Fish Audio Live 3 กับ GPT-Live-1: ทั้งคู่เป็นผลิตภัณฑ์เพียงครึ่งเดียว และมิเตอร์บอกว่าเป็นครึ่งไหน

Fish Audio Live 3 และ GPT-Live-1 ต่างเป็นโมเดลเสียงแบบ full-duplex ทั้งคู่ต่างยืนยันว่าการผลัดกันพูด (turn-taking) ควรอยู่ภายในโมเดลเสียงเอง และทั้งคู่ก็ยังไม่สมบูรณ์ในตัวเอง GPT-Live-1 ฟังและพูด แล้วจึงส่งการคิดต่อไปยังโมเดลแบ็กเอนด์แยกต่างหาก — นั่นคือการออกแบบของมัน ไม่ใช่ข้อจำกัด — และคิดค่าบริการ $0.05 ต่อนาทีเสียงสำหรับครึ่งหน้า ขณะที่การให้เหตุผลถูกคิดเงินอีกมิเตอร์หนึ่ง Fish Audio Live 3 ทำแบบเดียวกันในเชิงโครงสร้าง: ชั้นเสียงทำงานบน Agent Platform ของ Fish Audio ขณะที่การให้เหตุผลของเอเจนต์สามารถชี้ไปยัง endpoint ที่รองรับ OpenAI ใดก็ได้ผ่าน hook custom-LLM ความต่างคือ OpenAI ได้เผยแพร่ราคาของครึ่งแรกแล้ว และ Artificial Analysis ได้เผยแพร่คะแนนของทั้งระบบแล้ว ขณะที่ Fish Audio ไม่ได้เผยแพร่ทั้งสองอย่าง และระบุว่าตัวเลขเดียวที่ให้มา — 186 มิลลิวินาที ซึ่งเป็นช่วงเวลาที่สั้นที่สุดที่ Live 3 จะตัดสินใจตอบสนองได้ — เป็นข้อมูลที่ผู้ขายรายงานเอง

สิ่งนี้ทำให้มันเป็นการแข่งขันระหว่างสองวิธีในการแบ่ง voice agent ออกเป็นครึ่งมากกว่าจะเป็นการแข่งขันระหว่างสองโมเดล และวิธีแบ่งนั้นสำคัญกว่าโมเดลเสียอีก GPT-Live-1 ได้ 81.5 ใน Artificial Analysis Speech to Speech Index เมื่อจับคู่กับ GPT-6 Astra ที่ความพยายามระดับกลาง และได้ 80.1 กับ GPT-5.6 Sol ที่ความพยายามระดับต่ำ ซึ่งหมายความว่าการเลือกแบ็กเอนด์ทำให้ผลลัพธ์ขยับไปถึงเจ็ดเท่าของช่องว่างระหว่างอันดับหนึ่งกับอันดับสอง ยังไม่มีตัวเลขเทียบเท่าสำหรับ Live 3 การซื้ออย่างใดอย่างหนึ่งคือการซื้อระบบเพียงครึ่งเดียวและผูกพันว่าจะต้องเลือกอีกครึ่งหนึ่งด้วยตัวเอง

