Fish Audio Live 3 พูดได้หนึ่งภาษา Gemini 3.8 Live พูดได้ 97 ภาษา และใส่ลายน้ำทุกวินาที

Fish Audio Live 3 และ Gemini 3.8 Live เห็นพ้องกันในแนวคิดสำคัญ และไม่เห็นพ้องกันในแทบทุกอย่างที่เหลือ ทั้งคู่วางการผลัดกันพูดไว้ภายในโมเดลเสียง แทนที่จะอยู่ในไปป์ไลน์ของชิ้นส่วนแยกกัน Live 3 ซึ่งประกาศเมื่อ 2026-11-10 โต้แย้งประเด็นนี้ในเชิงพฤติกรรม: การหยุดกลางหมายเลขโทรศัพท์ไม่ใช่เหตุการณ์เดียวกับการหยุดท้ายคำถาม และโมเดลสามารถตัดสินใจตอบได้เร็วเพียง 186 มิลลิวินาที ซึ่งเป็นตัวเลขที่ Fish Audio รายงานและยังไม่มีใครตรวจสอบ Gemini 3.8 Live ซึ่งประกาศเมื่อ 2026-09-15 ตอบปัญหาเดียวกันด้วยเอกสารหลักฐาน — 97 ภาษาพร้อมการสลับภาษากลางบทสนทนา ลายน้ำ SynthID ในทุกวินาทีของเสียงที่สร้างขึ้น การ์ดโมเดลที่เผยแพร่ API model ID สองรายการที่มีเอกสารระบุ และแถวใน Artificial Analysis ที่ระบุค่า 76.0 บน Speech to Speech Index โดยมีองค์ประกอบครบทั้งสี่ส่วน

ความไม่สมมาตรนั้น ไม่ใช่ตัวเลขความหน่วง คือสิ่งที่ตัดสินการเปรียบเทียบนี้ หนึ่งในโมเดลเหล่านี้สามารถเขียนลงในเอกสารจัดซื้อจัดจ้างได้ตั้งแต่วันนี้และปกป้องได้ทีละบรรทัด ส่วนอีกโมเดลต้องให้ทีมที่นำไปใช้ติดตั้งเครื่องมือวัดให้ และมีประเด็นที่คมกว่าอยู่ข้างใต้: พฤติกรรมที่ Live 3 กำลังขายอยู่ไม่ใช่ด้านที่ Gemini 3.8 Live แข็งที่สุด และไม่ใช่ด้านที่ Live 3 ถูกให้คะแนนเช่นกัน ดังนั้นในตอนนี้ การเปรียบเทียบนี้จึงตัดสินด้วยสิ่งที่คุณตรวจสอบได้ ไม่ใช่ด้วยว่าโมเดลไหนจัดการการโทรศัพท์ได้ดีกว่า

ช่องว่างความคุ้มครองไม่ใช่เรื่องเล็กน้อย

เริ่มจากสิ่งที่แต่ละโมเดลจะทำได้นอกเดโม เพราะสำหรับผู้ซื้อส่วนใหญ่ ส่วนนี้จะทำให้การประเมินจบลงก่อนที่คำถามที่น่าสนใจจะถูกถามด้วยซ้ำ

• ภาษา — Gemini 3.8 Live รองรับ 97 ภาษา และสลับภาษาเหล่านั้นโดยอัตโนมัติกลางบทสนทนา Fish Audio ระบุอย่างชัดเจนว่า Live 3 รองรับเฉพาะภาษาอังกฤษเท่านั้นในช่วงเปิดตัว สายรับจองในมาดริด คิวฝ่ายสนับสนุนในเซาเปาลู และโต๊ะติดตามหนี้ในวอร์ซอ ไม่ใช่การติดตั้งใช้งาน Live 3 ในไตรมาสนี้

