Fish Audio Live 3 對比 Eleven Realtime v1 Max：186 毫秒與 0.57 秒並非同一種測量

Fish Audio Live 3 和 Eleven Realtime v1 Max 都是全雙工語音模型，兩者相隔不到四週先後推出，而且都以同一項說法作為賣點：輪流發話應該由語音模型本身處理，而不是交給由多個獨立部分組成的管線。Fish Audio 表示，Live 3 最短可在 186 毫秒內決定要回應。ElevenLabs 的 Realtime v1 Max 則在 0.57 秒時開始說話。把這兩個數字並排來看，似乎意味著較新的模型取得三倍優勢，但這種解讀是錯的，而在任何人簽約之前，值得理解它錯在哪裡。

這些數字衡量的是不同事件。Live 3 的 186 毫秒是 Fish Audio 自家公布的短反應數據——像是電話號碼分段之間的「mm-hmm」、「okay, 415」——並不是完整回答的數據。Max 的 0.57 秒則是在 Artificial Analysis 的 Speech to Speech 測試框架上，針對回應本身測得的首音時間（time-to-first-audio）。一個是廠商回報的確認回應下限；另一個是經稽核的回覆延遲。把兩者相減，得到的數字毫無意義，而這正是這項比較有用的起點。

各家廠商實際發布了什麼

Eleven Realtime v1 Max 於 2026-10-20 推出，並附有完整評分表。Artificial Analysis 依據 Big Bench Audio（98.8%）、首個音訊時間（0.57 秒）、任務成功率（87.1%）、Full-Duplex-Bench 對話動態（94.1%）與 Arena 偏好度（997 Elo）對其評分。它沒有 Speech to Speech Index，因為該指數背後的代理式 τ-Voice 測試尚未在其上執行；ElevenLabs 也未提供其每小時成本數字——榜上的每小時 4.80 美元，是換算 ElevenLabs 的每分鐘代理與 API 費率而來，並非該模型單獨公布的定價。

Fish Audio Live 3 於 2026-11-10 登場，帶來的是行為論證，幾乎沒有數字。其公開介面小到足以完整陳述。

• 反應速度 — 186 毫秒，為廠商回報的數據，所述情境是短暫反應，而非完整回答。

• 獨立評分——無。截至 2026-11-11，Artificial Analysis 的語音轉語音排行榜上沒有 Live 3 這一列；Fish Audio 在該處是以模型系列的形式出現，而非作為計分的雙工項目。

• 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，以及三個語音轉文字模型和 voice-design-1。Live 3 不在其中。

• 語言 — 根據公告，推出時僅提供英文。

• 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。

• 架構 — 全雙工，以錄製的人類對話進行訓練，因此回應、等待、回答與停止都是習得的行為。

ElevenLabs 公開呈現的資訊正好相反：一份完整的評分表，以及不透明的單位價格。Max 除了指數與 τ-Voice 測試之外，每一列都有，而 ElevenLabs 並不以獨立的每分鐘費率販售它——在 ElevenAgents 中，你支付標準代理費用，外加按 Realtime 費率計費的 tokens；而透過 Realtime API，你則按連接音訊的分鐘數加上 tokens 付費。

行為論證，這才是真正的競爭

兩家廠商描述的是同一種故障模式，並提出相同的結構性修正，這使得在理念層面上的比較異常清楚。ElevenLabs 表示，Realtime 中的語音辨識、輪流發言、推理與語音生成是作為單一系統來調校，而不是讓各部件彼此協調；其文件記載的效益範例是回饋訊號：Mini 被描述為能偵測說話者是已經說完，還是只是用「mm-hmm」插話。Fish Audio 對同一主張的說法，則是一串分段讀出的電話號碼——「415… 555… 0132」——其中 Live 3 可能會在這些區塊之間回答「mm-hmm」或「okay, 415」，並等待其餘部分。

