Fish Audio Live 3 กับ Eleven Realtime v1 Max: 186 ms กับ 0.57 s ไม่ใช่การวัดแบบเดียวกัน

Fish Audio Live 3 และ Eleven Realtime v1 Max ต่างเป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ ทั้งคู่เปิดตัวห่างกันภายในสี่สัปดาห์ และทั้งคู่ขายด้วยคำกล่าวอ้างว่าการผลัดกันพูดควรอยู่ภายในโมเดลเสียงพูด แทนที่จะอยู่ในไปป์ไลน์ของชิ้นส่วนแยกกัน Fish Audio กล่าวว่า Live 3 สามารถตัดสินใจตอบได้ภายในเวลาเพียง 186 มิลลิวินาที ส่วน Realtime v1 Max ของ ElevenLabs เริ่มพูดใน 0.57 วินาที เมื่อนำตัวเลขสองตัวนี้มาเทียบกัน ดูเหมือนโมเดลใหม่กว่าจะชนะถึงสามเท่า และการตีความแบบนั้นผิดในลักษณะที่ควรทำความเข้าใจก่อนที่ใครจะเซ็นสัญญา

ตัวเลขเหล่านี้วัดเหตุการณ์ที่แตกต่างกัน ตัวเลข 186 มิลลิวินาทีของ Live 3 เป็นตัวเลขของ Fish Audio เองสำหรับปฏิกิริยาสั้น ๆ — เสียงอย่าง “อืม-ฮึม” หรือ “โอเค 415” ที่แทรกระหว่างชิ้นส่วนของหมายเลขโทรศัพท์ — ไม่ใช่สำหรับคำตอบแบบเต็ม ส่วน 0.57 วินาทีของ Max เป็นเวลาถึงเสียงแรกที่วัดได้สำหรับตัวคำตอบเอง ซึ่งเก็บจากชุดทดสอบ Speech to Speech ของ Artificial Analysis ตัวหนึ่งเป็นค่าต่ำสุดที่ผู้ขายรายงานสำหรับการตอบรับ ส่วนอีกตัวหนึ่งเป็นความหน่วงที่ผ่านการตรวจสอบสำหรับการตอบกลับ เมื่อนำมาลบกันจะได้ตัวเลขที่ไม่มีความหมาย ซึ่งเป็นจุดเริ่มต้นที่มีประโยชน์สำหรับการเปรียบเทียบนี้

สิ่งที่ผู้จำหน่ายแต่ละรายได้เผยแพร่จริง

Eleven Realtime v1 Max เปิดตัวเมื่อ 2026-10-20 พร้อมสกอร์การ์ดครบทุกด้าน Artificial Analysis ให้คะแนนโมเดลนี้ใน Big Bench Audio (98.8%), เวลาถึงเสียงแรก (0.57 วินาที), อัตราความสำเร็จของงาน (87.1%), พลวัตการสนทนาของ Full-Duplex-Bench (94.1%) และคะแนนความชอบจาก Arena (997 Elo) โมเดลนี้ยังไม่มี Speech to Speech Index เพราะยังไม่ได้รันการทดสอบ agentic τ-Voice ที่อยู่เบื้องหลังดัชนีนั้นกับโมเดลนี้ และโมเดลก็ไม่ได้รับตัวเลขต้นทุนต่อชั่วโมงจาก ElevenLabs เช่นกัน — ตัวเลข $4.80 ต่อชั่วโมงบนกระดานเป็นการแปลงจากอัตราค่าบริการต่อนาทีสำหรับ agent และ API ของ ElevenLabs ไม่ใช่ราคาตามรายการที่ประกาศไว้สำหรับโมเดลนี้เพียงอย่างเดียว

Fish Audio Live 3 เปิดตัวเมื่อวันที่ 2026-11-10 พร้อมข้อโต้แย้งด้านพฤติกรรมและแทบไม่มีตัวเลข ขอบเขตที่เผยแพร่นั้นเล็กพอที่จะระบุได้อย่างครบถ้วน

• ความเร็วในการตอบสนอง — 186 มิลลิวินาที ตามที่ผู้ขายรายงาน โดยอธิบายในบริบทของปฏิกิริยาที่สั้นมากกว่าคำตอบแบบเต็ม

