Fish Audio Live 3 vs Grok Voice 3.0: Một mức giá là gói trọn bộ, còn một là thành phần

Đặt hai bảng giá cạnh nhau và mô hình mới hơn trông có giá chưa bằng một nửa. Fish Audio Live 3 có giá $0,035 mỗi phút trên Fish Audio's Agent Platform — mức giá khuyến mãi, bằng một nửa giá niêm yết $0,07, áp dụng đến hết ngày 31 tháng 12 năm 2026. Grok Voice 3.0 có giá $0,08 mỗi phút, tức $4,80 một giờ, cộng thêm $0,004 mỗi token đầu vào văn bản. Bốn xu so với tám xu là một câu chuyện rõ ràng cho đến khi bạn nhận ra hai con số đang tính tiền cho những đối tượng khác nhau: Grok Voice 3.0 là một thành phần chuyển giọng nói sang giọng nói mà bạn thuê, còn con số mỗi phút của Live 3 gộp nhận dạng giọng nói, mô hình suy luận và giọng nói vào một đồng hồ đo. Một cái là linh kiện, cái kia là một cụm lắp ráp. So sánh chúng theo phút thì bạn đang so một hộp số với một chiếc xe hơi.

Sự khác biệt đó chính là toàn bộ phép so sánh, và đáng để nói rõ vì sao. Grok Voice 3.0 là một chuỗi phiên bản mô hình nằm sau một WebSocket thời gian thực với các công cụ gắn theo phiên và bản ghi thoại được trả về, có giá tính theo phút âm thanh mà nó xử lý và được chấm điểm, một cách độc lập, ở mức 86,9 trên Artificial Analysis Speech to Speech Index. Fish Audio Live 3 là một mô hình song công toàn phần ra mắt ngày 10 tháng 11 năm 2026, vẫn tiếp tục lắng nghe trong khi nói, chỉ hỗ trợ tiếng Anh khi ra mắt theo chính tuyên bố của công ty, không có bất kỳ benchmark nào được công bố, không có định danh mô hình trong tài liệu API của Fish Audio, và không phát hành trọng số — phản hồi công khai của dự án vLLM về buổi ra mắt là hy vọng một ngày nào đó nó sẽ được mã nguồn mở.

Bảng điểm chỉ tồn tại ở một phía

Artificial Analysis đo lường Grok Voice 3.0 trên cùng khung kiểm thử mà họ dùng cho mọi mô hình song công, và các con số thu được đầy đủ một cách bất thường. Mọi số liệu dưới đây đều là của chính bảng xếp hạng, lấy từ lần chạy ngày 13 tháng 10 năm 2026.

Suy luận giọng nói, Big Bench Audio — 98,5%.

• Động lực hội thoại, Full Duplex Bench — 97,0%, với backchannelling 92,9%, xử lý ngắt lời 96,5%, luân phiên lượt nói 100% và xử lý khoảng dừng 98,5%.

• Mức độ yêu thích trên Speech Agent Arena — Elo 1059, so với 1074 của Gemini 3.8 Live và 990 của Eleven Realtime v1 Max.

• Tỷ lệ hoàn thành nhiệm vụ — 94,8% trên các kịch bản hàng không, bán lẻ và viễn thông của τ-Voice.

• Thời gian đến âm thanh đầu tiên — 0,81 giây, chậm hơn mức 0,70 của Grok Voice 2.0 và nhanh hơn khoảng 40% so với GPT-Live-1 ở cấu hình Astra medium của nó tại 1,34 giây.

• Chi phí mỗi giờ âm thanh đầu vào — $4,80, quy đổi trực tiếp từ mức giá theo phút của chính nhà cung cấp.

Cột của Live 3 không phải thưa thớt, mà là trống rỗng, và sự trống rỗng ấy có một hình dạng cụ thể. Không có hàng nào trên bảng đó cho bất kỳ mô hình song công nào của Fish Audio tính đến ngày 11 tháng 11 năm 2026 — bảng liệt kê Fish Audio là một họ mô hình và không chấm điểm bất kỳ công việc trực tiếp nào của nó. Con số duy nhất được Fish Audio công bố là 186 mili giây để quyết định phản hồi, mà công ty mô tả trong bối cảnh những phản ứng ngắn như "mm-hmm" chứ không phải câu trả lời đầy đủ. Đó là mức sàn của nhà cung cấp cho một sự xác nhận. 0,81 giây của Grok là thời gian đến âm thanh đầu tiên được kiểm toán trên một câu trả lời. Không có gì ở hai con số đó là có thể so sánh được, và việc cả hai đều được biểu thị bằng giây chính là cái bẫy.

