Fish Audio Live 3 vs GPT-Live-1: Cả hai đều chỉ là một nửa sản phẩm, và thước đo cho biết đó là nửa nào.

Fish Audio Live 3 và GPT-Live-1 đều là những mô hình giọng nói song công hoàn toàn (full-duplex), cả hai đều lập luận rằng việc luân phiên lượt nói thuộc về bên trong mô hình giọng nói, và xét riêng từng mô hình thì cả hai đều chưa hoàn chỉnh. GPT-Live-1 nghe và nói rồi giao phần suy nghĩ cho một mô hình backend riêng — đó là thiết kế của nó, không phải hạn chế — và nó tính $0.05 mỗi phút giọng nói cho nửa đầu, trong khi phần suy luận được tính trên một đồng hồ đo thứ hai. Fish Audio Live 3 về mặt cấu trúc cũng làm điều tương tự: lớp giọng nói chạy trên Agent Platform của Fish Audio, trong khi phần suy luận của agent có thể trỏ tới bất kỳ endpoint tương thích OpenAI nào thông qua hook custom-LLM. Khác biệt là OpenAI đã công bố giá của nửa đầu và Artificial Analysis đã công bố điểm của toàn bộ hệ thống, còn Fish Audio thì không công bố cả hai, và gắn nhãn cho con số duy nhất mà họ đưa ra — 186 mili giây, khoảng thời gian ngắn nhất để Live 3 có thể quyết định phản ứng — là do nhà cung cấp tự báo cáo.

Điều đó khiến đây không hẳn là cuộc so tài giữa hai mô hình mà là giữa hai cách chia đôi một tác nhân giọng nói, và cách chia quan trọng hơn mô hình. GPT-Live-1 đạt 81,5 trên Artificial Analysis Speech to Speech Index khi ghép với GPT-6 Astra ở mức nỗ lực trung bình và 80,1 với GPT-5.6 Sol ở mức nỗ lực thấp, nghĩa là việc chọn backend đã làm kết quả dịch chuyển một khoảng gấp bảy lần biên độ giữa vị trí thứ nhất và thứ hai. Hiện chưa có con số tương đương cho Live 3. Mua một trong hai tức là mua một nửa hệ thống và tự cam kết chọn nửa còn lại.

Mỗi nhà cung cấp thực sự đã công bố những gì

GPT-Live-1 là sản phẩm được ghi chép tài liệu tốt hơn, và tài liệu nói cụ thể về ranh giới này. Nó được phát hành trong ChatGPT vào 2026-07-08 để thay thế Advanced Voice Mode và đến được API dành cho nhà phát triển vào 2026-09-10. Bảng xếp hạng Artificial Analysis có hai dòng cho sản phẩm này vì chỉ số đánh giá cả một hệ thống: 81,5 với GPT-6 Astra ở mức nỗ lực trung bình, vị trí thứ nhất, và 80,1 với GPT-5.6 Sol ở mức nỗ lực thấp, vị trí thứ ba. Các con số thành phần bên dưới dòng Astra là điểm agentic 67,9% trên τ-Voice, 90% trên Big Bench Audio, 87,4% tỷ lệ thành công nhiệm vụ, Elo đấu trường 1.048 và 1,34 giây đến âm thanh đầu tiên — được đo so với 0,798 giây của chính OpenAI trên Full-Duplex-Bench, bài đo tính một sự kiện khác.

Bề mặt công bố của Live 3 chỉ gồm một đoạn văn và một tập ví dụ đã được triển khai. Fish Audio đã công bố nó vào 2026-11-10, mô tả nó là song công hoàn toàn và được huấn luyện trên các cuộc hội thoại con người được ghi âm, nêu rằng nó có thể quyết định phản hồi chỉ trong 186 mili giây đối với các phản ứng ngắn, cho biết tại thời điểm ra mắt nó chỉ hỗ trợ tiếng Anh, và cung cấp nó thông qua Fish Agent Platform, API riêng của Fish Audio và triển khai tại chỗ. Không có benchmark, không có con số τ-Voice, không có Elo đấu trường, và không có dòng nào dành cho nó trên bảng giá của Fish Audio — bảng giá này liệt kê drama-3, s2.1-pro, s2.1-pro-free, s2-pro và s1, cùng với ba mô hình phiên âm và voice-design-1.

• Nửa đầu — GPT-Live-1: 0,05 USD mỗi phút thoại, tính phí theo từng giây, với 15 giây được tính phí khi bắt đầu phiên và được ghi có để trừ vào mức sử dụng sau đó. Live 3: giá chưa được công bố.