• คะแนนอิสระ — ไม่มี ณ วันที่ 2026-11-11 บอร์ด Speech to Speech ของ Artificial Analysis ไม่มีแถว Live 3; Fish Audio ปรากฏอยู่ที่นั่นในฐานะตระกูลโมเดล ไม่ใช่รายการดูเพล็กซ์ที่ได้รับการให้คะแนน

• ราคา — ไม่ได้เปิดเผย ตารางราคาของ Fish Audio ระบุ drama-3, s2.1-pro, s2.1-pro-free, s2-pro และ s1 พร้อมโมเดลถอดเสียงเป็นข้อความอีกสามโมเดลและ voice-design-1 โดยไม่มี Live 3 อยู่ในตารางดังกล่าว

• ภาษา — เปิดตัวเฉพาะภาษาอังกฤษเท่านั้น ตามประกาศ

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

• สถาปัตยกรรม — ฟูลดูเพล็กซ์ ฝึกจากบทสนทนาของมนุษย์ที่บันทึกไว้ เพื่อให้การตอบรับ การรอ การตอบ และการหยุดเป็นพฤติกรรมที่เรียนรู้ได้

ข้อมูลที่ ElevenLabs เผยแพร่คือภาพสะท้อนตรงกันข้าม: สกอร์การ์ดที่ครบถ้วนและราคาต่อหน่วยที่คลุมเครือ Max มีทุกแถวยกเว้นดัชนีและการทดสอบ τ-Voice และ ElevenLabs ไม่ได้ขายสิ่งนี้เป็นอัตราต่อนาทีแบบแยกเดี่ยว — ใน ElevenAgents คุณจ่ายค่าบริการเอเจนต์มาตรฐานบวกโทเค็นในอัตรา Realtime และผ่าน Realtime API คุณจ่ายต่อนาทีของเสียงที่เชื่อมต่ออยู่บวกโทเค็น

ข้อโต้แย้งเกี่ยวกับพฤติกรรม ซึ่งเป็นการแข่งขันที่แท้จริง

ผู้จำหน่ายทั้งสองรายอธิบายรูปแบบความล้มเหลวแบบเดียวกัน และเสนอการแก้ไขเชิงโครงสร้างแบบเดียวกัน ซึ่งทำให้การเปรียบเทียบนี้เรียบง่ายอย่างผิดปกติในระดับแนวคิด ElevenLabs กล่าวว่า การรู้จำ การผลัดกันพูด การให้เหตุผล และการสร้างเสียงใน Realtime ได้รับการปรับแต่งให้เป็นระบบเดียว แทนที่จะประสานงานกันระหว่างส่วนต่าง ๆ และตัวอย่างผลลัพธ์ที่ได้ซึ่งระบุไว้ในเอกสารคือ backchannel: Mini ถูกอธิบายว่าตรวจจับได้ว่าผู้พูดพูดจบแล้วหรือเพียงแค่แทรกเสียง “mm-hmm” ข้อกล่าวอ้างเดียวกันในฉบับของ Fish Audio คือหมายเลขโทรศัพท์ที่อ่านเป็นท่อน ๆ — “415… 555… 0132” — โดย Live 3 อาจตอบว่า “mm-hmm” หรือ “okay, 415” ระหว่างท่อนเหล่านั้นแล้วรอส่วนที่เหลือ

จุดที่ทั้งสองแตกต่างกันอยู่ที่สิ่งที่อนุญาตให้คุณเก็บไว้ Eleven Realtime จำหน่ายในสองรูปแบบ คือภายใน ElevenAgents และผ่าน Realtime API ที่เข้ากันได้ในระดับ wire กับโปรโตคอลอีเวนต์ของ OpenAI ที่ wss://api.elevenlabs.io/v1/convai/realtime และการเลือกโมเดล Realtime ภายใน ElevenAgents หมายความว่า ElevenLabs จะดูแล LLM, reasoning effort, งบประมาณการคิด (thinking budget), การเรียกเครื่องมือแบบขนาน, โมเดล TTS และผู้ให้บริการ ASR ส่วน Agent Platform ของ Fish Audio ซึ่งขณะนี้อยู่ในช่วง public beta มีจุดยืนตรงกันข้ามในชั้นการให้เหตุผล: LLM แบบกำหนดเองของเอเจนต์สามารถชี้ไปยัง endpoint ที่เข้ากันได้กับ OpenAI ได้ ดังนั้นโมเดลที่ทำหน้าที่คิดจึงเป็นสิ่งที่คุณเลือกเอง