Tuyên bố song công của mỗi bên thực sự cam kết điều gì

Cả hai mô hình đều là song công hoàn toàn, nên “vừa nói vừa nghe” không phải là điểm khác biệt giữa chúng; đó chỉ là điều kiện tối thiểu để tham gia. Khác biệt nằm ở chỗ chính sách thời điểm đến từ đâu.

Lập luận của Fish Audio là việc xác nhận, chờ đợi, trả lời và dừng lại đều được học từ các cuộc hội thoại con người được ghi âm, thay vì được viết thành một danh sách các ngưỡng im lặng, và họ minh họa điều đó bằng một số điện thoại được đọc thành từng đoạn: một tác nhân nghe thấy ba sự kiện kết thúc lượt trong khi con người chỉ nghe thấy một sự ngập ngừng chính là lỗi đang được khắc phục. Tài liệu hỗ trợ gồm ba cuộc gọi mẫu: hoàn tất một đơn hàng, chen ngang và đáp lời trong khi đọc lại thông tin. Điều Fish Audio chưa công bố là bất kỳ phép đo nào cho thấy liệu chính sách được học có vượt trội so với một chính sách dựa trên ngưỡng hay không.

Chính sách định thời của Grok Voice 3.0 hoàn toàn không được giải thích bằng các thuật ngữ hành vi. Những gì xAI công bố là một bảng giá, một chuỗi mô hình, một thay đổi bí danh — grok-voice-latest giờ được phân giải thành grok-voice-3.0, và grok-voice-2.0 được gắn cờ là không dùng nữa — và, thông qua Artificial Analysis, một bộ điểm số chuyển lượt lời mà người mua có thể đọc như một tuyên bố rủi ro. Điểm số ngắt lời 96,5% là một tuyên bố bạn có thể kiểm tra với chính bản ghi cuộc gọi của mình. Ngưỡng xác nhận tối thiểu 186 mili giây là một tuyên bố bạn phải tin tưởng cho đến khi bạn chạy thử nó.

Việc chuyển alias quan trọng hơn vẻ ngoài của nó trong một hệ thống điện thoại. Grok Voice 2.0 trở thành mục tiêu alias vào ngày 5 tháng 8 năm 2026 và bị 3.0 thay thế mười tuần sau đó, nghĩa là một nhóm đã triển khai dựa trên alias đã trải qua hai lần hoán đổi mô hình âm thầm trong một quý. Việc bạn ghim grok-voice-3.0 một cách rõ ràng hay không là một quyết định triển khai mà nhà cung cấp đã thực sự áp đặt.

Tiền thực sự chảy về đâu

Sự phân chia giữa gói gộp và thành phần tạo ra bốn dạng cấu trúc chi phí, và chỉ một trong số đó có lợi cho Live 3 theo cách vẫn đứng vững khi đối diện với một cuộc gọi thực tế.

• Live 3 trên Agent Platform — $0.035 mỗi phút trọn gói trong thời gian khuyến mãi, bao gồm nhận dạng, suy luận và giọng nói; cộng thêm $0.01 mỗi phút cho cuộc gọi điện thoại, $1.20 mỗi tháng cho mỗi số điện thoại, và mức giá token của LLM cao cấp nếu bạn nâng cấp khỏi mô hình đi kèm. Một cuộc gọi mười phút tốn 35 xu cộng thêm phí điện thoại.

• Live 3 sau ngày 31 tháng 12 năm 2026 — giá niêm yết là $0.07 mỗi phút, khi đó mức giá trọn gói chỉ chênh chưa đầy một xu so với mức $0.08 của Grok và lập luận về gói bundle sẽ phải tự gánh vác phần so sánh. Fish Audio chưa cho biết điều gì sẽ xảy ra với khoản giảm giá.