สิ่งที่ผู้จำหน่ายแต่ละรายเผยแพร่จริง

GPT-Live-1 เป็นผลิตภัณฑ์ที่มีเอกสารประกอบครบถ้วนกว่า และเอกสารระบุเจาะจงเกี่ยวกับรอยต่อนี้อย่างชัดเจน ผลิตภัณฑ์นี้เปิดตัวภายใน ChatGPT เมื่อวันที่ 2026-07-08 เพื่อแทนที่ Advanced Voice Mode และมาถึง API สำหรับนักพัฒนาเมื่อวันที่ 2026-09-10 กระดานของ Artificial Analysis มีสองแถวสำหรับผลิตภัณฑ์นี้ เพราะดัชนีให้คะแนนทั้งระบบ: 81.5 เมื่อใช้ GPT-6 Astra ที่ระดับความพยายามปานกลาง ซึ่งอยู่อันดับหนึ่ง และ 80.1 เมื่อใช้ GPT-5.6 Sol ที่ระดับความพยายามต่ำ ซึ่งอยู่อันดับสาม ตัวเลของค์ประกอบใต้แถวของ Astra คือคะแนนด้านเอเจนต์ 67.9% บน τ-Voice, 90% บน Big Bench Audio, ความสำเร็จของงาน 87.4%, Elo ของอารีนา 1,048 และ 1.34 วินาทีถึงเสียงแรก — วัดเทียบกับ 0.798 วินาทีของ OpenAI เองบน Full-Duplex-Bench ซึ่งนับเหตุการณ์ที่แตกต่างกัน

ข้อมูลที่เผยแพร่ของ Live 3 มีเพียงหนึ่งย่อหน้าและชุดตัวอย่างการใช้งาน Fish Audio ประกาศเมื่อ 2026-11-10 โดยอธิบายว่าเป็นแบบฟูลดูเพล็กซ์และฝึกจากบทสนทนาของมนุษย์ที่บันทึกไว้ ระบุว่าสามารถตัดสินใจตอบได้เร็วเพียง 186 มิลลิวินาทีสำหรับการตอบสนองสั้น ๆ กล่าวว่าเปิดตัวรองรับเฉพาะภาษาอังกฤษ และให้บริการผ่าน Fish Agent Platform, API ของ Fish Audio เอง และการติดตั้งภายในองค์กร (on-premises deployment) ไม่มี benchmark ไม่มีตัวเลข τ-Voice ไม่มี Elo ของอารีนา และไม่มีรายการสำหรับผลิตภัณฑ์นี้ในตารางราคาของ Fish Audio ซึ่งระบุ drama-3, s2.1-pro, s2.1-pro-free, s2-pro และ s1 พร้อมด้วยโมเดลถอดเสียงสามโมเดลและ voice-design-1

ครึ่งแรก — GPT-Live-1: $0.05 ต่อนาทีเสียง คิดค่าบริการเป็นรายวินาที โดยเรียกเก็บ 15 วินาทีเมื่อเริ่มเซสชัน และนำไปหักกับการใช้งานภายหลัง Live 3: ไม่เผยแพร่ราคา

• ครึ่งหลัง — GPT-Live-1: โมเดลแบ็กเอนด์แบบอะซิงโครนัสที่คุณเลือก โดยคิดค่าบริการตามอัตราของโมเดลนั้น พร้อม GPT-5.6 Terra ในตัวอย่าง WebRTC ที่ OpenAI เผยแพร่ Live 3: ฮุก LLM แบบกำหนดเองที่ชี้ไปยังเอนด์พอยต์ที่เข้ากันได้กับ OpenAI ใดก็ได้ และคิดค่าบริการโดยผู้ให้บริการนั้นเช่นกัน

• คะแนนอิสระ — GPT-Live-1: 81.5 และ 80.1 บนดัชนีรวม โดยให้คะแนนสองการกำหนดค่าแยกกัน Live 3: ไม่มี ณ วันที่ 2026-11-11

• การรับส่งและขีดจำกัด — GPT-Live-1: ใช้ WebRTC เท่านั้น ไม่มีอินพุตรูปภาพหรือวิดีโอ ไม่มีเอาต์พุตแบบมีโครงสร้าง ไม่มีแพ็กเกจฟรี และจำกัดการทำงานพร้อมกันที่ 25, 50, 200, 300 และ 500 เซสชันพร้อมกันใน Tier 1 ถึง 5 Live 3: REST ภายใต้ /v1/agent/* พร้อม SDK ของ JavaScript และ React การยืนยันตัวตนด้วยโทเค็นเซสชัน ช่องทางสำหรับหมายเลขโทรศัพท์ วิดเจ็ตเว็บ หรือไคลเอนต์ที่กำหนดเอง