ความแตกต่างนี้ตัดสินการนำไปใช้งานได้มากกว่าตัวเลข latency เสียอีก หากคุณต้องการให้ผู้ขายรับผิดชอบทั้งสแต็กและยอมตัดเส้นทาง custom-LLM กับ Bedrock ทิ้ง ElevenAgents คือเส้นทางที่สั้นกว่า หากชั้นการให้เหตุผลคือจุดที่ผลิตภัณฑ์ของคุณสร้างความแตกต่าง — การดึงข้อมูล การตรวจสอบนโยบาย การประสานเครื่องมือ — hook custom-LLM ฝั่ง Fish คือฟีเจอร์ที่อยู่รอดในกระบวนการจัดซื้อจัดจ้าง

ค่าใช้จ่าย และเหตุใดคอลัมน์ Live 3 จึงว่างเปล่า

{{1}}Max{{/1}} มีต้นทุน 4.80 ดอลลาร์ต่อชั่วโมงของเสียงอินพุตในการแปลงของ Artificial Analysis เทียบกับตัวเลข 0.84 ดอลลาร์สำหรับคู่แข่งแบบดูเพล็กซ์ที่แข็งแกร่งและถูกที่สุดบนตารางจัดอันดับนั้น ทำให้ราคาเป็นแกนที่ผู้เล่นรายใหม่สามารถชนะดีลได้อย่างรวดเร็ว และเป็นแกนเดียวกับที่ Live 3 ไม่สามารถประเมินได้ในปัจจุบัน ไม่สามารถคำนวณต้นทุนต่อการเรียกหนึ่งครั้งสำหรับการติดตั้งใช้งาน Live 3 จากสิ่งใดก็ตามที่ Fish Audio เผยแพร่ได้ เพราะหน่วยการเรียกเก็บเงินยังไม่ได้รับการเผยแพร่

สิ่งที่ Fish Audio เผยแพร่จริง ๆ คือตารางราคาสำหรับโมเดลอื่น ๆ ของบริษัท และการรู้ลักษณะของตารางนี้ก็มีประโยชน์ เพราะมันบอกว่าบริษัทกำหนดราคางานเสียงพูดอย่างไร การแปลงข้อความเป็นเสียงคิดค่าบริการตามไบต์ UTF-8 ของข้อความอินพุต และเอกสารของ Fish Audio เองระบุว่าหนึ่งล้านไบต์ UTF-8 ประมาณ 180,000 คำภาษาอังกฤษ หรือเสียงพูดประมาณสิบสองชั่วโมง ในอัตราตามรายการของ drama-3 ที่ 50 ดอลลาร์ต่อหนึ่งล้านไบต์ คิดออกมาได้ประมาณ 4.17 ดอลลาร์ต่อชั่วโมงของเสียงที่สร้างขึ้น หรือประมาณ 0.83 ดอลลาร์ในช่วงโปรโมชันเปิดตัวที่ดำเนินไปจนถึง 2026-11-30 ตัวเลขเหล่านั้นเป็นตัวเลขที่คำนวณต่อยอดสำหรับผลิตภัณฑ์อื่น ไม่ใช่ราคาของ Live 3 และนาทีของเอเจนต์แบบดูเพล็กซ์ก็ไม่ใช่หน่วยเดียวกับเสียงพูดที่สังเคราะห์ขึ้น — แต่ตัวเลขเหล่านี้ทำให้ระดับราคาของ Fish Audio อยู่ในช่วง 1 ถึง 5 ดอลลาร์ต่อชั่วโมงเดียวกันกับส่วนอื่น ๆ ของตลาดนี้ ไม่ใช่ต่ำกว่าถึงหนึ่งลำดับขนาด