• Nửa sau — GPT-Live-1: một mô hình backend bất đồng bộ do bạn chọn, được tính phí theo mức giá của mô hình đó, với GPT-5.6 Terra trong ví dụ WebRTC đã công bố của OpenAI. Live 3: một hook custom-LLM trỏ tới bất kỳ endpoint tương thích OpenAI nào, cũng được tính phí bởi bên cung cấp nó.

• Điểm độc lập — GPT-Live-1: 81,5 và 80,1 trên chỉ số tổng hợp, hai cấu hình được tính điểm riêng. Live 3: không có, tính đến ngày 2026-11-11.

• Vận chuyển và giới hạn — {{1}}GPT-Live-1: chỉ WebRTC, không có đầu vào hình ảnh hoặc video, không có đầu ra có cấu trúc, không có gói miễn phí và giới hạn đồng thời là 25, 50, 200, 300 và 500 phiên đồng thời trên các Hạng 1 đến 5.{{/1}} {{2}}Live 3: REST dưới /v1/agent/* với SDK JavaScript và React, xác thực bằng token phiên, các kênh cho số điện thoại, widget web hoặc ứng dụng khách tùy chỉnh.{{/2}}

Vì sao cấu trúc hai mét mới là quyết định thực sự

Hóa đơn của một tác nhân giọng nói có hai phần và chỉ một phần trong đó là có thể dự đoán được. Phần đầu được tính theo thời gian: ở mức $0.05 một phút, một cuộc gọi năm phút tốn một phần tư đô-la và một giờ giữ đường dây mở tốn ba đô-la, phép tính đủ đơn giản để dự báo. Phần sau được tính theo token, thay đổi tùy theo mức độ “suy nghĩ” của người gọi, và chính là phần tạo ra những bất ngờ khó chịu — đó là lý do Artificial Analysis báo cáo chi phí trọn gói mỗi giờ thay vì mức giá giọng nói mỗi phút. Con số của họ là $5.83 một giờ cho cấu hình Astra và $4.47 cho cấu hình Sol, cả hai đều bao gồm công việc phía backend, so với $3.00 một giờ mà chỉ riêng đồng hồ đo giọng nói sẽ gợi ý.

Live 3 có cùng cấu trúc hai đồng hồ đo, với một đồng hồ bị ẩn. Fish Audio chưa công bố mức giá nào cho lớp giọng nói, nên nửa đầu là ẩn số, còn nửa sau là mức mà endpoint đằng sau hook custom-LLM tính phí. Vì vậy, một cuộc gọi Live 3 dài mười phút chỉ có chi phí tính được nếu bạn biết cả hai con số, mà hiện nay bạn không biết con số nào trong hai con số đó từ nhà cung cấp.

Sự bất đối xứng đó là lý do một lớp định tuyến xuất hiện trong phép so sánh này, và nó chỉ thuộc về nửa sau. OrcaRouter không lưu trữ Fish Audio Live 3 hay GPT-Live-1 — cả hai đều không có endpoint giọng nói của bên thứ ba, và lớp giọng nói trong mỗi ngăn xếp vẫn thuộc về nhà cung cấp của nó. Thứ mà OrcaRouter lưu trữ là nửa mà cả hai hệ thống giao phó cho: 216 mô hình đằng sau một khóa với giá niêm yết của nhà cung cấp và không phụ phí, tự động chuyển đổi dự phòng khi một backend gặp lỗi hoặc hết thời gian chờ, một DSL định tuyến quyết định mô hình nào xử lý loại lượt nào, và hợp nhất mô hình để một mô hình rẻ có thể soạn nháp một lệnh gọi công cụ trong khi một mô hình mạnh hơn kiểm tra nó trước khi nó được thực thi. Đối với một triển khai GPT-Live-1, hiệu ứng thực tế là khoảng cách 1,4 điểm giữa hai cấu hình được chấm điểm trở thành thứ bạn có thể đo trên lưu lượng của chính mình thay vì đọc từ bảng xếp hạng. Đối với một triển khai Live 3, điều đó có nghĩa là lớp suy luận được chọn trước khi giá của lớp giọng nói còn chưa được biết — đây là thứ tự đúng, vì đó là nửa bạn có thể thay đổi về sau.

Con số độ trễ cứ bị đem so sánh với thứ sai.

Ba con số độ trễ đang lưu hành trong cuộc so tài này và không có hai con số nào trong đó đo cùng một sự kiện. Con số 0,798 giây của GPT-Live-1 đến từ Full-Duplex-Bench, một bộ đánh giá động lực hội thoại đo thời gian của một mô hình trong một kịch bản luân phiên lượt nói. Con số 1,34 giây của nó là thời gian đến âm thanh đầu tiên, được đo trên API. Con số 186 mili giây của Live 3 là con số do chính Fish Audio công bố cho khoảng thời gian nhỏ nhất mà mô hình có thể chọn phát ra một phản ứng ngắn như “mm-hmm” hoặc “okay, 415” giữa các đoạn của một số điện thoại.

