Fish Audio Live 3 只说一种语言。Gemini 3.8 Live 说 97 种，而且每秒都加水印。
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 99 tok/s
- orca新Orca: OrcaC2 1.02026-11-07212 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 123 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 230 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百万 tokens · 39 tok/s
- Orca新OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 98 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 123 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 104 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 62 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 429 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228智能
Fish Audio Live 3 和 Gemini 3.8 Live 在重要理念上是一致的，但几乎在其他所有方面都存在分歧。两者都将话轮转换置于语音模型内部，而不是放在由独立部件组成的流水线中。Live 3 于 2026-11-10 发布，从行为层面论证了这一点：电话号码中间的停顿与问题末尾的停顿不是同一种事件，并且模型可以决定在最短 186 毫秒内作出响应，这一数字由 Fish Audio 报告，尚未经过任何人审计。Gemini 3.8 Live 于 2026-09-15 发布，则用一套书面材料来回应同一个问题——支持 97 种语言并可在对话中途切换，每秒钟生成的音频都带有 SynthID 水印，公开发布的模型卡，两个有文档记录的 API 模型 ID，以及 Artificial Analysis 中的一行，其在 Speech to Speech Index 上的读数为 76.0，且其全部四个组成部分均已填写。
决定这一比较的是这种不对称性，而非延迟数据。如今，其中一个模型可以被写进采购文件并逐条辩护；另一个则必须由采用它的团队进行实测监测。更深一层还有更尖锐的一点：Live 3 所宣传的行为并不是 Gemini 3.8 Live 最强的维度，也不是 Live 3 被评分的维度——因此就目前而言，这场对比取决于你能验证什么，而不是哪个模型更擅长处理电话通话。
保障缺口绝非无足轻重的注脚
先说明每个模型在演示之外能做什么，因为对大多数买家来说，这一部分会在那些更有意思的问题被提出之前就终结评估。
• 语言——Gemini 3.8 Live 支持 97 种语言，并能在对话过程中自动切换。Fish Audio 明确表示，Live 3 在发布时仅支持英语。马德里的预订热线、圣保罗的客服队列和华沙的催收座席，本季度都不是 Live 3 的部署场景。
• 来源溯源——Gemini 3.8 Live 生成的每一秒音频都带有 Google 的 SynthID 水印，且两款 Gemini 语音变体都记录在一份以 gemini-3-8-audio 为名称发布的模型卡中。Fish Audio 的公告对 Live 3 的水印或来源元数据只字未提。如果你的司法辖区正朝着合成语音披露的方向发展，这一差异就会成为法律问题，而非工程问题。
• 标识符 — Google 发布 gemini-3.8-live 和 gemini-3.8-live-extended-thinking 作为可通过 Gemini API、Live API 和 AI Studio 调用的模型 ID。Fish Audio 的公告提到了 Live 3，但未公布其模型标识符，也未提供针对该模型的端点文档。
• 非音频输入——除了该产品线原有的摄像头和屏幕共享支持外，Gemini 3.8 Live 还能近乎实时地处理视觉输入。Live 3 则是音频输入、音频输出。
• 企业路线——Google 的路径是在 Gemini Enterprise 中提供私有预览，客户体验版则列为即将推出。Fish Audio 的路径是 Agent Platform，目前处于公测阶段，此外还为企业客户提供本地部署——这是一个真正不同的方案，也是本列表中唯一一个较小厂商能为无法将音频发送到公有云的买家提供更强答案的地方。
索引能看到什么，以及看不到什么
Artificial Analysis 将其 Speech to Speech Index 构建为语音推理、智能体表现、arena 偏好和任务成功率的等权复合指标，并对整个系统而非单个模型进行评分。Gemini 3.8 Live 所在行数据完整：指数 76.0、Big Bench Audio 92%、首个音频输出时间 1.18 秒、任务成功率 93.2%、对话动态 96.1%、arena Elo 1,083，以及在 τ-Voice 客服任务基准上为 30.1%。截至 2026-11-11，Live 3 完全没有对应行；榜单将 Fish Audio 列为一个模型系列，却未对其任何双工工作进行评分。
