่จะดำเนินการ เพื่อให้ชัดเจนเกี่ยวกับขอบเขต: OrcaRouter ไม่ได้โฮสต์ Fish Audio Live 3 ไม่มี endpoint ของบุคคลที่สามสำหรับมัน และชั้นเสียงในที่นี้เป็นของผู้ให้บริการเอง

แพลตฟอร์มเป็นที่ที่เอเจนต์ได้รับหมายเลขโทรศัพท์ เครื่องมือ และวงจรชีวิตของเซสชัน

อะไรจะทำให้เรื่องนี้ยุติลง

ตัวเลขสามตัวจะเปลี่ยนสิ่งนี้จากคำกล่าวอ้างให้กลายเป็นจุดข้อมูลหนึ่ง และยังไม่มีตัวเลขใดในสามตัวนั้นอยู่เลย

• ราคาต่อไบต์หรือต่อนาทีสำหรับ Live 3 เพื่อให้สามารถเปรียบเทียบต้นทุนของการโทรสิบนาทีกับ cascade ที่มันแทนที่ได้ จนกว่าสิ่งนั้นจะเกิดขึ้นจริง การประมาณต้นทุนรวมใด ๆ สำหรับการติดตั้งใช้งาน Live 3 ก็เป็นเพียงการเดาที่มีจุดทศนิยม

• การกระจายของเวลาแฝง (latency) มากกว่าจะเป็นค่าพื้นต่ำสุด — "เร็วที่สุดเพียง 186 มิลลิวินาที" เป็นคำอธิบายหางฝั่งเร็วของการตอบสนองระยะสั้น ส่วนเวลาถึงเสียงแรก (time-to-first-audio) สำหรับคำตอบแบบเต็มคือตัวเลขที่ชี้ขาดว่าผู้โทรจะพูดทับเอเจนต์หรือไม่ และ Fish Audio ยังไม่ได้เปิดเผยตัวเลขนั้น

• คะแนนการสลับผลัดกันพูดที่เป็นอิสระ Artificial Analysis รัน Full-Duplex-Bench และการทดสอบแบบเอเจนต์ τ-Voice บนโมเดลดูเพล็กซ์ และทั้งสองอย่างจะเทียบได้โดยตรงกับแถวที่เผยแพร่แล้วสำหรับโมเดลดูเพล็กซ์อื่น ๆ ในตลาดนี้ แถวของ Live 3 ในบอร์ดใดบอร์ดหนึ่งจะตอบในตารางเดียวกับสิ่งที่ประกาศตอบในรูปแบบร้อยแก้ว

ในระหว่างนี้ การตีความอย่างตรงไปตรงมาคือ: ปัญหาที่ Fish Audio เลือกมาเป็นปัญหาจริงและยังได้รับการตอบสนองไม่เพียงพอ ตัวอย่างที่ยกมาเป็นตัวอย่างที่เหมาะสม และโมเดลกำลังส่งถึงผู้ใช้จริงผ่านแพลตฟอร์มที่ยังอยู่ในช่วงเบต้าเสียเอง หากโหมดความล้มเหลวของเอเจนต์ของคุณในวันนี้คือผู้โทรถูกพูดขัด หรือต้องพูดลำดับตัวเลขซ้ำสองครั้ง Live 3 ก็ถูกออกแบบมาเพื่อสิ่งนั้นโดยตรง — และสิ่งแรกที่คุณควรติดตั้งการวัดหลังการใช้งานจริงไม่ใช่ความหน่วง แต่เป็นความถี่ที่ผู้โทรต้องเริ่มต้นใหม่บ่อยเพียงใด