• ที่มา — ทุกวินาทีของเสียงที่ Gemini 3.8 Live สร้างขึ้นมีลายน้ำ SynthID ของ Google และรูปแบบเสียงทั้งสองแบบของ Gemini ได้รับการบันทึกไว้ในโมเดลการ์ดที่เผยแพร่ภายใต้ชื่อ gemini-3-8-audio. ประกาศของ Fish Audio ไม่ได้กล่าวถึงการใส่ลายน้ำหรือข้อมูลเมตาที่บ่งบอกที่มาสำหรับ Live 3 เลย หากเขตอำนาจศาลของคุณกำลังเคลื่อนไปสู่การเปิดเผยเสียงสังเคราะห์ ความแตกต่างนั้นจะกลายเป็นคำถามทางกฎหมายมากกว่าคำถามทางวิศวกรรม

• ตัวระบุ — Google เผยแพร่ gemini-3.8-live และ gemini-3.8-live-extended-thinking เป็น ID ของโมเดลที่เรียกใช้งานได้ผ่าน Gemini API, Live API และ AI Studio ประกาศของ Fish Audio ระบุชื่อ Live 3 แต่ไม่ได้เผยแพร่ตัวระบุโมเดลและไม่มีเอกสาร endpoint สำหรับแต่ละโมเดลสำหรับโมเดลนี้

• อินพุตที่ไม่ใช่เสียง — Gemini 3.8 Live ประมวลผลอินพุตภาพได้ใกล้เคียงเรียลไทม์ นอกเหนือจากความสามารถด้านกล้องและการแชร์หน้าจอที่ผลิตภัณฑ์ในไลน์นี้มีอยู่แล้ว โดย Live 3 เป็นเสียงเข้า-เสียงออก

• เส้นทางระดับองค์กร — เส้นทางของ Google คือการพรีวิวแบบส่วนตัวใน Gemini Enterprise โดยมีฉบับสำหรับประสบการณ์ลูกค้าที่ระบุว่าเร็ว ๆ นี้ ส่วนของ Fish Audio คือ Agent Platform ซึ่งปัจจุบันอยู่ในช่วงเบต้าสาธารณะ พร้อมการติดตั้งแบบ on-premises สำหรับลูกค้าองค์กร — ซึ่งเป็นข้อเสนอที่แตกต่างอย่างแท้จริง และเป็นจุดเดียวในรายการนี้ที่ผู้ขายรายเล็กกว่ามีคำตอบที่แข็งแกร่งกว่าสำหรับผู้ซื้อที่ไม่สามารถส่งเสียงไปยังคลาวด์สาธารณะได้

สิ่งที่ดัชนีมองเห็นได้ และสิ่งที่มันมองไม่เห็น

Artificial Analysis สร้าง Speech to Speech Index ของตนเป็นคอมโพสิตแบบถ่วงน้ำหนักเท่ากันจากการให้เหตุผลด้านเสียง ประสิทธิภาพแบบเอเจนต์ ความชอบจากอารีนา และความสำเร็จของงาน และให้คะแนนทั้งระบบแทนที่จะเป็นโมเดลเดียว แถวของ Gemini 3.8 Live นั้นครบถ้วน: ดัชนี 76.0, Big Bench Audio 92%, เวลาถึงเสียงแรก 1.18 วินาที, ความสำเร็จของงาน 93.2%, พลวัตการสนทนา 96.1%, Elo ในอารีนา 1,083 และ 30.1% ใน benchmark งานบริการลูกค้า τ-Voice ส่วน Live 3 ไม่มีแถวเลย ณ 2026-11-11; บอร์ดระบุ Fish Audio เป็นตระกูลโมเดลและไม่ได้ให้คะแนนงานดูเพล็กซ์ใด ๆ ของมัน

ดูสององค์ประกอบนั้นอย่างใกล้ชิด เพราะมันบอกบางสิ่งที่สุดพาดหัวไม่ได้บอก 96.1% ของ Gemini 3.8 Live ในด้านพลวัตการสนทนาเป็นตัวเลขสูงสุดในแถวของมัน และเป็นตัวแทนโดยประมาณที่เผยแพร่แล้วซึ่งใกล้ที่สุดสำหรับสิ่งที่ Live 3 กำลังขาย — โมเดลแบบผลัดรอบที่ทำคะแนนได้ใกล้ระดับสูงสุดของการวัดการผลัดกันพูด 30.1% ของมันบน τ-Voice เป็นตัวเลขต่ำสุดในแถว และเป็นเหตุผลที่โมเดลอยู่อันดับห้าไม่ใช่อันดับหนึ่ง: มันสนทนาได้ดีแต่ทำงานเสร็จน้อยครั้ง ทางแก้ของ Google เองสำหรับเรื่องนี้คือรุ่นที่สอง คือ Gemini 3.8 Live Extended Thinking ซึ่งทำได้ 68.6% ในการทดสอบเดียวกัน และขึ้นอันดับหนึ่งบนดัชนีที่ 82.6 — ด้วยต้นทุนเสียงรายชั่วโมงประมาณสี่เท่า

