Fish Audio Live 3 กับ Grok Voice 3.0: ราคาของตัวหนึ่งเป็นแบบแพ็กเกจรวม แต่อีกตัวเป็นเพียงองค์ประกอบ

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.

สกอร์บอร์ดที่มีอยู่เพียงด้านเดียว

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.

• การให้เหตุผลด้านเสียงพูด, Big Bench Audio — 98.5%

• พลวัตการสนทนา, Full Duplex Bench — 97.0% โดยมี backchannelling 92.9%, การจัดการการขัดจังหวะ 96.5%, การผลัดกันพูด 100% และการจัดการการหยุดชั่วคราว 98.5%

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

• ความสำเร็จของงาน — 94.8% ในสถานการณ์จำลองสายการบิน ค้าปลีก และโทรคมนาคมของ τ-Voice

• 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.

• ค่าใช้จ่ายต่อชั่วโมงของเสียงอินพุต — $4.80 ซึ่งเป็นการแปลงโดยตรงจากอัตราต่อนาทีของผู้ให้บริการเอง

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.

สิ่งที่ข้ออ้างเรื่องการทำงานสองทางของแต่ละฝ่ายผูกพันไว้จริง ๆ

โมเดลทั้งสองเป็นแบบ full duplex ดังนั้น "ฟังขณะพูด" จึงไม่ใช่จุดที่ทำให้ทั้งสองแตกต่างกัน แต่เป็นเพียงคุณสมบัติพื้นฐานที่ต้องมี ความแตกต่างอยู่ที่ว่าการกำหนดนโยบายด้านจังหวะเวลามาจากไหน

ข้อโต้แย้งของ Fish Audio คือ การตอบรับ การรอ การตอบ และการหยุด ถูกเรียนรู้จากบทสนทนาของมนุษย์ที่บันทึกไว้ แทนที่จะเขียนเป็นรายการเกณฑ์ความเงียบ และอธิบายสิ่งนี้ด้วยหมายเลขโทรศัพท์ที่อ่านออกมาเป็นท่อน ๆ: เอเจนต์ที่ได้ยินเหตุการณ์สิ้นสุดรอบพูดสามครั้งในขณะที่มนุษย์ได้ยินเพียงหนึ่งการลังเล คือความล้มเหลวที่กำลังถูกแก้ไข วัสดุสนับสนุนคือสายตัวอย่างสามสาย ได้แก่ การทำรายการสั่งซื้อให้เสร็จ การพูดแทรก และการส่งเสียงตอบรับระหว่างการอ่านทวน สิ่งที่ Fish Audio ยังไม่ได้เผยแพร่คือการวัดใด ๆ ว่ามีนโยบายที่เรียนรู้เอาชนะนโยบายที่ใช้เกณฑ์ได้หรือไม่

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.

เงินไปลงเอยที่ไหนจริง ๆ

การแบ่งแบบบันเดิลเทียบกับแบบคอมโพเนนต์ทำให้เกิดรูปแบบต้นทุนสี่แบบ และมีเพียงแบบเดียวเท่านั้นที่เอื้อต่อ Live 3 ในลักษณะที่ยังคงทนเมื่อต้องเผชิญกับการโทรจริง

• Live 3 บน Agent Platform — $0.035 ต่อนาทีแบบรวมทุกอย่างในช่วงโปรโมชัน ครอบคลุมการรู้จำ การวิเคราะห์เหตุผล และเสียง; บวก $0.01 ต่อนาทีสำหรับการโทรศัพท์, $1.20 ต่อเดือนต่อหมายเลขโทรศัพท์ และอัตราค่าโทเคนของ LLM ระดับพรีเมียม หากคุณอัปเกรดจากโมเดลที่รวมมาให้ การโทร 10 นาทีคิดเป็น 35 เซนต์ บวกค่าโทรศัพท์

• 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.

• ไม่ว่าจะเลือกทางไหน ด้วยโมเดลการให้เหตุผลของคุณเอง — นี่คือรูปแบบเดียวที่ทั้งสองฝ่ายมาบรรจบกัน เพราะผู้ให้บริการทั้งสองรายเปิดให้คุณจัดหาสมองเองและคิดค่าบริการเฉพาะชั้นเสียงพูด

ประเด็นสุดท้ายนั้นคือข้อสรุปเชิงปฏิบัติที่ซ่อนอยู่ในตารางราคา หากผลิตภัณฑ์ของคุณสร้างความแตกต่างในชั้นการให้เหตุผล บันเดิลก็คือส่วนลดสำหรับสิ่งที่คุณกำลังจะแทนที่อยู่แล้ว หากไม่เป็นเช่นนั้น บันเดิลก็ถูกกว่าและง่ายกว่าจริง ๆ และโปรโมชัน 50% ก็เป็นดีลที่ดีที่สุดในหมวดเสียงเดือนนี้

การจัดซื้อจัดจ้าง และคำถามที่เรตการ์ดของใครก็ตอบไม่ได้

ราคากับคะแนนเป็นครึ่งที่ง่าย ส่วนครึ่งที่ยากคือสิ่งที่เกิดขึ้นเมื่อโมเดลเปลี่ยนไปข้างใต้คุณ และตรงจุดนี้ ผู้ขายทั้งสองรายเดินหมากสวนทางกัน

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.

ทั้งสองทางเลือกไม่ได้ไร้เหตุผล แต่ทีมวิศวกรรมที่กำลังเลือกระหว่างสองทางนี้ควรสังเกตว่าตนมีความพร้อมมากกว่าที่จะรองรับความเสี่ยงแบบใด เพราะคำตอบนั้นมักใช้ทำนายความสำเร็จในการนำไปใช้งานได้ดีกว่าราคาสี่เซนต์ต่อนาที

เลเยอร์ที่พกพาได้ และขอบเขตที่ซื่อตรง

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.

สำหรับทีมที่ยังอยู่ระหว่างการตัดสินใจ การทดลองที่ถูกที่สุดคือการทดลองที่ราคานี้เปิดทางให้ทำได้: ลองส่งสายเดียวกันยี่สิบสายผ่านทั้งสองระบบ ให้คุณให้คะแนนการขัดจังหวะด้วยตัวเอง แล้วดูว่าความสำเร็จของงาน 94.8% ในสถานการณ์ค้าปลีกของคนอื่นนั้นบอกอะไรได้บ้างเกี่ยวกับสถานการณ์ของคุณ 186 มิลลิวินาทีของ Live 3 จะรู้สึกไม่ใช่ก็เป็นจุดสำคัญของโมเดล หรือไม่ก็เป็นเพียงตัวเลขเกี่ยวกับเสียงรบกวนที่เอเจนต์สร้างขึ้นขณะคิด นั่นไม่ใช่คำถามที่ตารางราคาจะตัดสินได้ และมันเป็นคำถามเดียวที่สำคัญหลังจากใบแจ้งหนี้มาถึง