ทำไมโครงสร้างขนาดสองเมตรจึงเป็นการตัดสินใจที่แท้จริง

บิลของ voice agent มีสองส่วน และมีเพียงส่วนเดียวเท่านั้นที่คาดการณ์ได้ ส่วนแรกคิดตามเวลา ด้วยอัตรา $0.05 ต่อนาที สายห้านาทีมีค่าใช้จ่าย 25 เซนต์ และการเปิดสายหนึ่งชั่วโมงมีค่าใช้จ่ายสามดอลลาร์ ซึ่งเป็นการคำนวณง่ายพอที่จะพยากรณ์ได้ ส่วนหลังคิดตามโทเค็น เปลี่ยนแปลงไปตามว่าผู้โทรคิดหนักแค่ไหน และเป็นส่วนที่สร้างความประหลาดใจอันไม่พึงปรารถนา ซึ่งเป็นเหตุผลที่ Artificial Analysis รายงานต้นทุนรวมทั้งหมดต่อชั่วโมงแทนอัตราค่าเสียงต่อนาที ตัวเลขของบริษัทคือ $5.83 ต่อชั่วโมงสำหรับการจับคู่กับ Astra และ $4.47 สำหรับการจับคู่กับ Sol โดยทั้งคู่รวมงานเบื้องหลังไว้ด้วย เทียบกับ $3.00 ต่อชั่วโมงที่มิเตอร์เสียงเพียงอย่างเดียวจะบ่งชี้

Live 3 มีรูปแบบมิเตอร์สองตัวแบบเดียวกัน โดยมีมิเตอร์หนึ่งถูกซ่อนไว้ Fish Audio ไม่ได้ประกาศอัตราค่าสำหรับชั้นเสียงพูด ดังนั้นครึ่งแรกจึงไม่ทราบ และครึ่งหลังคือสิ่งที่ endpoint ที่อยู่เบื้องหลัง hook custom-LLM เรียกเก็บ ดังนั้นการโทร Live 3 เป็นเวลาสิบนาทีจึงมีต้นทุนที่คำนวณได้เฉพาะเมื่อคุณรู้ตัวเลขทั้งสองจำนวน และวันนี้คุณไม่รู้ทั้งสองจำนวนนั้นจากผู้จำหน่าย

ความไม่สมมาตรนั้นคือเหตุผลที่ชั้นการกำหนดเส้นทาง (routing layer) ปรากฏในการเปรียบเทียบนี้เลย และมันอยู่เฉพาะครึ่งหลังเท่านั้น OrcaRouter ไม่ได้โฮสต์ Fish Audio Live 3 หรือ GPT-Live-1 — ทั้งสองไม่มี endpoint เสียงของบุคคลที่สาม และชั้นคำพูด (speech layer) ในสแตกใด ๆ ก็ยังอยู่กับผู้จำหน่ายของตน สิ่งที่ OrcaRouter โฮสต์คือครึ่งที่ทั้งสองระบบมอบหมายให้: 216 โมเดลหลังคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม การสลับไปใช้ตัวสำรองอัตโนมัติเมื่อแบ็กเอนด์เกิดข้อผิดพลาดหรือหมดเวลา DSL สำหรับการกำหนดเส้นทางที่ตัดสินว่าโมเดลใดจัดการกับบทสนทนาชนิดใด และการรวมโมเดล (model fusion) เพื่อให้โมเดลราคาถูกดราฟต์การเรียกเครื่องมือได้ ขณะที่โมเดลที่แข็งแกร่งกว่าตรวจสอบก่อนที่จะยิงออกไป สำหรับการติดตั้ง GPT-Live-1 ผลในทางปฏิบัติคือช่องว่าง 1.4 จุดระหว่างการกำหนดค่าที่ได้คะแนนสองแบบกลายเป็นสิ่งที่คุณวัดจากทราฟฟิกของคุณเองได้ แทนที่จะอ่านจากลีดเดอร์บอร์ด สำหรับการติดตั้ง Live 3 นั่นหมายความว่าชั้นการให้เหตุผล (reasoning layer) ถูกเลือกก่อนที่จะรู้ราคาของชั้นคำพูดด้วยซ้ำ — ซึ่งเป็นลำดับที่ถูกต้อง เพราะมันคือครึ่งที่คุณเปลี่ยนได้ในภายหลัง