兩者的分歧在於它們願意讓你保留什麼。Eleven Realtime 有兩種販售方式：一種是在 ElevenAgents 內，另一種是透過 Realtime API，而該 API 在 wss://api.elevenlabs.io/v1/convai/realtime 與 OpenAI 的事件協定線路相容；在 ElevenAgents 內選擇 Realtime 模型，意味著由 ElevenLabs 管理 LLM、推理強度、思考預算、平行工具呼叫、TTS 模型與 ASR 供應商。Fish Audio 的 Agent Platform 目前處於公開測試版，對推理層採取相反立場：代理程式的自訂 LLM 可以指向 OpenAI 相容端點，因此負責思考的模型由你選擇。

那個差異比延遲數字更能決定部署的成敗。如果你希望由供應商掌控整個技術堆疊，而且願意放棄自訂 LLM 與 Bedrock 路線，那麼 ElevenAgents 是較短的路徑。如果推理層才是你產品做出差異化的地方——檢索、政策檢查、工具編排——那麼 Fish 這一側的自訂 LLM 掛鉤，就是能在採購流程中存活下來的功能。

成本，以及 Live 3 欄位為何是空的

在 Artificial Analysis 的換算中，Max 每小時輸入音訊的成本為 4.80 美元，而該榜單上最便宜、實力強勁的全雙工競爭對手則為 0.84 美元。這使得價格成為新進者能快速贏得交易的維度，而這正是目前無法評估 Live 3 的維度。Live 3 部署的每次通話成本，無法從 Fish Audio 已公開的任何資訊計算出來，因為計費單位並未公布。

Fish Audio 確實有公布的是其他模型的價目表，而其結構值得了解，因為它能說明這家公司如何為語音定價。文字轉語音是依輸入文字的 UTF-8 位元組計費，而 Fish Audio 自家文件指出，一百萬個 UTF-8 位元組約等於 18 萬個英文單字，或約十二小時的語音。以 drama-3 每百萬位元組 50 美元的牌價計算，約等於每小時生成語音 4.17 美元，或在持續到 2026-11-30 的上市促銷期間約 0.83 美元。這些是針對不同產品推算出的數字，並非 Live 3 的定價，而且雙工代理分鐘與合成語音不是同一種單位——但這些數字顯示 Fish Audio 的價格尺度與這個市場其他業者同處每小時 1 至 5 美元的區間，而非低了一個數量級。

這是路由層在兩端都能展現價值的地方。OrcaRouter 並不託管 Fish Audio Live 3 或 Eleven Realtime v1 Max——兩者都沒有第三方端點，而無論哪一套堆疊，語音層都留在其供應商手上。OrcaRouter 託管的是它們各自可以指向的推理層：216 個模型，一把金鑰，依供應商定價、零加成，供應商發生錯誤時自動故障轉移，以及一套路由 DSL 來決定哪個模型處理哪一通呼叫。實務上的結果是，兩家供應商的 token 價目表都不會成為鎖定。如果 ElevenLabs 調整 Realtime 的價格，或 Fish Audio 以每 byte 費率公布 Live 3，語音帳單會變，推理帳單不會，因為推理帳單從一開始就沒有綁定到任何一家供應商。

現在該以哪一個為基礎來開發？

今天就以 Eleven Realtime v1 Max 為基礎來建置如果你需要向會要求提供基準測試的人為某項技術選擇辯護。它有一份經稽核的評分卡、一份有文件記載的事件協定，以及可供審查者查核的實測延遲。Max 的未知數是大量使用時每小時的價格，而不是品質。

Pilot Fish Audio Live 3如果你的代理客訴紀錄中滿是來電者被搶話的情況，而且你準備好自行衡量改善幅度。186 毫秒這個數字無法與 Max 的 0.57 秒相比，該模型沒有獨立的輪流發言評分，且其標價尚未公布——因此試行必須規劃成與你現有代理對比、帶有量測機制的 A/B 測試，而不是依規格表做出的採購決定。

不要把 186 毫秒當成可以拿來要求任何人兌現的延遲說法。這是廠商對於模型能選擇多快發出一個短促聲響的說法。你真正在乎的數字——來電者要等多久才能聽到回答的第一個音節——至今還沒有人公布 Live 3 的數據。等到公布時，與 Max 的比較才會成為真正的比較；在那之前，對於「哪個比較快」的誠實回答是：其中一個有實測數據，另一個只是被描述。