Fish Audio Live 3 已可投入正式生產且為閉源：vLLM-Omni 的提案實際上要求什麼

關於 Fish Audio Live 3 最發人深省的一句話，並不是 Fish Audio 寫的。當該公司於 2026 年 11 月 10 日發布這款模型時，傳播最遠的回覆來自 vLLM 專案的帳號：祝賀推出了一款能邊說邊聽的全雙工語音模型，希望它有一天能開源，並表示一旦開源，vLLM-Omni 樂意為它提供服務。把那則回覆讀兩遍，你就能看出整個發布的輪廓，因為它同時包含了故事的兩半——真實的能力進步，以及一個服務框架會立刻注意到的缺席。

Fish Audio Live 3 是全雙工語音模型：它在生成語音的同時持續聆聽，並且從第一天起就透過 Fish Audio 的 Agent Platform、該公司自家的 API，以及為企業提供的地端部署，以可直接投入正式生產的形式販售。它不是可下載的。沒有權重、沒有授權條款、沒有儲存庫，而且——截至 11 月 11 日——Fish Audio 的 API 文件裡也沒有模型識別碼；該文件仍列出 s2.1-pro、s2.1-pro-free、s2-pro、s1 以及三個轉錄模型，完全沒有名為 Live 3 的項目。以下每一項效能數字都是 Fish Audio 自行提供的，且沒有任何一項經過獨立重現。

上線了什麼，以及「production-ready」在那句話裡是在做什麼

公告中的技術說法比行銷文案更狹窄，也更有意思。Fish Audio 表示，該模型是在語音模型內部處理對話時序，而不是橫跨由辨識、推理與生成等獨立階段組成的管線來處理；而且它是從錄下的人類對話中學會何時該回應、等待、回答或停止，而不是從手寫的靜默閾值中學會。另有一個獨立的推理層負責保存代理的指令與工具。文章中附上三段範例通話——完成訂單、插話，以及在覆誦時以簡短回應示意——而這些是發布內容中最接近證據的東西。

「production-ready」在實務上意味著：發表當天就有商業化包裝——一個提供 5 美元額度、免綁卡的自助服務平台、有文件說明的代理建置工具、電話語音功能，以及企業地端部署選項。它並不代表該模型已經歷過任何買家會稱之為驗收測試的流程。目前沒有公布任何形式的評估——沒有詞錯誤率、沒有任務成功率、沒有輪流發言分數、沒有延遲分佈。對一個語音模型的首日而言，這並不罕見，但值得直說，因為一篇以毫秒數開頭的發表文章，會讓讀者把下限當成測量值。

三個數字，而其中只有兩個來自 Fish Audio

• 反應速度 — 186 毫秒，這是 Fish Audio 自家的數據，描述的是短促反應（例如「嗯哼」或快速確認）的情境，同時完整答案正在準備中。這是確認回應的下限，而非答案的首次音訊時間。

• 價格 — 在 Agent Platform 上每分鐘 $0.035，宣傳為 $0.07 牌價的 50% 折扣，並註明優惠至 2026 年 12 月 31 日止。該每分鐘費率包含語音辨識、推理模型與語音；進階 LLM token 依其各自的 token 費率計費，電話通話每分鐘加收 $0.01，電話號碼每月費用為 $1.20。

• 獨立評分——零。Artificial Analysis 設有一個語音對語音排行榜，依據推理能力、對話動態、任務成功率與首個音訊延遲，對 Grok Voice 3.0、GPT-Live-1、Gemini 3.8 Live、Qwen Audio 3.0 Realtime 以及其他十幾款產品進行排名。於 2026 年 11 月 11 日查核時，該排行榜完全沒有 Fish Audio 的雙工項目。

前兩個數字是買家當下就能據以行動的。第三個數字則是買家終究會需要的，而這正是這個價格值得再看一眼、而非只看第一眼的原因：附有公告截止日的優惠費率並不是成本模型，而是一份印上了有效期限的成本估算。

