Fish Audio Live 3 用 186 毫秒作答，却用整通电话的时间来决定要不要开口

Fish Audio Live 3 是 Fish Audio 于 2026-11-10 发布的全双工语音模型，其整个卖点都建立在一个大多数语音智能体仍然搞错的区分上：电话号码中间的停顿与问题末尾的停顿并不是同一种事件。该模型在说话时仍持续聆听，据 Fish Audio 称，它能在短短 186 毫秒内决定是否回应，并且接受了真人对话录音的训练，以学习何时应声、何时等待、何时回答以及何时停止——而不是被交给一张静音阈值表。

最后一条才是耐人寻味之处，这也是本文无法为你提供基准测试结果的原因。Fish Audio 未发布 Live 3 的评估，其自家价目表上也没有它的按字节价格，也没有任何命名它的模型标识符或端点文档。Artificial Analysis 在单一测试框架上对双工语音模型评分，截至 2026-11-11 并无 Live 3 条目——该榜单将 Fish Audio 列为一个模型系列，却没有对其任何双工成果评分。186 毫秒这一数字由厂商报告，且未经审计。下文将区分 Fish Audio 已记录在案的内容与其所宣称的内容，因为发布一天之后，这两者已是两堆不同的东西。

毁掉电话号码的停顿

Fish Audio 自己给出的实操示例是公告中最有力的论据。分块读出一个号码——“415… 555… 0132”——传统智能体会听到三个独立的轮次结束事件，或者把它误认为来电者在思考的一次长停顿。文档记载，Live 3 会在各个分块之间说“嗯哼”或“好的，415”，然后等待剩余部分。这一确认同时完成两项任务：它确认数字已被接收，并让发言权保持开放，以便来电者喘口气、核对接下来的几位数字并继续。

同一问题中更难的一半是相反的错误。如果智能体正在念营业时间，而来电者说“yeah”或“mm-hmm”表示自己在跟着听，据文档记载，Live 3 会继续而不是停下。然后来电者说“等等，其实我只需要周四”，它就会停下并让出空间。Fish Audio 的表述是，并非每一种声音都是打断，模型应当能够区分附和声和抢话，而无需开发者逐一列举人可能发出的每一种声音。

第三种情况是话语中途的更正：“我想要两个披萨……不，三个。三个大号的。而且……实际上，把其中一个换成玛格丽特。”一个在第一个看似合理的完整订单出现时就触发的处理流程，会把错误的订单下两次。据文档记载，Live 3 会等待每一次修订完成。客服电话、预订和订单中充满了这种情况，也正是 Fish Audio 首席执行官借助语言学类比、而不是用延迟数值来说明问题的原因。

“迄今为止，解决办法一直是制定更多规则、设置更多阈值，”Fish Audio 联合创始人兼首席执行官 Rissa Cao 表示。“我们认为，模型应该从真实对话中学会这一点，就像语言模型学习语法一样。”

Fish Audio 实际落在纸面上的内容

去掉营销包装后，Live 3 已公开的产品功能范围短到足以完整列出。以下所有内容均来自 Fish Audio 的公告或其文档；其中没有任何内容经过独立实测。

• 反应时间——Fish Audio 表示，在“mm-hmm”、“okay”和快速确认等简短反应场景中，而非完整回答时，该模型最快可在 186 毫秒内决定作出回应。

• 架构 — 全双工。它一边说一边听，这正是能够在号码说到一半时进行确认的根本原因。

• 训练信号——真实人类对话，话轮转换行为是通过学习获得的，而非配置而成。未披露数据集规模、小时数或评估集。

• 语言——发布时仅支持英语，并在公告中明确说明。

• 分发渠道 —— Fish Agent Platform、Fish Audio 自有 API，以及面向企业客户的本地化部署。

• 价格——未公布。Fish Audio 的价目表列出了 drama-3、s2.1-pro、s2.1-pro-free、s2-pro 和 s1，还包括三个 ASR 模型和 voice-design-1。Live 3 未出现在其中。

这份公告本身就值得全文通读，因为它在行为描述上异常具体，而对数字却异常缄默。

随附三段音频摘录——一位来电者在停顿中补充细节，一位来电者打断菜单列表，还有一位来电者在坐席复述订单时说着“嗯哼”——每一段都从不同角度体现了同一项行为主张。它们都没有附带转录层面的评分，公告也未声称有此类评分。

Live 3 智能体由什么构成

Live 3 是更大产品的语音层，而集成工作正存在于该产品的其余部分。Fish Audio 运营着一个托管式 Agent Platform，目前处于公开测试阶段，它在 /v1/agent/* 下提供 REST 接口，并提供面向 JavaScript 和 React 的客户端 SDK。智能体可以接入 Web 小组件、电话号码或自定义客户端，会话通过会话令牌进行认证，而不是在浏览器中使用长期密钥。平台负责音频链路；你只需提供指令、工具和工作流。

对于任何在其之上构建应用的人来说，真正重要的是自定义 LLM 钩子。Fish Audio 允许智能体的推理层指向一个兼容 OpenAI 的端点，这意味着负责思考的模型不必是厂商自己的。这是一个刻意留下的接缝，而路由层正该位于这个接缝处。OrcaRouter 位于该端点之后，通过同一密钥提供216 个模型，按提供商目录价、零加价，并在提供商出错时自动故障转移——因此，Live 3 智能体内部的规划器可以更换、基于真实通话记录进行 A/B 测试并重新指向，而无需改动语音层或电话号码。路由 DSL 决定哪个模型接哪一通电话，模型融合则让廉价模型起草，而更强的模型在执行工具调用前进行审查。明确边界：OrcaRouter 不托管 Fish Audio Live 3。它没有第三方端点，这里的语音层是厂商自己的。

平台是智能体获取其电话号码、工具以及会话生命周期的地方。

怎样才能了结此事？

三个数字就能把这件事从一种说法变成一个数据点，而这三个数字目前一个都还不存在。

• Live 3 的按字节或按分钟计价，以便将十分钟通话的成本与其所替代的级联方案进行比较。在这一计价方式落地之前，任何 Live 3 部署的总成本估算都只是带小数点的猜测。

• 是延迟分布，而不是一个下限。“低至 186 毫秒”描述的是短反应中的快速尾部。完整回答的首音频时间才是决定来电者是否会抢话智能体的数字，而 Fish Audio 尚未公布这一数据。

• 一项独立的轮次切换评分。Artificial Analysis 会对双工模型运行 Full-Duplex-Bench 和一项 τ-Voice 智能体测试，而这两项测试的结果都能与市场上其他双工模型已公布的行数据直接比较。无论在哪一个榜单上，只要有一行 Live 3，就能用一张表回答公告中用文字叙述的内容。

与此同时，诚实的解读是这样的：Fish Audio 选中的问题是真实存在且服务不足的，所展示的示例正是合适的例子，而该模型正通过一个本身仍处于测试阶段的平台交付给真实用户。如果你今天部署的智能体的故障模式是来电者被打断，或者他们不得不把一串数字重复两遍，那么 Live 3 正是针对这一点；而部署后你首先要监测的并不是延迟，而是来电者不得不重新开始的频率。