บทเรียนจากการเปรียบเทียบนี้ทำให้ผู้ขายทั้งสองรายรู้สึกไม่สบายใจ พลวัตของการสนทนาและการผลัดกันพูดตามธรรมชาติไม่ใช่การวัดเดียวกัน ซึ่งเป็นเหตุผลว่าทำไมคะแนน 96.1% ในด้านหนึ่งกับคำกล่าวอ้างที่ไม่ได้ให้คะแนนในอีกด้านจึงไม่สามารถนำมาเทียบเคียงกันได้ ข้อโต้แย้งของ Live 3 คือพฤติกรรมของระบบดีกว่าโมเดลแบบผลัดกันพูดในสถานการณ์เฉพาะ เช่น ผู้โทรหยุดพูดกลางการบอกตัวเลข หรือส่งเสียงเห็นด้วยขณะที่เอเจนต์อ่านคำสั่งซื้อกลับให้ฟัง จนกว่าจะมีใครนำไปทดสอบกับชุดทดสอบการผลัดกันพูด จุดยืนที่ตรงไปตรงมาคือ Live 3 กำลังกล่าวอ้างเกี่ยวกับสถานการณ์ที่กระดานคะแนนที่เผยแพร่ไม่ได้แยกวัดออกมา

แหล่งที่มา และคำถามที่ผู้ตรวจสอบจะถาม

Voice คือช่องทางเดียวที่ทีมกำกับดูแลด้านการปฏิบัติตามข้อกำหนดจะถามถึงผลลัพธ์ก่อนที่จะถามถึงราคา Gemini 3.8 Live มีคำตอบพร้อมอยู่แล้ว: การใส่ลายน้ำ SynthID บนเสียงที่สร้างขึ้น, การ์ดโมเดลที่ระบุชื่ออย่างชัดเจน, และผู้ให้บริการที่มีจุดยืนด้านการใช้งานอย่างรับผิดชอบซึ่งเผยแพร่ต่อสาธารณะรองรับทั้งสองส่วนดังกล่าว ส่วน Live 3 มีประกาศที่แม่นยำอย่างผิดปกติเกี่ยวกับพฤติกรรมการสนทนา และเงียบสนิทเกี่ยวกับวิธีที่ผู้ฟังหรือเครื่องตรวจจับจะแยกแยะผลลัพธ์ของมันออกจากการบันทึกเสียงได้

นั่นไม่ใช่เหตุผลที่จะหลีกเลี่ยง Live 3 และเป็นเหตุผลที่ควรถาม Fish Audio ตรง ๆ ก่อนที่คุณจะนำไปใช้งานบนสายที่บันทึกการโทร ไม่ว่าออดิโอจะมีลายน้ำหรือไม่ ไม่ว่าเซสชันจะสร้างบทถอดเสียงหรือบันทึกการตรวจสอบ และนโยบายการเก็บรักษาข้อมูลสำหรับทั้งสองอย่างเป็นอย่างไร คือสามรายการที่ผู้ตรวจสอบจะต้องการเป็นลายลักษณ์อักษร Fish Audio ได้จัดทำเอกสารเกี่ยวกับการยืนยันตัวตนด้วยโทเค็นเซสชันของแพลตฟอร์มและ API REST /v1/agent/* ไว้แล้ว ดังนั้นระบบพื้นฐานจึงมีอยู่เพื่อตอบทั้งสามข้อ — บริษัทเพียงแต่ยังไม่ได้เผยแพร่คำตอบ และหนึ่งวันหลังการเปิดตัว นั่นเป็นสภาวะปกติมากกว่าจะเป็นสัญญาณเตือน

