Fish Audio Live 3 對上 GPT-Live-1：兩者都只是半個產品，而量表會告訴你是哪一半
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 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 每百萬 tokens · 123 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 230 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 39 tok/s
- Orca新OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 98 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 123 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 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 每百萬 tokens · 429 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228智能
Fish Audio Live 3 與 GPT-Live-1 都是全雙工語音模型，兩者都主張輪流發言應內建於語音模型之中，而且兩者單獨來看都不完整。GPT-Live-1 會聆聽與說話，接著把思考交給另一個後端模型——這是它的設計，而非限制——並且前半段以每語音分鐘 0.05 美元計費，而推理則另按第二個計費表計價。Fish Audio Live 3 在結構上做同樣的事：語音層跑在 Fish Audio 的 Agent Platform 上，而代理的推理可透過 custom-LLM hook 指向任何 OpenAI 相容端點。差別在於，OpenAI 已公布前半段的價格，Artificial Analysis 已公布整個系統的評分，而 Fish Audio 兩者都未公布，並把它唯一給出的數字——186 毫秒，即 Live 3 能決定反應的最短間隔——標註為廠商自行報告。
這使得它與其說是兩個模型之間的較量，不如說是兩種把語音代理一分為二的方式之間的較量，而這種拆分方式比模型本身更重要。當 GPT-Live-1 搭配中等強度的 GPT-6 Astra 時，在 Artificial Analysis Speech to Speech Index 上得分 81.5；搭配低強度的 GPT-5.6 Sol 時得分 80.1，這意味著後端選擇對結果造成的變動，是第一名與第二名之間差距的七倍。Live 3 的對應數字尚不存在。無論買哪一個，都是買下半套系統，並承諾自行挑選另一半。
各家廠商實際發布了什麼
GPT-Live-1 是文獻記錄較完整的產品，而相關文件對那道接縫有具體說明。它於 2026-07-08 隨 ChatGPT 推出，取代進階語音模式，並於 2026-09-10 登上開發者 API。Artificial Analysis 排行榜為它列出兩列，因為該指數評分的是整個系統：搭配 GPT-6 Astra 以中等投入運行時為 81.5，排名第一；搭配 GPT-5.6 Sol 以低投入運行時為 80.1，排名第三。Astra 那一列下方的各項分項數據為：在 τ-Voice 上 67.9% 的代理能力得分、Big Bench Audio 上 90%、任務成功率 87.4%、競技場 Elo 1,048，以及首次音訊輸出耗時 1.34 秒——對照 OpenAI 自己在 Full-Duplex-Bench 上的 0.798 秒，而該基準計量的是不同的事件。
Live 3 公開的說明只有一段文字和一組實作範例。Fish Audio 於 2026-11-10 發布它，稱其為全雙工，並以錄製的人類對話訓練，表示針對簡短反應，它最快可在 186 毫秒內決定回應，並說明推出時僅支援英文，且透過 Fish Agent Platform、Fish Audio 自家 API 及地端部署提供。沒有基準測試數據，沒有 τ-Voice 分數，沒有競技場 Elo，Fish Audio 的價目表上也沒有它的項目——該價目表列出 drama-3、s2.1-pro、s2.1-pro-free、s2-pro 與 s1，另有三個轉錄模型和 voice-design-1。
• 前半段 — GPT-Live-1：每語音分鐘 $0.05，按秒計費，工作階段開始時收取 15 秒費用，並可折抵後續用量。Live 3：價格未公佈。
• 後半段 — GPT-Live-1：由你選擇的非同步後端模型，依該模型費率計費；在 OpenAI 公布的 WebRTC 範例中則搭配 GPT-5.6 Terra。Live 3：自訂 LLM 鉤子，指向任何與 OpenAI 相容的端點，同樣由提供該端點的一方計費。
• 獨立評分 — GPT-Live-1：在綜合指數上分別為 81.5 與 80.1，兩種配置分開評分。Live 3：無，截至 2026-11-11。
傳輸與限制 — GPT-Live-1：僅支援 WebRTC，不支援圖片或影片輸入，不提供結構化輸出，也沒有免費方案；第 1 至第 5 級的並行上限分別為 25、50、200、300 與 500 個同時工作階段。Live 3：透過 /v1/agent/* 提供 REST，並附有 JavaScript 與 React SDK、工作階段權杖驗證，以及可搭配電話號碼、網頁小工具或自訂用戶端的通道。
