Fish Audio Live 3 对比 GPT-Live-1：两者都只是半个产品，而仪表会告诉你缺的是哪一半

Fish Audio Live 3 和 GPT-Live-1 都是全双工语音模型，两者都主张话轮转换应当属于语音模型内部，并且两者单独来看都不完整。GPT-Live-1 先听、再说，然后把思考交给一个独立的后端模型——这是它的设计，而不是局限——并且它针对前半部分按每语音分钟 0.05 美元计费，而推理部分则按另一套计费表计费。Fish Audio Live 3 在结构上做的是同一件事：语音层运行在 Fish Audio 的 Agent Platform 上，而智能体的推理可以通过自定义 LLM 钩子指向任何兼容 OpenAI 的端点。区别在于，OpenAI 公布了前半部分的价格，Artificial Analysis 公布了整个系统的评分，而 Fish Audio 两者都未公布，并且把它唯一给出的数字——186 毫秒，即 Live 3 能够决定作出反应的最短间隔——标注为厂商报告。

这使得它与其说是两个模型之间的较量，不如说是两种把语音智能体一分为二的方式之间的较量，而这种拆分方式比模型本身更重要。GPT-Live-1 在 Artificial Analysis Speech to Speech Index 上，以中等强度搭配 GPT-6 Astra 时得分为 81.5，以低强度搭配 GPT-5.6 Sol 时为 80.1，这意味着后端的选择使结果产生的变动，达到了第一名与第二名之间差距的七倍。Live 3 的对应数字尚不存在。购买其中任何一个，都只是买下了半个系统，并要承诺自己选择另一半。

各厂商实际发布的内容

GPT-Live-1 是文档记录更完善的产品，而且文档对这条接缝有明确说明。它于 2026-07-08 随 ChatGPT 一同发布，作为 Advanced Voice Mode 的替代方案，并于 2026-09-10 登陆开发者 API。Artificial Analysis 榜单为它列了两行，因为该指数评分的是一整个系统：搭配 GPT-6 Astra、medium 力度时为 81.5，排名第一；搭配 GPT-5.6 Sol、low 力度时为 80.1，排名第三。Astra 那一行下方的各分项数值分别是：τ-Voice 上的智能体得分 67.9%、Big Bench Audio 上 90%、任务成功率 87.4%、竞技场 Elo 1,048、首段音频延迟 1.34 秒——而这一数字的对照基准是 OpenAI 自己在 Full-Duplex-Bench 上的 0.798 秒，后者统计的是另一种事件。

Live 3 的公开资料只有一段文字和一组示例。Fish Audio 于 2026-11-10 发布它，将其描述为全双工，并使用录制的人类对话进行训练，声称对于简短反应，它最快可在 186 毫秒内决定作出回应，还表示它在发布时仅支持英语，并通过 Fish Agent Platform、Fish Audio 自有 API 以及本地部署提供。没有基准测试结果，没有 τ-Voice 数据，没有竞技场 Elo 分数，Fish Audio 的价格表中也没有它的条目——该价格表列出了 drama-3、s2.1-pro、s2.1-pro-free、s2-pro 和 s1，以及三个转录模型和 voice-design-1。

• 前半部分 — GPT-Live-1：每语音分钟 0.05 美元，按秒计费，会话开始时收取 15 秒费用，并抵扣后续用量。Live 3：价格未公布。

• 后半部分 — GPT-Live-1：一个由你选择的异步后端模型，按该模型的费率计费，并在 OpenAI 发布的 WebRTC 示例中与 GPT-5.6 Terra 配合使用。Live 3：一个自定义 LLM 钩子，可指向任何 OpenAI 兼容端点，同样由提供该端点的一方计费。

• 独立评分 — GPT-Live-1：综合指数为 81.5 和 80.1，两种配置分别评分。Live 3：截至 2026-11-11，无。

• 传输与限制 — GPT-Live-1：仅支持 WebRTC，不支持图像或视频输入，不支持结构化输出，无免费层级，并且在第 1 至第 5 层级中，并发上限分别为 25、50、200、300 和 500 个同时会话。Live 3：通过 /v1/agent/* 提供 REST，配有 JavaScript 和 React SDK、会话令牌认证，以及用于电话号码、Web 小组件或自定义客户端的渠道。

为什么两米结构才是真正的决定

语音代理的账单分为两部分，其中只有一部分是可预测的。前半部分按时间计费：每分钟 0.05 美元，五分钟通话花 25 美分，保持接通一小时花 3 美元，这样的算术简单到足以预测。后半部分按 token 计费，会随来电者思考的复杂程度而变化，正是这一半会带来令人不快的意外——这就是为什么 Artificial Analysis 报告的是每小时总成本，而不是每分钟语音费率。其数据是：Astra 组合为每小时 5.83 美元，Sol 组合为每小时 4.47 美元，两者都包含后端处理；相比之下，仅看语音计费表，每小时只需 3.00 美元。

