Fish Audio Live 3 在 186 毫秒內回答，接著在通話過程中花時間決定要不要開口

Fish Audio Live 3 是 Fish Audio 於 2026-11-10 發表的全雙工語音模型，而它的整個核心立論，都建立在一個多數語音代理仍會搞錯的區別上：電話號碼中間的停頓，與問句結尾的停頓，並不是同一種事件。這個模型會邊說邊聽，根據 Fish Audio 的說法，最快能在 186 毫秒內決定回應；它是以錄製的人類對話訓練而成，學會何時應聲、何時等待、何時回答、何時停止——而不是被餵上一張靜默門檻表。

最後一個子句才是值得注意的地方，這也是本文無法提供基準測試的原因。Fish Audio 尚未發布 Live 3 的評估，其自家費率表上沒有 Live 3 的每位元組價格，也沒有任何指名 Live 3 的模型識別碼或端點文件。截至 2026-11-11，以同一套測試框架為雙工語音模型評分的 Artificial Analysis 榜上沒有 Live 3 這一列——該榜單將 Fish Audio 列為一個模型系列，卻未對其任何雙工成果評分。186 毫秒這個數字是廠商自報且未經審核的。以下內容將區分 Fish Audio 已記錄之事與其已主張之事，因為在發布後僅一天，這兩者仍是兩類截然不同的內容。

毀掉電話號碼的停頓

Fish Audio 自家在公告中的實作範例，就是最有力的論據。把一串號碼分段唸出來——「415… 555… 0132」——一般語音代理會聽到三個各自獨立的回合結束事件，或是一段漫長的停頓，並誤以為來電者正在思考。根據文件記載，Live 3 會在各段之間說「嗯哼」或「好的，415」，然後等待其餘內容。這個確認同時達成兩件事：它確認數字已經收到，也讓發言權保持開放，好讓來電者能喘口氣、核對接下來幾位數字，然後繼續說下去。

同一個問題中較難的一半，是相反的錯誤。如果代理正在唸出營業時間，而來電者說「對啊」或「嗯嗯」表示自己有在聽，根據文件記載，Live 3 會繼續說下去，而不是停下來。接著來電者說「等等，其實我只需要星期四」，它就會停下來並騰出空間。Fish Audio 的說法是，不是每一種聲音都是打斷，而模型應該要能分辨什麼是回應性附和、什麼是搶話，而不需要開發者逐一列舉人類可能發出的每一種聲音。

第三種情況是話說到一半的更正：「我想要兩個披薩……不，三個。三個大的。還有……其實，其中一個做成瑪格麗特。」若管線在第一個看似合理的完整訂單出現時就觸發，就會把錯誤的訂單下兩次。文件記載，Live 3 會等待每一次修正結束才行動。客服電話、預訂和訂單中滿是這種情況，而這正是 Fish Audio 執行長改用語言學類比、而非延遲數字的原因。

「到目前為止的解決辦法一直是更多規則與更多閾值，」Fish Audio 共同創辦人暨執行長 Rissa Cao 說。「我們認為模型應該從真實對話中學到這一點，就像語言模型學習文法一樣。」

Fish Audio 實際上白紙黑字寫了什麼

撇開行銷話術，Live 3 已公開的資訊短到可以完整列出。以下內容全部來自 Fish Audio 的公告或其文件；此處沒有任何內容經過獨立測量。

• 反應時間 — Fish Audio 表示，在「mm-hmm」、「okay」這類簡短反應與快速確認（而非完整回答）的情境下，該模型可在短短 186 毫秒內決定做出回應。

• 架構 — 全雙工。它在說話的同時也在聆聽，這正是能夠在數字播報中途給出確認的根本原因。

• 訓練訊號——真實人類對話，輪流發言行為是透過學習而非設定而來。未披露資料集大小、時數或評估集。

• 語言 — 推出時僅支援英文，並在公告中清楚說明。

• 供應方式 — Fish Agent 平台、Fish Audio 自有 API，以及為企業客戶提供的地端部署。

• 價格 — 未公布。Fish Audio 的價目表列出 drama-3、s2.1-pro、s2.1-pro-free、s2-pro 和 s1，以及三個 ASR 模型和 voice-design-1。Live 3 並未出現在其中。

這則公告本身值得完整閱讀，因為它對行為的描述異常具體，卻對數字異常沉默。

隨附三段音訊摘錄——一位來電者在停頓中補充細節、一位來電者插話打斷選單列表，以及一位來電者在客服人員複述訂單時說「嗯哼」——而每一段都是從不同角度呈現同一項行為主張。它們都沒有附上逐字稿層級的評分，而公告也沒有聲稱有。

Live 3 代理是由什麼組成的

Live 3 是更大產品中的語音層，而該產品的其餘部分正是整合工作所在。Fish Audio 營運一個託管的 Agent Platform，目前處於公開測試階段，該平台在 /v1/agent/* 下提供 REST 介面，並提供 JavaScript 與 React 的用戶端 SDK。Agent 可掛接到網頁小工具、電話號碼或自訂用戶端，且工作階段是使用工作階段權杖進行驗證，而不是在瀏覽器中使用長效金鑰。平台會處理音訊路徑；你則提供指示、工具和工作流程。

對任何要在其上建構應用的人來說，真正重要的是自訂 LLM 掛鉤。Fish Audio 讓代理程式的推理層指向 OpenAI 相容端點，這表示負責思考的模型不必是供應商自家的。這是一道刻意留下的接縫，而路由層正該位於這道接縫上。OrcaRouter 就位於該端點後方，以同一把金鑰即可存取 216 個模型，價格為供應商牌價、零加成，並在供應商發生錯誤時自動容錯移轉——因此 Live 3 代理程式內的規劃器可以替換、以真實通話轉錄稿進行 A/B 測試並重新指向，而無須更動語音層或電話號碼。路由 DSL 決定哪一通電話交由哪個模型處理，而模型融合可讓較便宜的模型先起草，再由較強的模型在工具呼叫執行前審查。明確劃清界線：OrcaRouter 並不託管 Fish Audio Live 3。它沒有第三方端點，且此处的語音層是供應商自家的。

平台是代理程式取得電話號碼、工具與工作階段生命週期的地方。

什麼能讓這件事定下來？

三個數字就能讓這件事從一項主張變成一個資料點，而這三個數字目前都還不存在。

• Live 3 按位元組或按分鐘計價，讓一通十分鐘通話的成本能與它所取代的串接流程相比較。在這項計價方式落實之前，任何 Live 3 部署的總成本估算，都只是帶個小數點的猜測。

• 是延遲分佈，而非下限。「低至 186 毫秒」描述的是短反應中的快速尾端。完整回答的首次音訊時間，才是決定來電者是否會搶話打斷代理的關鍵數字，而 Fish Audio 尚未公布這項數據。

• 一項獨立的輪流發言分數。Artificial Analysis 會對雙工模型執行 Full-Duplex-Bench 和 τ-Voice 代理式測試，而這兩項結果都能直接與本市場其他雙工模型已公布的那幾列相比。只要任一排行榜上有一列 Live 3，就能用一張表回答公告用文字所回答的內容。

同時，誠實的解讀是這樣：Fish Audio 所選的問題是真實且服務不足的，那些實例是正確的範例，而這個模型正透過一個本身仍處於 beta 的平台上線給真實使用者。如果你 agent 今天的故障模式是來電者被搶話，或他們必須把一串數字重複兩次，Live 3 正是針對這一點——而你部署後第一個要監測的，不是延遲，而是來電者必須從頭重來的頻率。