• Grok Voice 3.0 — $0.08 mỗi phút âm thanh cộng $0.004 mỗi token đầu vào văn bản, trong đó mô hình suy luận, hệ thống điện thoại và phần điều phối đều được mua riêng. Mức giá theo phút chỉ là mức sàn, không phải tổng cộng.

• Hoặc là, với một mô hình suy luận của riêng bạn — cấu hình duy nhất mà cả hai hội tụ, vì cả hai nhà cung cấp đều cho phép bạn tự cung cấp bộ não và tính phí riêng cho lớp giọng nói.

Điểm cuối cùng đó chính là kết luận thực tế ẩn bên trong bảng giá. Nếu sản phẩm của bạn tạo ra sự khác biệt ở lớp suy luận, thì gói combo là một khoản giảm giá cho thứ mà bạn vốn định thay thế. Nếu không, gói combo thực sự rẻ hơn và đơn giản hơn, và ưu đãi 50% là thương vụ tốt nhất trong mảng thoại tháng này.

Mua sắm, và câu hỏi mà không bảng giá nào trả lời được

Giá và điểm số là nửa dễ. Nửa khó là điều xảy ra khi mô hình thay đổi ngay dưới chân bạn, và ở đây hai nhà cung cấp đã có những đánh đổi trái ngược nhau.

Grok Voice 3.0 có giao diện ổn định và một mô hình không ổn định: cùng endpoint, cùng tên sự kiện, cùng bắt tay bearer-token, cùng bộ giọng nói, với mô hình được hoán đổi phía sau một alias. Fish Audio Live 3 có giao diện không ổn định và, hiện tại, một mô hình ổn định: nền tảng đang ở giai đoạn beta công khai, mô hình song công là mới, tài liệu API của nó chưa đặt tên cho mô hình này, và bài đăng ra mắt là tài liệu duy nhất mô tả hành vi của nó. Một cách sắp xếp đòi hỏi bạn phải kiểm thử liên tục. Cách còn lại đòi hỏi bạn phải đọc ghi chú phát hành.

Cả hai đều không vô lý. Nhưng một đội kỹ thuật đang lựa chọn giữa hai phương án nên để ý xem mình có khả năng hấp thụ rủi ro nào tốt hơn, vì câu trả lời đó thường dự báo tốt hơn cho một lần triển khai thành công so với bốn xu một phút.

Lớp di động và ranh giới trung thực

Cả hai stack đều là hệ thống hai phần, và ở cả hai, nửa giọng nói đều không thể chuyển đổi nền tảng — Grok Voice 3.0 chỉ chạy trên endpoint realtime của xAI, Live 3 chỉ trên nền tảng Fish Audio và trên phần cứng doanh nghiệp. Nửa suy luận là nơi một router thuộc về, và ở cả hai, đó là một khoản mua riêng: ở phía Grok, đó là một mô hình bạn gọi từ bên trong các công cụ của phiên, còn ở phía Fish, đó là một endpoint tương thích với OpenAI mà agent trỏ tới. OrcaRouter mang hơn 200 mô hình đằng sau một khóa với giá niêm yết của nhà cung cấp, không phụ phí, vì vậy mô hình văn bản trong một trong hai stack có thể được hoán đổi hoặc ghim mà không cần đàm phán lại hợp đồng giọng nói, và tính năng chuyển đổi dự phòng tự động giữ cho phiên hoạt động khi backend suy luận gặp lỗi giữa cuộc gọi. Không mô hình giọng nói nào có thể định tuyến ở đây — không có endpoint bên thứ ba cho cả hai — và bài viết này sẽ gây hiểu lầm nếu ngụ ý điều ngược lại.

Với một đội vẫn đang cân nhắc, thử nghiệm rẻ nhất là thử nghiệm mà mức giá cho phép: chạy cùng hai mươi cuộc gọi qua cả hai, tự chấm điểm các lần ngắt lời, và xem liệu 94,8% thành công nhiệm vụ trên các kịch bản bán lẻ của người khác có dự báo được gì về kịch bản của bạn hay không. 186 mili giây của Live 3 sẽ hoặc giống như điểm mấu chốt của mô hình, hoặc giống như một con số về tiếng ồn mà agent tạo ra trong khi suy nghĩ. Đó không phải câu hỏi mà bảng giá có thể giải quyết, và đó là câu hỏi duy nhất còn quan trọng sau khi hóa đơn đến.