ราคาที่มีอยู่และราคาที่ไม่มีอยู่

Gemini 3.8 Live เผยแพร่ในราคา $0.005 ต่อนาทีสำหรับข้อมูลเสียงเข้า และ $0.018 ต่อนาทีสำหรับข้อมูลเสียงออกผ่าน Live API ดังนั้นการสนทนา 5 นาทีที่มีเอาต์พุตต่อเนื่องจึงมีต้นทุนเสียงเกินสิบเอ็ดเซนต์เล็กน้อย ก่อนรวมต้นทุนโมเดลแบ็กเอนด์ใด ๆ Artificial Analysis แปลงอัตราของ Google เป็นตัวเลขรายชั่วโมงโดยเทียบกับชุดคำถาม 40 ข้อแบบคงที่ และคอลัมน์ที่คำนวณได้นั้นเปลี่ยนไประหว่างการเก็บข้อมูลแต่ละครั้ง — $0.84 ต่อชั่วโมงสำหรับโมเดลมาตรฐานในบอร์ดวันที่ 16 กันยายน และ $1.50 ในบอร์ดครั้งหลังจากนั้น ทั้งสองเป็นค่าที่แปลงมา ไม่ใช่ราคาที่เสนอโดยตรง อัตราต่อ minutethat should be Thai "ต่อนาที" คือตัวเลขที่ควรใช้ตั้งงบประมาณ

Live 3 ไม่มีราคา ใบอัตราค่าใช้จ่ายของ Fish Audio ระบุว่า drama-3 อยู่ที่ $50 ต่อล้านไบต์ UTF-8, s2.1-pro และ s2-pro อยู่ที่ $15, s2.1-pro-free อยู่ที่ศูนย์ และ s1 อยู่ที่ $15 พร้อมวันที่เลิกให้บริการ 2026-12-31 รวมถึงโมเดล speech-to-text สามโมเดลและ voice-design-1 ในราคาหนึ่งเซนต์ต่อคำขอ แต่ไม่มี Live 3 อยู่ในนั้น การเรียกของเอเจนต์แบบดูเพล็กซ์ก็ไม่มีจำนวนไบต์ตามธรรมชาติเช่นกัน — เสียงขาเข้าคืออะไรก็ตามที่ผู้โทรพูด — ดังนั้นแม้แต่รูปร่างของมาตรวัดก็ยังไม่ได้รับการเผยแพร่ แบบจำลองต้นทุนของ Live 3 ใด ๆ ที่เขียนในวันนี้ล้วนเป็นการคาดเดา และการคาดเดานั้นควรถูกติดป้ายว่าเป็นการคาดเดาในเอกสารใดก็ตามที่มันไปปรากฏอยู่

อะไรที่อยู่เบื้องหลังเสียง

ไม่มีโมเดลใดเป็นระบบทั้งหมด และรอยต่อก็เหมือนกันทั้งสองด้าน Gemini 3.8 Live ดำเนินการเรียกใช้เครื่องมือและ API อยู่เบื้องหลัง โดยตอบรับคำขอและพูดต่อไปขณะที่การเรียกนั้นเสร็จสิ้น — และงานดังกล่าวกลายเป็นการเรียกโมเดลแบบปกติที่มีค่าใช้จ่ายโทเคนแบบปกติ Agent Platform ของ Live 3 เปิดฮุก custom-LLM ที่ชี้การให้เหตุผลของเอเจนต์ไปยังปลายทางที่เข้ากันได้กับ OpenAI ใดก็ได้ ในทั้งสองกรณี โมเดลเสียงเป็นส่วนหน้า และโมเดลข้อความเป็นตัวคิด