為什麼兩公尺的結構才是真正的決定
語音代理的帳單分成兩半，而其中只有一半是可預測的。前半部按時間計費：每分鐘 0.05 美元，一通五分鐘的電話要 0.25 美元，一小時不斷線則要 3 美元，這種算術簡單到足以預測。後半部則按 token 計費，會隨來電者思考的吃力程度而變動，而正是這後半部帶來令人不快的意外——這也是為何 Artificial Analysis 報告的是每小時的總成本，而非每分鐘的語音費率。其數字是 Astra 組合每小時 5.83 美元、Sol 組合每小時 4.47 美元，兩者都包含後端作業，而單就語音計費來看，只會得出每小時 3.00 美元。
Live 3 也有相同的雙計費表形式，只是其中一個計費表被隱藏了。Fish Audio 並未公布語音層的費率，因此前半段費用未知，而後半段則取決於 custom-LLM hook 背後的端點收取多少費用。因此，一通十分鐘的 Live 3 通話只有在你知道這兩個數字時，成本才可計算；而時至今日，這兩個數字你都無法從供應商那裡得知。
這種不對稱正是路由層會出現在這項比較中的原因，而且它只屬於後半段。OrcaRouter 並不託管 Fish Audio Live 3 或 GPT-Live-1——兩者都沒有第三方語音端點，且任一技術堆疊中的語音層都仍由其供應商負責。OrcaRouter 所託管的是兩套系統都委派出去的那一半：216 個模型，透過單一金鑰、以供應商定價提供且零加成，在後端發生錯誤或逾時時自動容錯切換，一套路由 DSL 決定哪種模型處理哪類回合，還有模型融合，讓較便宜的模型先起草工具呼叫，再由較強的模型在實際觸發前檢查。對 GPT-Live-1 部署而言，實際效果是兩個計分組態之間那 1.4 個百分點的差距，變成你能在自己的流量上量測，而不是從排行榜上讀到的數字。對 Live 3 部署而言，這代表推理層是在語音層的價格甚至還未知之前就先選定——而這是正確的順序，因為那是你之後還能改變的那一半。
那個不斷被拿來與錯誤對象比較的延遲數字
本次對決中流傳著三個延遲數字，而它們之中沒有任何兩個測量的是同一事件。GPT-Live-1 的 0.798 秒來自 Full-Duplex-Bench，這是一套對話動態測試套件，會在輪流發話情境中為模型計時。其 1.34 秒是在 API 上測得的首個音訊延遲。Live 3 的 186 毫秒則是 Fish Audio 自家的數據，指的是模型可選擇在電話號碼的各個片段之間發出「mm-hmm」或「okay, 415」這類簡短反應的最短間隔。
把這些放在一起讀，很容易得出 Live 3 的回應時間只有七分之一的結論。但這個結論得不到任何一家廠商已公布資料的支持。這些數字唯一能允許的比較是方向性的：兩家公司都聲稱，在某些條件下，對話中第一個可聽見的事件可以在四分之一秒內出現，而兩家也都沒有公布分布。GPT-Live-1 有而 Live 3 沒有的，是一套第三方測試框架，對它及其競爭對手套用相同的測量方式；這正是為什麼 1.34 秒是審閱者可以查核的數字，而 186 毫秒是試用者必須自行驗證的數字。
架構迫使你承擔的東西
這兩半的可攜性並不對等，而這正是任一試點開始前值得思考的部分。
在 GPT-Live-1 這邊，語音層實際上已經定型。工作階段是透過 WebRTC 執行，而不是大多數現有 Realtime 整合所使用的 WebSocket 傳輸；Live Sessions 端點是 OpenAI 專屬的；用 GPT-Live 模型 ID 去探測較舊的路徑，會回傳錯誤，表示工作階段必須使用 WebRTC。要移轉到它上面，等於重寫傳輸層；要移轉離開它，又是另一次重寫。
在 Live 3 這一側，語音層是以不同方式固定的：它是來自較小廠商的 beta 平台，僅支援英文，沒有公開價格，也沒有獨立評分。那裡可移植的是推理掛鉤，而不可移植的是它下面的一切——音訊路徑、電話號碼、工作階段生命週期。
在這兩種情況下，行動端那一半都是推理模型，而這正是切換只是變更模型 ID、而非整合專案的地方。這個比較的兩邊有著相同的設計啟示：把智慧放在你能替換的層，並把你不能替換的層維持在產品允許的範圍內盡可能薄。
先買哪一半
先買 GPT-Live-1 那一半，如果你現在需要為這項決定提出理由。它具備公開費率、兩種已評分的配置、元件拆解、有文件記錄的傳輸方式，以及可據以估算呼叫中心規模的並行階梯。它沒有的則是視訊路徑、結構化工具輸出、免費方案，或任何對 OpenAI 自身 80.1% 互動性說法的獨立重現。
先試行 Live 3 那一半，前提是你的通話是英語、客訴紀錄裡滿是被搶話的來電者，而且地端部署是必要條件而非偏好。開始前要心裡有數：你就是評估本身——沒有費率卡項目、沒有 τ-Voice 數字、沒有 arena 分數，還有一個 186 毫秒的宣稱，描述的只是短暫反應，而非回答。
不要買下任何一半，還指望廠商會把產品完成。沒有後端的 GPT-Live-1，是很會傾聽卻無話可說的對象；掛鉤背後沒有推理端點的 Live 3，則是測試版語音層，帳單尚未公布。決定這場對決的分數——81.5 對上虛無——其實是在陳述文件完備程度，而真正定案的數字，將是 Live 3 上首次獨立的輪流發言測試。
本文中的比較1
根據本文內容識別 · 基準測試：Artificial Analysis · 每日更新