นี่คือส่วนที่ชั้นการจัดเส้นทางพิสูจน์คุณค่าของตัวเองได้ทั้งสองฝั่ง OrcaRouter ไม่ได้โฮสต์ Fish Audio Live 3 หรือ Eleven Realtime v1 Max — ทั้งสองไม่มีเอนด์พอยต์ของบุคคลที่สาม และชั้นเสียงพูดในสแตกใดก็ตามยังคงอยู่กับผู้ขายของตน สิ่งที่ OrcaRouter โฮสต์คือชั้นการให้เหตุผลที่แต่ละระบบสามารถชี้ไปที่ได้: โมเดล 216 โมเดลภายใต้คีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม การสลับสำรองอัตโนมัติเมื่อผู้ให้บริการเกิดข้อผิดพลาด และ DSL การจัดเส้นทางที่ตัดสินว่าโมเดลใดจัดการคำขอใด ผลในทางปฏิบัติคือรายการราคาโทเค็นของผู้ขายรายใดรายหนึ่งไม่กลายเป็นการผูกมัด หาก ElevenLabs ปรับราคา Realtime หรือ Fish Audio ประกาศราคา Live 3 เป็นอัตราต่อไบต์ ค่าใช้จ่ายด้านเสียงพูดจะเปลี่ยน แต่ค่าใช้จ่ายด้านการให้เหตุผลไม่เปลี่ยน เพราะค่าใช้จ่ายด้านการให้เหตุผลไม่เคยผูกกับผู้ขายรายใดเลยตั้งแต่แรก

ตอนนี้ควรต่อยอดจากอันไหน

เริ่มสร้างบน Eleven Realtime v1 Max วันนี้เลย หากคุณต้องปกป้องการตัดสินใจทางเทคนิคต่อคนที่จะขอ benchmark ระบบมีสกอร์การ์ดที่ผ่านการตรวจสอบ มีโปรโตคอลอีเวนต์ที่มีเอกสารกำกับ และมีเวลาแฝงที่วัดได้ซึ่งผู้ตรวจสอบสามารถตรวจสอบได้ สิ่งที่ยังไม่รู้เกี่ยวกับ Max คือราคาต่อชั่วโมงเมื่อใช้งานในปริมาณมาก ไม่ใช่คุณภาพ

Pilot Fish Audio Live 3 เหมาะหากบันทึกข้อร้องเรียนของเอเจนต์คุณเต็มไปด้วยผู้โทรที่ถูกพูดขัดจังหวะ และหากคุณพร้อมจะวัดผลการปรับปรุงด้วยตัวเอง ตัวเลข 186 มิลลิวินาทีไม่สามารถนำไปเปรียบเทียบกับ 0.57 วินาทีของ Max ได้ โมเดลนี้ยังไม่มีคะแนนการสลับผลัดกันพูดที่เป็นอิสระ และราคาตั้งของมันยังไม่มีอยู่จริง ดังนั้นการทำไพลอตจึงต้องถูกออกแบบให้เป็นการทดสอบ A/B พร้อมเครื่องมือวัดเทียบกับเอเจนต์ปัจจุบันของคุณ ไม่ใช่การตัดสินใจจัดซื้อจากสเปกชีต

อย่าถือว่า 186 มิลลิวินาทีคือคำกล่าวอ้างด้านความหน่วงที่คุณจะเอาไปเรียกร้องเอาจากใครได้ มันเป็นถ้อยแถลงของผู้จำหน่ายเกี่ยวกับว่าโมเดลสามารถเลือกทำให้เกิดเสียงสั้น ๆ ได้เร็วเพียงใด ตัวเลขที่คุณสนใจจริง ๆ — คือต้องรอนานแค่ไหนกว่าผู้โทรจะได้ยินพยางค์แรกของคำตอบ — ยังไม่มีใครเผยแพร่สำหรับ Live 3 เมื่อใดที่มีการเผยแพร่ การเปรียบเทียบกับ Max ก็จะเป็นการเปรียบเทียบที่จับต้องได้จริง และจนถึงตอนนั้น คำตอบที่ซื่อตรงต่อคำถามที่ว่า "ตัวไหนเร็วกว่ากัน" ก็คือ ตัวหนึ่งถูกวัดค่า อีกตัวถูกบรรยายไว้