ตัวเลขความหน่วงที่ถูกนำไปเปรียบเทียบกับสิ่งที่ผิดอยู่เรื่อย ๆ

มีตัวเลขความหน่วงสามค่าที่แพร่หลายในการเปรียบเทียบนี้ และไม่มีสองค่าที่วัดเหตุการณ์เดียวกันเลย 0.798 วินาทีของ GPT-Live-1 มาจาก Full-Duplex-Bench ซึ่งเป็นชุดทดสอบพลวัตการสนทนาที่จับเวลาของโมเดลภายในสถานการณ์ผลัดกันพูด ส่วน 1.34 วินาทีของมันคือเวลาถึงเสียงแรก โดยวัดผ่าน API 186 มิลลิวินาทีของ Live 3 เป็นตัวเลขของ Fish Audio เองสำหรับช่วงเวลาที่สั้นที่สุดที่โมเดลสามารถเลือกส่งเสียงตอบสนองสั้น ๆ เช่น "mm-hmm" หรือ "okay, 415" ระหว่างแต่ละท่อนของหมายเลขโทรศัพท์

อ่านรวมกันแล้วก็ชวนให้สรุปว่า Live 3 ตอบสนองภายในเวลาหนึ่งในเจ็ด ข้อสรุปนั้นไม่ได้รับการสนับสนุนจากสิ่งใดที่ผู้จำหน่ายทั้งสองรายเผยแพร่ การเปรียบเทียบเดียวที่ตัวเลขเหล่านี้อนุญาตคือการเปรียบเทียบเชิงทิศทาง ทั้งสองบริษัทต่างอ้างว่าเหตุการณ์เสียงแรกในบทสนทนาสามารถมาถึงได้ภายในหนึ่งในสี่ของวินาทีภายใต้เงื่อนไขบางอย่าง และไม่มีรายใดเผยแพร่การกระจายตัว สิ่งที่ GPT-Live-1 มีแต่ Live 3 ไม่มี คือชุดทดสอบของบุคคลที่สามที่ใช้การวัดเดียวกันกับมันและกับคู่แข่ง ซึ่งนั่นคือสิ่งที่ทำให้ 1.34 วินาทีเป็นตัวเลขที่ผู้ตรวจสอบสามารถตรวจสอบได้ และ 186 มิลลิวินาทีเป็นตัวเลขที่ผู้เข้าร่วมโครงการนำร่องต้องยืนยันเอง

สิ่งที่สถาปัตยกรรมผูกมัดคุณไว้

สองครึ่งนี้ไม่ได้พกพาได้เท่ากัน และนั่นคือส่วนที่ควรค่าที่จะคิดก่อนที่โครงการนำร่องใดจะเริ่มต้น

ในฝั่ง GPT-Live-1 เลเยอร์เสียงถูกกำหนดไว้ตายตัวในทางปฏิบัติ เซสชันทำงานผ่าน WebRTC แทนทรานสปอร์ต WebSocket ที่การผสานรวม Realtime ส่วนใหญ่ที่มีอยู่ใช้กัน ปลายทาง Live Sessions เป็นของ OpenAI แต่เพียงเจ้าเดียว และการลองใช้เส้นทางเก่าด้วย ID โมเดล GPT-Live จะส่งคืนข้อผิดพลาดที่ระบุว่าเซสชันต้องใช้ WebRTC การย้ายมาใช้มันคือการเขียนทรานสปอร์ตใหม่ทั้งหมด การย้ายออกจากมันก็เป็นการเขียนใหม่อีกครั้งเช่นกัน