為什麼服務框架會關注閉源模型

vLLM-Omni 關注的並非情感。服務框架存在的目的，是在你掌控的硬體上執行你能載入的權重，而其邊際成本是你的電費帳單，而不是別人按分鐘計費的錶。封閉模型並不是這種模式的客戶。因此，那則回覆中的提議最好理解為對未來版本提出的請求：發布檢查點，就會有一條推論路徑等著它。

讓這種缺席顯得格外刺眼、而非無可避免的，是 Fish Audio 自己的紀錄。該公司過去曾釋出開放權重——其富表現力的文字轉語音模型 Fish Audio Drama 3 以可下載的檢查點形式提供，並已在開放權重語音排行榜上獲得評分。因此，這裡的封閉式發布更像是針對即時代理業務的產品決策，而非公司對開放性的既定政策。地端部署選項讓問題更加模糊：企業可以在自己的環境邊界內運行 Live 3，但這不等同於能夠讀取、微調或重新託管它，而 Fish Audio 尚未說明地端方案包含其中哪些。

僅有英文的那一行，就緊鄰著「30+ 種語言」的宣稱。

Fish Audio 自家網站上的兩句話，指向卻彼此相左。公告明白寫道，Live 3 目前只會說英語。同一網站的 Agent Platform 頁面則標榜橫跨 30 多種語言的 200 萬種以上聲音，還說來電者「不分晝夜，都能在幾秒內以其母語獲得應答」。這兩者可以同時成立——龐大的多語語音庫和語音辨識層能涵蓋三十種語言，而底層的雙工模型只會說一種——但當你購買 Live 3 時，這兩句話裡只有一句描述了你真正買到的東西。如果你的來電者不說英語，真正值得問的問題不是平台能唸出哪些語言，而是雙工模型何時才能跟上。

你今天可以打給誰，以及透過什麼方式

存取是透過 Fish Audio 自家的 API 與 Agent Platform 進行，而地端部署途徑則保留給企業合約。此模型沒有第三方代管服務，這正是缺少檢查點的直接後果：你無法向基礎設施供應商租用 Live 3，因為沒有可供部署的產物。任何人若將該模型描述為「可透過合作夥伴平台取得」，其實是在描述該平台的語音庫，而非這個雙工模型。

代理程式堆疊中可攜的那一半是推理那一半，而在 Agent Platform 上，那一半是帳單上的獨立項目。這正是路由器發揮價值的地方，而不是作為觸及語音模型的一種方式：OrcaRouter 以單一金鑰提供超過 200 個模型，並以供應商標價、零加價，因此負責思考的文字模型可以替換、固定或容錯移轉，而不必更動語音合約；當推理後端發生錯誤或逾時時，自動容錯移轉能讓通話保持不中斷。Fish Audio Live 3 不在該清單上——沒有東西可託管——本文任何部分都不應被解讀為相反的主張。

什麼會改變這件作品？

四件事，大致依它們會多大程度改變全局的順序排列。一個 checkpoint，這正是 vLLM-Omni 的回覆所要求的，也會讓 Live 3 與 Drama 3 並列同一層級。在獨立語音轉語音排行榜上的一列，這會讓 186 毫秒從一句斷言變成一個有脈絡的數據點。Fish Audio 自家 API 文件中公布模型字串與費率，這會讓這件事可在採購文件中引用。以及 2027 年 1 月 1 日，屆時 $0.035 的促銷費率是否仍然有效。

在那之前，誠實的總結是：Live 3 是本週發布的最有趣語音模型，也是文件記錄最少的一款：它是一場關於輪替發言應該落在何處的真正架構論證，卻包裝在一個只公布了價格、其餘什麼都沒說的商業產品裡。推出這樣的東西是合理的。它還不是一個你能評估的東西，而這兩句話之間的差別，正是服務框架、獨立基準與採購團隊各自在等待的。