Fish Audio Live 3 已达生产就绪且为闭源：vLLM-Omni 的提议究竟要求什么

关于 Fish Audio Live 3 最能说明问题的一句话，并非出自 Fish Audio 之手。2026 年 11 月 10 日，该公司发布这一模型时，传播最广的回复来自 vLLM 项目的账号：祝贺其发布了一款能边说边听的全双工语音模型，希望有朝一日它能开源，并表示一旦开源，vLLM-Omni 很乐意为其提供服务。把这则回复读两遍，你就能看清整个发布的轮廓，因为它同时包含故事的两半——真实的能力进步，以及一个服务框架会立刻察觉到的缺失。

Fish Audio Live 3 是一个全双工语音模型：它在生成语音的同时持续聆听，并且从第一天起就以生产就绪的形式，通过 Fish Audio 的 Agent Platform、公司自有 API 以及面向企业的本地部署方式销售。它不可下载。没有权重、没有许可证、没有代码仓库，而且——截至 11 月 11 日——Fish Audio 的 API 文档中也没有模型标识符，该文档仍然列出 s2.1-pro、s2.1-pro-free、s2-pro、s1 以及三个转写模型，没有任何名为 Live 3 的模型。下文中的每一项性能数据都来自 Fish Audio 自己，且均未经过独立复现。

发布了什么，以及“production-ready”在那个句子里到底起什么作用

公告中的技术主张比营销口号更具体，也更有意思。Fish Audio 表示，该模型在语音模型内部处理对话时机，而不是依赖由识别、推理和生成等独立阶段组成的流水线；它还从录制的人类对话中学会了何时确认、等待、回答或停止，而不是依靠手工编写的静音阈值。一个独立的推理层承载智能体的指令和工具。随文章发布了三段示例通话——完成订单、插话，以及在复述过程中进行反馈性回应——它们是此次发布中最接近证据的内容。

在实践中，“生产就绪”意味着发布当天就已经有商业封装：一个自助服务平台，提供 5 美元额度且无需信用卡；一个有文档的智能体构建器；电话通信功能；以及企业本地部署选项。它并不意味着该模型经历了任何买家会称之为验收测试的环节。目前没有任何已发布的评估——没有词错误率，没有任务成功率，没有轮流发言得分，也没有延迟分布。这对一个语音模型的首日来说并不罕见，但值得直说，因为一篇以毫秒数打头的发布文章，会诱使读者把下限当成测量结果。

三个数字，而其中只有两个来自 Fish Audio

• 反应速度 — 186 毫秒，这是 Fish Audio 自己给出的数字，描述的是短反应场景，例如在完整回答准备期间发出一声“mm-hmm”或快速确认。它只是确认性回应的下限，而不是回答的首个音频输出时间。

• 价格——在 Agent Platform 上为每分钟 $0.035，宣传为相较 $0.07 目录价打五折，并声明该优惠将于 2026 年 12 月 31 日结束。该每分钟费率捆绑了语音识别、推理模型和语音；高级 LLM token 按其自身的 token 费率计费，电话通话每分钟另加 $0.01，电话号码每月收费 $1.20。

• 独立评分——为零。Artificial Analysis 运营着一个语音到语音排行榜，依据推理能力、对话动态、任务成功率和首个音频输出时间，对 Grok Voice 3.0、GPT-Live-1、Gemini 3.8 Live、Qwen Audio 3.0 Realtime 以及其他十几个模型进行排名。截至 2026 年 11 月 11 日核查，该榜单上完全没有 Fish Audio 的双工条目。

前两个数字是买家可以据此行动的数字。第三个数字则是买家最终会需要的数字，也正是它让这个价格值得再看一眼，而不是只看第一眼：一项公布了结束日期的促销费率并不是成本模型，而是一份印着到期日的成本估算。

为什么服务框架会关注闭源模型

vLLM-Omni 的兴趣不是情感。推理服务框架存在的意义，是在你掌控的硬件上运行你能加载的权重，其边际成本是你的电费，而不是别人按分钟计费的计价器。闭源模型并不是这种模式的客户。因此，那条回复中的提议最好被理解为向未来版本提出的请求：发布检查点，自会有推理路径等着它。

让这种缺失显得扎眼而非不可避免的，是 Fish Audio 自己的记录。该公司此前发布过开放权重——其表现力丰富的文本转语音模型 Fish Audio Drama 3 可作为可下载检查点获取，并已在开放权重语音竞技场上获得评分。因此，这里的闭源分发读起来更像是围绕实时智能体业务的产品决策，而不是关于开放性的公司政策。本地部署选项让问题更加模糊：企业可以在自己的边界内运行 Live 3，但这并不等同于能够读取、微调或重新托管它，而 Fish Audio 并未说明本地部署协议包含其中哪些权利。

“仅限英语”这一行紧挨着“30 多种语言”的说法。

Fish Audio 自家平台上的两句话指向不同方向。公告明确表示，Live 3 目前只会说英语。同一网站上的 Agent Platform 页面则宣传拥有覆盖 30+ 种语言的 2,000,000+ 个声音，以及来电者“无论白天黑夜，都能在几秒内用其语言得到应答”。这两点可以同时成立——庞大的多语言语音库和语音识别层可以覆盖三十种语言，而底层的双工模型只说一种语言——但当你购买 Live 3 时，这两句话中只有一句描述了你真正买到的东西。如果你的来电者不说英语，那么真正值得关心的不是这个平台能念出哪些语言，而是双工模型何时才能跟上。

你今天可以调用什么，以及通过什么方式？

访问通过 Fish Audio 自有 API 和 Agent Platform 进行，本地部署路线保留给企业合同。该模型没有第三方提供推理服务，这是缺少检查点的直接后果：你无法从基础设施提供商那里租用 Live 3，因为没有可部署的产物。任何将该模型描述为“可通过合作伙伴平台使用”的人，描述的是平台的语音库，而不是双工模型。

智能体技术栈中可移植的那一半是推理部分，而在 Agent Platform 上，这一半是账单上单独列出的一项。这正是路由器体现价值的地方，而不是作为接入语音模型的一种方式：OrcaRouter 承载超过 200 个模型，统一由一个密钥访问，按提供商标价、零加价，因此负责思考的文本模型可以替换、固定或故障转移，而无需改动语音合约；当推理后端出错或超时时，自动故障转移还能让通话保持不中断。Fish Audio Live 3 不在该列表上——没有任何东西需要托管——本文任何部分都不应被解读为相反的主张。

什么会改变这件作品？

四件事，大致按它们能多大程度改变局面的顺序排列。一个检查点（checkpoint），这正是 vLLM-Omni 的回复所要求的，也会让 Live 3 和 Drama 3 摆在同一个货架上。在独立的语音到语音榜单上占一行，这会把 186 毫秒从一句断言变成一个带有上下文的数据点。在 Fish Audio 自己的 API 文档中公布模型字符串和费率，这会让它在采购文件中可供引用。以及 2027 年 1 月 1 日，届时 0.035 美元的促销费率要么继续存在，要么不再。

在此之前，诚实的总结是：Live 3 是本周发布的最有趣的语音模型，也是文档最少的一个：它围绕轮次转换应位于何处提出了真正的架构论证，却被包裹在一个只公布了价格、其他一概未说的商业产品中。作为发布成果，这合情合理。但它还不是一个可供评估的东西，而这两句话之间的差别，正是服务框架、独立基准和采购团队各自所等待的。