Fish Audio Live 3 trả lời trong 186 mili giây, rồi dành cả cuộc gọi để quyết định xem có nên lên tiếng hay không

Fish Audio Live 3 là một mô hình giọng nói song công toàn phần mà Fish Audio công bố vào ngày 2026-11-10, và toàn bộ điểm nhấn của nó dựa trên một khác biệt mà hầu hết các tác nhân giọng nói vẫn hiểu sai: một khoảng dừng ở giữa số điện thoại không phải là cùng một sự kiện với khoảng dừng ở cuối một câu hỏi. Mô hình vẫn tiếp tục lắng nghe trong khi nó nói, có thể quyết định phản hồi chỉ trong 186 mili giây theo Fish Audio, và được huấn luyện trên các cuộc hội thoại con người được ghi âm để học khi nào nên xác nhận, khi nào nên chờ, khi nào nên trả lời và khi nào nên dừng — thay vì được đưa cho một bảng ngưỡng im lặng.

Mệnh đề cuối cùng đó mới là phần thú vị, và đó cũng là lý do bài viết này không thể cung cấp cho bạn một chuẩn so sánh. Fish Audio chưa công bố đánh giá nào cho Live 3, không có giá theo byte cho nó trên bảng giá riêng, và không có mã định danh mô hình hay tài liệu endpoint nào nêu tên nó. Artificial Analysis, đơn vị chấm điểm các mô hình giọng nói song công trên một bộ kiểm thử, không có dòng nào cho Live 3 tính đến ngày 2026-11-11 — bảng xếp hạng liệt kê Fish Audio là một họ mô hình và không chấm điểm bất kỳ sản phẩm song công nào của họ. Con số 186 mili giây là do nhà cung cấp báo cáo và chưa được kiểm toán. Phần tiếp theo sẽ tách những gì Fish Audio đã ghi nhận thành tài liệu khỏi những gì họ đã khẳng định, vì một ngày sau khi ra mắt, đó là hai đống khác nhau.

Khoảng dừng làm hỏng một số điện thoại

Ví dụ thực tế do chính Fish Audio đưa ra là lập luận mạnh nhất trong thông báo. Đọc một dãy số thành từng khúc — "415… 555… 0132" — và một agent thông thường sẽ nghe thấy ba sự kiện kết thúc lượt riêng biệt, hoặc một khoảng ngập ngừng dài mà nó nhầm là người gọi đang suy nghĩ. Live 3 được ghi nhận là nói "mm-hmm" hoặc "okay, 415" giữa các khúc rồi chờ phần còn lại. Lời xác nhận đảm nhận hai việc cùng lúc: nó xác nhận các chữ số đã được ghi nhận, và nó giữ lượt nói mở để người gọi có thể thở một chút, kiểm tra vài chữ số tiếp theo và tiếp tục.

Nửa khó hơn của cùng một vấn đề là lỗi ngược lại. Nếu agent đang đọc giờ mở cửa và người gọi nói "vâng" hoặc "ừ-hử" để cho thấy họ vẫn đang theo dõi, Live 3 được tài liệu hóa là vẫn tiếp tục thay vì dừng lại. Sau đó người gọi nói "Khoan đã, thực ra tôi chỉ cần thứ Năm," và nó dừng lại và nhường chỗ. Cách diễn đạt của Fish Audio là không phải mọi âm thanh đều là ngắt lời, và mô hình được kỳ vọng phân biệt tín hiệu đáp lời với việc giành quyền nói mà không cần nhà phát triển liệt kê mọi âm thanh mà con người có thể tạo ra.

Trường hợp thứ ba là những chỉnh sửa giữa câu nói: “Tôi muốn hai chiếc pizza… không, ba. Ba chiếc cỡ lớn. Và… thật ra, đổi một chiếc thành margherita.” Một pipeline kích hoạt ở đơn hàng hoàn chỉnh hợp lý đầu tiên sẽ đặt nhầm đơn hai lần. Live 3 được ghi nhận là chờ qua từng lần chỉnh sửa. Các cuộc gọi hỗ trợ, đặt chỗ và đơn hàng đầy rẫy đúng kiểu này, và đó là lý do giám đốc điều hành của Fish Audio viện đến một phép so sánh ngôn ngữ học thay vì một con số độ trễ.

“Cách khắc phục cho đến nay là thêm nhiều quy tắc và nhiều ngưỡng hơn,” Rissa Cao, đồng sáng lập kiêm CEO của Fish Audio, cho biết. “Chúng tôi nghĩ rằng một mô hình nên học điều này từ các cuộc trò chuyện thực tế, giống như cách các mô hình ngôn ngữ học ngữ pháp.”

Fish Audio thực sự đã ghi những gì trên giấy tờ

Gạt bỏ phần tiếp thị, những gì được công bố của Live 3 đủ ngắn để liệt kê đầy đủ. Mọi thứ bên dưới đều đến từ thông báo của Fish Audio hoặc tài liệu của họ; không có nội dung nào ở đây được đo lường độc lập.

• Thời gian phản hồi — Fish Audio cho biết mô hình có thể quyết định phản hồi chỉ trong 186 mili giây, trong bối cảnh các phản ứng ngắn như "mm-hmm", "okay" và những xác nhận nhanh thay vì câu trả lời đầy đủ.

• Kiến trúc — song công hoàn toàn. Nó vừa nói vừa nghe, và chính nhờ vậy mới có thể xác nhận ngay giữa lúc đang đọc số.

• Tín hiệu huấn luyện — các cuộc trò chuyện thực của con người, với hành vi luân phiên lượt nói được học chứ không phải được cấu hình. Không có kích thước tập dữ liệu, không có số giờ, không có tập đánh giá nào được tiết lộ.