ในฝั่ง Live 3 ชั้นเสียงพูดถูกกำหนดตายตัวในแบบที่ต่างออกไป: มันเป็นแพลตฟอร์มเบต้าจากผู้ขายรายเล็กกว่า รองรับเฉพาะภาษาอังกฤษ ไม่มีราคาที่ประกาศไว้ และไม่มีคะแนนประเมินที่เป็นอิสระ สิ่งที่พอร์ตไปได้ที่นั่นคือ reasoning hook และสิ่งที่พอร์ตไปไม่ได้คือทุกอย่างที่อยู่ใต้ลงไป — เส้นทางเสียง หมายเลขโทรศัพท์ และวงจรชีวิตของเซสชัน

ในทั้งสองกรณี ครึ่งฝั่งมือถือคือโมเดลการให้เหตุผล และนั่นคือจุดที่การสลับคือการเปลี่ยน model-ID ไม่ใช่โครงการเชื่อมต่อระบบ บทเรียนด้านการออกแบบนั้นเหมือนกันทั้งสองด้านของการเปรียบเทียบนี้: วางความสามารถเชิงปัญญาไว้ในชั้นที่คุณสลับได้ และทำให้ชั้นที่คุณสลับไม่ได้บางที่สุดเท่าที่ผลิตภัณฑ์อนุญาต

ควรซื้อครึ่งไหนก่อน

ซื้อครึ่งที่เป็น GPT-Live-1 ก่อน หากคุณจำเป็นต้องหาเหตุผลมาสนับสนุนการตัดสินใจตอนนี้ มันมีอัตราค่าบริการที่ประกาศไว้ มีการกำหนดค่าที่ให้คะแนนแล้วสองแบบ มีการแจกแจงองค์ประกอบ มีช่องทางรับส่งที่มีเอกสารกำกับ และมีบันไดความพร้อมกัน (concurrency ladder) ที่คุณใช้กำหนดขนาดศูนย์บริการลูกค้าได้ สิ่งที่มันไม่มีคือเส้นทางวิดีโอ เอาต์พุตเครื่องมือแบบมีโครงสร้าง ระดับใช้งานฟรี หรือการทำซ้ำโดยอิสระใด ๆ ต่อข้อกล่าวอ้างเรื่องการโต้ตอบ 80.1% ของ OpenAI เอง

นำร่อง Live 3 half ก่อน หากสายของคุณเป็นภาษาอังกฤษ บันทึกข้อร้องเรียนของคุณเต็มไปด้วยผู้โทรที่ถูกพูดทับ และการติดตั้งแบบ on-premises เป็นข้อกำหนดมากกว่าความชอบ เข้าไปโดยรู้ว่าคุณคือการประเมิน: ไม่มีรายการในเรตการ์ด ไม่มีตัวเลข τ-Voice ไม่มีคะแนน arena และคำกล่าวอ้าง 186 มิลลิวินาทีที่อธิบายปฏิกิริยาสั้น ๆ มากกว่าคำตอบ

อย่าซื้อเพียงครึ่งใดครึ่งหนึ่งโดยคาดหวังให้ผู้จำหน่ายทำผลิตภัณฑ์ให้เสร็จสมบูรณ์ GPT-Live-1 ที่ไม่มีแบ็กเอนด์เป็นผู้ฟังที่ดีมากแต่ไม่มีอะไรจะพูด ส่วน Live 3 ที่ไม่มีเอนด์พอยต์การให้เหตุผลอยู่เบื้องหลังฮุกของมันก็เป็นเลเยอร์เสียงแบบเบต้าที่มีบิลที่ยังไม่เปิดเผย คะแนนที่ชี้ขาดการจับคู่นี้ — 81.5 เทียบกับไม่มีอะไรเลย — แท้จริงแล้วเป็นคำแถลงเกี่ยวกับเอกสารประกอบ และตัวเลขที่จะชี้ขาดคือการรันการผลัดกันพูดแบบอิสระครั้งแรกบน Live 3