Live 3 同样具有两个计费表的结构，只是其中一个被隐藏了。Fish Audio 没有公布语音层的费率，因此前半部分未知，而后半部分则取决于自定义 LLM 钩子背后的端点如何收费。因此，一次十分钟的 Live 3 通话只有在你知道这两个数字时才能计算出成本，而目前供应商这两个数字都没告诉你。

这种不对称正是本次比较中会出现路由层的原因，而且它只应出现在后半部分。OrcaRouter 并不托管 Fish Audio Live 3 或 GPT-Live-1——两者都没有第三方语音端点，且任一技术栈中的语音层都仍由其供应商负责。OrcaRouter 托管的是两个系统都委托出去的那一半：216 个模型通过一个密钥、按供应商标价、零加价，在后端出错或超时时自动故障转移，一个路由 DSL 决定哪种模型处理哪类轮次，以及模型融合，让便宜模型起草工具调用，而更强模型在触发前进行检查。对于 GPT-Live-1 部署，实际效果是两种评分配置之间 1.4 个百分点的差距，变成你可以基于自己的流量来衡量的东西，而不是从排行榜上读来的数字。对于 Live 3 部署，这意味着推理层在语音层的价格尚未可知之前就已被选定——这是正确的顺序，因为它是你之后可以改变的那一半。

那个总是被拿来与错误对象作比较的延迟数值

在这场对比中流传着三个延迟数字，而它们中没有两个衡量的是同一事件。GPT-Live-1 的 0.798 秒来自 Full-Duplex-Bench，这是一个对话动态测试套件，用于计时模型在轮流发言场景中的表现。它的 1.34 秒是首次音频时间，在 API 上测得。Live 3 的 186 毫秒是 Fish Audio 自己给出的数字，指模型在电话号码的各个片段之间可以选择发出短暂反应（例如“mm-hmm”或“okay, 415”）的最小间隔。

把这些放在一起看，很容易得出结论：{{1}}Live 3{{/1}}的响应时间只有前者的七分之一。但这一结论没有得到任何一家厂商所发布内容的支持。这些数字唯一能支持的是方向性比较：两家公司都声称，在某些条件下，对话中第一个可听事件可以在四分之一秒内出现，而且两家都没有公布分布情况。{{2}}GPT-Live-1{{/2}}拥有而{{3}}Live 3{{/3}}没有的，是一个第三方测试框架，它把同样的测量方法应用于它及其竞争对手；正因如此，{{4}}1.34 秒{{/4}}才是审查者可以核对的数字，而{{5}}186 毫秒{{/5}}则是试点者必须验证的数字。

这种架构让你承诺了什么

这两部分的可移植性并不对等，而这正是在任何一个试点启动之前都值得思考的地方。

在 GPT-Live-1 这一侧，语音层实际上已经固定下来。会话通过 WebRTC 运行，而不是大多数现有 Realtime 集成所使用的 WebSocket 传输；Live Sessions 端点是 OpenAI 独有的；用 GPT-Live 模型 ID 探测旧路径会返回错误，提示会话需要 WebRTC。接入它意味着重写传输层，迁离它则意味着再重写一次。

在 Live 3 这一侧，语音层的固定方式有所不同：它来自一家较小厂商的测试版平台，仅支持英语，没有公布价格，也没有独立评分。在那里可移植的是推理钩子，而不可移植的是它下面的一切——音频路径、电话号码、会话生命周期。

在这两种情况下，移动端那一半都是推理模型，而正是在这里，切换只是更改模型 ID，而不是一个集成项目。这个比较的两边有着相同的设计经验：把智能放在你可以替换的层里，并把无法替换的层保持得尽可能薄，薄到产品允许的程度。

先买哪一半

先买下 GPT-Live-1 这一半，如果你现在就需要为这个决定给出依据。它有公开的费率、两套已评分的配置、一份组件拆解、一种有文档记录的传输方式，以及一条可用于为呼叫中心做容量测算的并发阶梯。它没有的是视频通路、结构化的工具输出、免费额度，也没有任何对 OpenAI 自家那 80.1% 交互性声明的独立复现。

先试用 Live 3 这一半，前提是你的通话是英语、你的投诉记录里满是来电者被打断的情况，而且本地部署是硬性要求而非偏好。入场前就要清楚：你自己就是这次评估——没有费率卡条目、没有 τ-Voice 数据、没有竞技场评分，而所谓 186 毫秒的说法描述的是简短反应，而非回答。

不要购买其中任何一半，还指望厂商会把产品做完。 没有后端的 GPT-Live-1 是一个非常善于倾听却无话可说的对象；而 Live 3 如果其钩子背后没有推理端点，就只是一个测试版语音层，还附着一张未公开的账单。决定这场对决的分数——81.5 对虚无——其实是在就文档状况表态，而最终定论的数字，将是 Live 3 上首次独立进行的轮流发言测试结果。