• Ngôn ngữ — Chỉ có tiếng Anh khi ra mắt, được nêu rõ ràng trong thông báo.

• Phân phối — Fish Agent Platform, API riêng của Fish Audio và triển khai tại chỗ cho khách hàng doanh nghiệp.

• Giá — không được công bố. Bảng giá của Fish Audio liệt kê drama-3, s2.1-pro, s2.1-pro-free, s2-pro và s1, cùng với ba mô hình ASR và voice-design-1. Live 3 không xuất hiện trên đó.

Bản thân thông báo đáng được đọc toàn bộ, vì nó đặc biệt cụ thể về hành vi và đặc biệt im lặng về các con số.

Ba đoạn trích âm thanh đi kèm — một người gọi bổ sung chi tiết với những khoảng dừng, một người gọi chen ngang vào danh sách menu, và một người gọi nói “mm-hmm” trong khi tổng đài viên đọc lại đơn hàng — và mỗi đoạn đều là cùng một tuyên bố về hành vi nhìn từ một góc độ khác. Không đoạn nào trong số đó đi kèm điểm số ở cấp bản ghi lời thoại, và thông báo không tuyên bố có điểm như vậy.

Một tác nhân Live 3 được cấu thành từ những gì

Live 3 là lớp giọng nói của một sản phẩm lớn hơn, và phần còn lại của sản phẩm đó chính là nơi diễn ra công việc tích hợp. Fish Audio vận hành một Agent Platform được lưu trữ, hiện đang ở bản beta công khai, cung cấp bề mặt REST dưới /v1/agent/* cùng các SDK máy khách cho JavaScript và React. Có thể gắn agent vào widget web, số điện thoại hoặc máy khách tùy chỉnh, và các phiên được xác thực bằng token phiên thay vì khóa tồn tại lâu dài trong trình duyệt. Nền tảng xử lý luồng âm thanh; bạn mang đến hướng dẫn, công cụ và quy trình làm việc.

Phần quan trọng đối với bất kỳ ai xây dựng dựa trên nó là hook LLM tùy chỉnh. Fish Audio cho phép lớp suy luận của một agent trỏ tới một endpoint tương thích OpenAI, nghĩa là mô hình đảm nhận việc suy nghĩ không nhất thiết phải là của nhà cung cấp. Đó là một đường nối có chủ đích, và chính là đường nối mà một lớp định tuyến nên nằm ở đó. OrcaRouter nằm phía sau endpoint đó với 216 mô hình từ cùng một key, theo giá niêm yết của nhà cung cấp, không cộng thêm và tự động chuyển đổi dự phòng khi nhà cung cấp gặp lỗi — nhờ đó bộ lập kế hoạch bên trong một agent Live 3 có thể được hoán đổi, kiểm thử A/B trên bản ghi cuộc gọi thực tế và trỏ lại mà không cần chạm vào lớp giọng nói hay số điện thoại. Một DSL định tuyến quyết định mô hình nào nhận cuộc gọi nào, và tính năng hợp nhất mô hình cho phép một mô hình rẻ tạo bản nháp trong khi một mô hình mạnh hơn xem xét lời gọi công cụ trước khi nó thực thi. Nói rõ về ranh giới: OrcaRouter không lưu trữ Fish Audio Live 3. Không có endpoint của bên thứ ba cho nó, và lớp giọng nói ở đây là của chính nhà cung cấp.

Nền tảng là nơi tác nhân nhận số điện thoại, công cụ và vòng đời phiên của mình.

Điều gì sẽ giải quyết được chuyện đó?

Ba con số sẽ biến điều này từ một tuyên bố thành một điểm dữ liệu, và hiện chưa có con số nào trong số đó tồn tại.

• Giá theo từng byte hoặc theo từng phút cho Live 3, để có thể so sánh chi phí của một cuộc gọi mười phút với cascade mà nó thay thế. Cho đến khi điều đó thành hiện thực, mọi ước tính tổng chi phí cho một triển khai Live 3 chỉ là một phỏng đoán có thêm dấu thập phân.

• Một phân bố độ trễ chứ không phải một mức sàn. “Nhanh nhất chỉ 186 mili giây” mô tả phần đuôi nhanh của các phản hồi ngắn. Thời gian đến âm thanh đầu tiên cho một câu trả lời đầy đủ mới là con số quyết định liệu người gọi có nói chồng lên tác nhân hay không, và Fish Audio chưa công bố con số đó.

• Điểm luân phiên lượt nói độc lập. Artificial Analysis chạy Full-Duplex-Bench và một bài kiểm thử tác tử τ-Voice trên các mô hình song công, và cả hai sẽ so sánh trực tiếp được với các hàng đã công bố cho các mô hình song công khác trên thị trường này. Một hàng Live 3 trên một trong hai bảng sẽ trả lời trong một bảng những gì bản thông báo trả lời bằng văn xuôi.

Trong lúc đó, đánh giá trung thực là thế này: vấn đề mà Fish Audio chọn là có thật và chưa được phục vụ đầy đủ, các ví dụ minh họa là đúng những ví dụ phù hợp, và mô hình đang được đưa đến người dùng thực thông qua một nền tảng mà bản thân nó vẫn đang trong giai đoạn beta. Nếu kiểu lỗi hiện tại của agent của bạn là người gọi bị nói chen ngang, hoặc họ phải lặp lại một chuỗi chữ số hai lần, thì Live 3 nhắm chính xác vào điều đó — và thứ đầu tiên cần đo lường sau khi triển khai không phải là độ trễ mà là tần suất người gọi phải bắt đầu lại.