Đọc tất cả những điều đó cùng nhau, dễ khiến người ta kết luận rằng Live 3 phản hồi trong một phần bảy thời gian. Kết luận đó không được bất cứ điều gì mà một trong hai nhà cung cấp công bố chống đỡ. So sánh duy nhất mà các con số cho phép là mang tính định hướng: cả hai công ty đều đang tuyên bố rằng sự kiện nghe được đầu tiên trong một cuộc hội thoại có thể đến trong vòng một phần tư giây trong một số điều kiện, và không bên nào công bố phân bố. Điều GPT-Live-1 có mà Live 3 không có là một bộ khung kiểm thử của bên thứ ba áp dụng cùng phép đo cho nó và cho các đối thủ cạnh tranh, đó là điều khiến 1,34 giây trở thành con số mà người đánh giá có thể kiểm tra và 186 mili giây là con số mà người chạy thử nghiệm phải xác minh.

Kiến trúc ràng buộc bạn vào những gì

Hai nửa không khả chuyển như nhau, và đó chính là phần đáng suy nghĩ trước khi một trong hai thí điểm bắt đầu.

Về phía GPT-Live-1, lớp giọng nói trên thực tế đã cố định. Các phiên chạy qua WebRTC thay vì giao thức truyền tải WebSocket mà hầu hết các tích hợp Realtime hiện có đang dùng, endpoint Live Sessions chỉ riêng OpenAI có, và việc thăm dò đường dẫn cũ hơn bằng một ID mô hình GPT-Live sẽ trả về lỗi cho biết các phiên yêu cầu WebRTC. Chuyển sang nó là một lần viết lại lớp truyền tải. Chuyển ra khỏi nó lại là thêm một lần nữa.

Về phía Live 3, lớp giọng nói được xác định theo một cách khác: đây là một nền tảng beta từ một nhà cung cấp nhỏ hơn, chỉ hỗ trợ tiếng Anh, không có giá công bố và không có điểm số độc lập. Thứ có thể chuyển sang ở đó là hook suy luận, còn thứ không thể là mọi thứ bên dưới nó — đường âm thanh, số điện thoại, vòng đời phiên.

Trong cả hai trường hợp, phần di động là mô hình suy luận, và đó là nơi việc chuyển đổi chỉ là thay đổi ID mô hình chứ không phải một dự án tích hợp. Bài học thiết kế là như nhau ở cả hai phía của so sánh này: hãy đặt trí tuệ vào lớp mà bạn có thể hoán đổi, và giữ lớp mà bạn không thể hoán đổi mỏng nhất như sản phẩm cho phép.

Mua nửa nào trước

Hãy mua phần GPT-Live-1 trước nếu bạn cần biện minh cho quyết định ngay bây giờ. Nó có mức giá được công bố, hai cấu hình đã được chấm điểm, phân tích thành phần, cơ chế truyền tải được tài liệu hóa và thang đồng thời mà bạn có thể dùng để định cỡ một tổng đài. Điều nó không có là đường dẫn video, đầu ra công cụ có cấu trúc, gói miễn phí, hoặc bất kỳ bản tái tạo độc lập nào cho tuyên bố tương tác 80.1% của chính OpenAI.

Hãy thí điểm nửa Live 3 trước nếu các cuộc gọi của bạn bằng tiếng Anh, nhật ký khiếu nại của bạn đầy những người gọi bị nói át lời, và triển khai tại chỗ là yêu cầu bắt buộc chứ không phải sở thích. Hãy bước vào với hiểu biết rằng bạn chính là phép đánh giá: không có dòng bảng giá nào, không có con số τ-Voice nào, không có điểm đấu trường nào, và một tuyên bố 186 mili giây mô tả những phản ứng ngắn chứ không phải câu trả lời.

Đừng mua nửa nào trong hai nửa đó với kỳ vọng nhà cung cấp sẽ hoàn thiện sản phẩm.GPT-Live-1 không có backend là một người nghe rất giỏi nhưng chẳng có gì để nói; Live 3 không có endpoint suy luận phía sau hook của nó là một lớp giọng nói beta với hóa đơn chưa được công bố. Điểm số quyết định cuộc đối đầu này — 81,5 đối đầu với con số không — thực chất là một nhận định về tài liệu, và con số sẽ phân định nó chính là lần chạy luân phiên lượt nói độc lập đầu tiên trên Live 3.