仔细看其中两个分项，因为它们透露了标题数字没有说出的东西。Gemini 3.8 Live 在对话动态上的 96.1% 是它所在行中最高的数字，也是最接近 Live 3 所主打之物的公开替代指标——一个回合制模型，在一项轮流发言指标上拿到接近榜首的分数。它在 τ-Voice 上的 30.1% 是该行最低的数字，也正是这款模型位列第五而非第一的原因：它对话流畅，却很少把任务做完。谷歌自己对此的解决办法是推出第二个变体 Gemini 3.8 Live Extended Thinking，它在同一测试上达到 68.6%，并以 82.6 登上该指数榜首——代价是每小时音频成本约为原来的四倍。
这一比较给两家供应商带来的教训都不好受。对话动态与自然轮次转换并不是同一种测量，这正是一项上的 96.1% 与另一项上未经评分的说法无法对齐比较的原因。Live 3 的论点是，在特定情境下，它的表现优于基于轮次的模型——比如来电者在报号码中途停顿，或在坐席复述订单时低声表示同意。除非有人用轮次转换评测框架对它进行测试，否则诚实的立场是：Live 3 正在就一个已公布榜单并未单独分离出来的场景提出主张。
溯源，以及审阅者会问的问题
语音是唯一一种合规团队会先问输出、再问价格的模态。Gemini 3.8 Live 已经备好了答案：对生成的音频施加 SynthID 水印、一份具名的模型卡，以及一个在这两者背后都有公开的负责任使用立场的供应商。Live 3 的发布公告对对话行为描述得异常精确，却对听众或检测器如何将其输出与录音区分开来完全只字不提。
这并不是回避 Live 3 的理由，而是一个理由：在把 Fish Audio 部署到会录制通话的线路上之前，直接向 Fish Audio 提出一个明确的问题。音频是否带有水印、会话是否会生成转录稿或审计记录，以及这两者的保留策略是什么，是评审人员会希望以书面形式得到的三项内容。Fish Audio 已记录该平台的会话令牌身份验证及其 /v1/agent/* REST 接口，因此回答这三项所需的基础机制已经存在——公司只是尚未公布答案，而在发布一天后，这属于正常状态，而非危险信号。
存在的价格与不存在的价格
Gemini 3.8 Live 通过 Live API 发布，音频输入为每分钟 $0.005，音频输出为每分钟 $0.018。因此，一次持续输出、时长五分钟的通话，语音成本略高于 11 美分，这还不包括任何后端模型成本。Artificial Analysis 将 Google 的费率换算成按小时计的数字，依据是一个固定的 40 个问题子集；这一衍生列在不同抓取结果之间发生过变化——在 9 月 16 日的榜单中，标准模型为每小时 $0.84，在之后的某个榜单中则为 $1.50。两者都是换算值，而非报价；预算应以每分钟费率为准。
Live 3 没有标价。Fish Audio 的价目表列出：drama-3 为每百万 UTF-8 字节 50 美元，s2.1-pro 和 s2-pro 为 15 美元，s2.1-pro-free 为零，s1 为 15 美元且退役日期为 2026-12-31；此外还有三个语音转文本模型和 voice-design-1，每次请求一美分。Live 3 不在其中。双工智能体通话也没有天然的字节数——输入的音频就是来电者所说的任何内容——因此连计量方式的形式都未公布。今天写出的任何 Live 3 成本模型都只是猜测，而且无论它出现在什么文档中，都应标明这只是猜测。
声音背后是什么
两个模型都不是整个系统，而且两侧的接缝是一样的。Gemini 3.8 Live 在后台运行工具和 API 执行，它会确认请求并在调用完成期间继续对话——而这项工作最终会转化为普通的模型调用，产生普通的 token 成本。Live 3 的 Agent Platform 暴露了一个自定义 LLM 钩子，可将智能体的推理指向任何兼容 OpenAI 的端点。在这两种情况下，语音模型都是前端，而文本模型负责思考。
这一层正是路由器体现价值的地方，也是两套技术栈中唯一一个切换成本低廉的层。OrcaRouter 承载以供应商标价、零加价的方式，通过单一密钥提供 216 个模型，因此上游降价当天就能落地，而不必等到下一次合同续签；当后端出错或超时时，自动故障转移能让调用保持存活；路由 DSL 决定哪类轮次由哪个模型处理；模型融合则让廉价模型起草工具调用，再由更强的模型在触发前进行核查。把边界说清楚：OrcaRouter 并不托管 Fish Audio Live 3 或 Gemini 3.8 Live 语音端点。两者都没有第三方语音端点，两套技术栈中的语音层仍归各自的供应商。推理层才是可移植的部分，而对于一套建立在某家供应商的预览价模型和另一家供应商的 beta 平台之上的技术栈来说，可移植性正是能够挺过下一次发布而依然成立的特质。
每个到底是用来做什么的？
选择 Gemini 3.8 Live，如果你的产品面向全球，如果音频会离开你的基础设施并且有人会要求你证明其来源，或者如果你需要智能体查看屏幕或摄像头。它具备评分卡、水印、多语言支持、公开费率和模型 ID。其弱点是在 τ-Voice 上的任务完成率仅为 30.1%，而 Google 为此提供的解决方案是 Extended Thinking 变体，每小时成本高出四倍。
Pilot Fish Audio Live 3如果您的通话是英语，您的基础设施限制排除了公有云，而您的投诉记录中满是来电者被打断或反复重复数字序列的情况，那么这款产品值得考虑。本地部署在这里是一项真正的优势，而这是 Google 并未提供的。要做好自己构建评估的准备：没有可供对比的评分，没有已公布的定价可供预测，也没有水印可以指认。
不要将 76.0 视为对轮次切换的定论。它是一个综合分数，对智能体任务完成能力赋予了很高权重，而 Gemini 3.8 Live 恰恰在这方面较弱。能判定这场对决的数字，是 Live 3 在与其他所有模型相同的评测框架上取得的轮次切换得分——在这一得分出现之前，这两个模型比较的是文档，而不是实际行为。