ชั้นนั้นคือจุดที่เราเตอร์พิสูจน์คุณค่าของตัวเอง และเป็นชั้นเดียวในทั้งสองสแตกที่การสลับเปลี่ยนมีต้นทุนต่ำ OrcaRouter มี216 โมเดลภายใต้คีย์เดียวในราคาลิสต์ของผู้ให้บริการโดยไม่บวกเพิ่ม ดังนั้นการลดราคาจากต้นทางจึงมีผลในวันเดียวกันแทนที่จะรอถึงการต่อสัญญาครั้งถัดไป การเฟลโอเวอร์อัตโนมัติช่วยให้การเรียกยังคงดำเนินอยู่เมื่อแบ็กเอนด์เกิดข้อผิดพลาดหรือหมดเวลา DSL สำหรับการกำหนดเส้นทางตัดสินว่าโมเดลใดจัดการเทิร์นประเภทใด และการหลอมรวมโมเดลช่วยให้โมเดลราคาถูกร่างการเรียกเครื่องมือ ขณะที่โมเดลที่แข็งกว่าตรวจสอบก่อนจะส่งออก เพื่อความชัดเจนเรื่องขอบเขต: OrcaRouter ไม่ได้โฮสต์ Fish Audio Live 3 หรือปลายทางเสียง Gemini 3.8 Live ทั้งสองไม่มีปลายทางเสียงจากบุคคลที่สาม และชั้นเสียงพูดในทั้งสองสแตกยังคงอยู่กับผู้ขายของตน ชั้นการให้เหตุผลเป็นส่วนที่พอร์ตได้ และสำหรับสแตกที่สร้างบนโมเดลราคาพรีวิวจากผู้ขายรายหนึ่งและแพลตฟอร์มเบต้าจากอีกราย ความสามารถในการพอร์ตคือคุณสมบัติที่อยู่รอดไปถึงรีลีสครั้งถัดไป

แต่ละอย่างจริงๆ แล้วใช้ทำอะไร

เลือก Gemini 3.8 Live หากผลิตภัณฑ์ของคุณเป็นระดับโลก หากเสียงออกจากโครงสร้างพื้นฐานของคุณและมีคนจะขอให้คุณพิสูจน์ว่ามันมาจากไหน หรือหากคุณต้องการให้เอเจนต์มองเห็นหน้าจอหรือกล้อง มันมีสกอร์การ์ด ลายน้ำ ภาษาต่างๆ อัตราที่ประกาศไว้ และ ID ของโมเดล จุดอ่อนของมันคืออัตราการทำงานสำเร็จที่ 30.1% บน τ-Voice และวิธีแก้ที่ Google ขายสำหรับเรื่องนั้นคือตัวแปร Extended Thinking ในต้นทุนต่อชั่วโมงที่สูงเป็นสี่เท่า

Pilot Fish Audio Live 3 หากสายเรียกของคุณเป็นภาษาอังกฤษ ข้อจำกัดด้านโครงสร้างพื้นฐานของคุณตัดความเป็นไปได้ในการใช้คลาวด์สาธารณะออกไป และบันทึกข้อร้องเรียนของคุณเต็มไปด้วยผู้โทรที่ถูกพูดขัดจังหวะหรือต้องพูดลำดับตัวเลขซ้ำ การติดตั้งใช้งานภายในองค์กรถือเป็นข้อได้เปรียบจริงในกรณีนี้ และเป็นสิ่งที่ Google ไม่ได้เสนอ เข้าไปโดยคาดไว้เลยว่าคุณจะต้องสร้างการประเมินด้วยตัวเอง: ไม่มีคะแนนให้เปรียบเทียบ ไม่มีราคาที่เผยแพร่ให้คาดการณ์ และไม่มีลายน้ำให้ชี้ได้

อย่าถือว่า 76.0 เป็นคำตัดสินเกี่ยวกับการผลัดกันพูด มันเป็นคะแนนรวมที่ให้น้ำหนักกับการทำภารกิจแบบเอเจนต์ให้สำเร็จสูง และ Gemini 3.8 Live ก็อ่อนแอในจุดนั้นพอดี ตัวเลขที่จะชี้ขาดการเปรียบเทียบคู่นี้คือคะแนนการผลัดกันพูดของ Live 3 บนฮาร์เนสเดียวกับที่ทุกคนถูกวัด — และจนกว่าคะแนนนั้นจะมีอยู่ สองโมเดลนี้ก็ถูกเปรียบเทียบกันด้วยเอกสารมากกว่าพฤติกรรมจริง