Fish Audio Live 3 与 Eleven Realtime v1 Max：186 毫秒和 0.57 秒并非同一种测量

Fish Audio Live 3 和 Eleven Realtime v1 Max 都是全双工语音模型，二者的发布时间相隔不到四周，并且都以同一主张作为卖点：轮次转换应归属于语音模型内部，而不是由分离部件组成的流水线。Fish Audio 表示，Live 3 最快可在 186 毫秒内决定作出回应。ElevenLabs 的 Realtime v1 Max 则在 0.57 秒内开始说话。把这两个数字并排来看，较新的模型似乎取得了三倍领先，但这种解读是错误的，而在任何人签约之前，都值得理解它错在哪里。

这些数字衡量的是不同事件。Live 3 的 186 毫秒是 Fish Audio 自己给出的短反应数据——比如一声“mm-hmm”、电话号码分段之间的一句“okay, 415”——而不是完整回答的延迟。Max 的 0.57 秒是响应本身实测的首音频时间，来自 Artificial Analysis 的 Speech to Speech 测试框架。一个是厂商报告的确认性回应延迟下限；另一个是经过审计的回复延迟。把两者相减，得到的数字毫无意义，而这正是本次比较的有用起点。

每个供应商实际发布了什么

Eleven Realtime v1 Max 于 2026-10-20 推出，并附有完整评分卡。Artificial Analysis 在 Big Bench Audio（98.8%）、首次音频时间（0.57 秒）、任务成功率（87.1%）、Full-Duplex-Bench 对话动态（94.1%）和 Arena 偏好（997 Elo）上对其进行评分。它没有 Speech to Speech Index，因为该指数背后的 agentic τ-Voice 测试尚未在其上运行；ElevenLabs 也未给出其每小时成本数据——榜单上的每小时 4.80 美元是 ElevenLabs 按分钟计费的 agent 和 API 费率换算而来，并非该模型单独的公开标价。

Fish Audio Live 3 于 2026-11-10 面世，附带一个行为论证，却几乎没有数字。其公开的接口面小到可以完整陈述。

• 反应速度——186 毫秒，由供应商报告，是在短反应而非完整回答的语境下描述的。

• 独立评分——无。截至 2026-11-11，Artificial Analysis 的语音转语音榜单上没有 Live 3 这一条目；Fish Audio 在该榜单上以模型系列的形式出现，而非作为计分的双工条目。

• 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，以及三个语音转文本模型和 voice-design-1。Live 3 未列入其中。

• 语言 — 根据公告，发布时仅支持英语。

• 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。

• 架构——全双工，基于录制的人类对话进行训练，因此确认、等待、回答和停止都是习得行为。

ElevenLabs 对外公布的界面恰恰相反：一份完整的评分卡和一个不透明的单价。Max 拥有除 index 和 τ-Voice 测试之外的每一行，而 ElevenLabs 并不以独立的每分钟费率出售它——在 ElevenAgents 中，你需支付标准的 agent 费用加上按 Realtime 费率计费的 token；通过 Realtime API，你则按连接的音频分钟数加上 token 付费。

行为论证，这才是真正的竞争

ElevenLabs 表示，Realtime 中的识别、轮次切换、推理和语音生成是作为一个系统统一调优的，而不是在各部分之间进行协调；其文档中给出的收益示例是反馈性回应：Mini 被描述为能检测说话者是已经说完，还是只是在用“mm-hmm”插话。Fish Audio 对同一主张的版本是一个被分块读出的电话号码——“415… 555… 0132”——其中 Live 3 可能会在中间回应“mm-hmm”或“okay, 415”，然后等待剩余部分。

它们的分歧在于会让你保留什么。Eleven Realtime 有两种售卖方式：一种是在 ElevenAgents 内部，另一种是通过一个 Realtime API，该 API 在通信层面与 OpenAI 的事件协议兼容，地址为 wss://api.elevenlabs.io/v1/convai/realtime；而在 ElevenAgents 中选择 Realtime 模型，意味着由 ElevenLabs 管理 LLM、推理强度、思考预算、并行工具调用、TTS 模型和 ASR 提供商。Fish Audio 的 Agent Platform 目前处于公开测试阶段，在推理层采取了相反立场：智能体的自定义 LLM 可以指向一个 OpenAI 兼容端点，因此负责思考的模型由你选择。

这一差异比延迟数据更能决定部署成败。如果你希望供应商掌控整个技术栈，并且愿意放弃 custom-LLM 和 Bedrock 路线，那么 ElevenAgents 是更短的路径。如果你的产品差异化体现在推理层——检索、策略检查、工具编排——那么 Fish 侧的 custom-LLM 钩子就是能通过采购审查的特性。

费用，以及为什么 Live 3 列为空

Max 在 Artificial Analysis 换算中的每小时输入音频成本为 4.80 美元，而该榜单上最便宜且实力较强的双工竞争对手为 0.84 美元。这使得价格成为新进入者能够快速赢下一笔交易的维度，而这恰恰是目前无法评估 Live 3 的维度。Live 3 部署的每次调用成本无法根据 Fish Audio 已发布的任何内容计算，因为计费单位尚未公布。

Fish Audio 确实公布的是其其他型号的价目表，了解它的大致结构值得一看，因为这能说明该公司如何为语音定价。文本转语音按输入文本的 UTF-8 字节计费，Fish Audio 自己的文档指出，100 万 UTF-8 字节大约相当于 18 万个英文单词，或约 12 小时的语音。按 drama-3 每百万字节 50 美元的标价计算，这大约相当于每小时生成语音 4.17 美元，或在持续到 2026-11-30 的发布促销期间约 0.83 美元。这些是针对另一款产品推算出的数字，并非 Live 3 的定价，而且双向代理分钟与合成语音并非同一计量单位——但它们将 Fish Audio 的价格尺度置于与本市场其他产品相同的每小时 1 至 5 美元区间，而不是低一个数量级。

这一节讲的正是路由层如何在两端发挥价值。OrcaRouter 并不托管 Fish Audio Live 3 或 Eleven Realtime v1 Max——两者都没有第三方端点，且任一技术栈中的语音层都仍由各自的供应商负责。OrcaRouter 托管的是它们各自都能指向的推理层：一个密钥背后有 216 个模型，按供应商标价、零加价，供应商出错时自动故障转移，以及决定哪个模型处理哪次调用的路由 DSL。实际结果是，两家供应商的 token 价格表都不会形成锁定。如果 ElevenLabs 调整 Realtime 的价格，或 Fish Audio 将 Live 3 发布为按字节计费，语音账单会变，而推理账单不会变，因为推理账单从一开始就没有与任何一家供应商绑定。

现在该基于哪一个来构建

今天就基于 Eleven Realtime v1 Max 进行构建，如果你需要向会要求提供基准测试的人论证某项技术选择。它有一份经过审计的评分卡、一个有文档记录的事件协议，以及评审人员可以核查的实测延迟。Max 的未知项是规模化下的每小时价格，而不是质量。

Pilot Fish Audio Live 3如果你的智能体投诉日志里全是来电者被抢话的记录，并且你准备自行衡量改进效果。186 毫秒这一数字无法与 Max 的 0.57 秒相比，该模型没有独立的轮次转换评分，而且其标价尚未公布——因此试点必须设计为与你当前智能体对比的、带监测的 A/B 测试，而不是依据规格表做采购决策。

不要把 186 毫秒当成一个你能要求任何人兑现的延迟承诺。 这只是厂商的一种说法，说明模型能多快选择发出一个短促的声音。你真正关心的数字——呼叫者要过多久才能听到回答的第一个音节——还没有任何人公布过 Live 3 的相关数据。等它公布时，与 Max 的比较才会成为真正的比较；在那之前，对“哪个更快”的诚实回答是：其中一个是被测量过的，另一个只是被描述过。