Fish Audio Live 3 對上 Grok Voice 3.0：一個價格是套裝方案，另一個則是單一元件

把兩張價目表並排放在一起，較新的模型看起來價格不到一半。Fish Audio Live 3 在 Fish Audio 的 Agent Platform 上以每分鐘 0.035 美元販售——這是促銷價，為 0.07 美元定價的一半，優惠至 2026 年 12 月 31 日。Grok Voice 3.0 售價為每分鐘 0.08 美元，即每小時 4.80 美元，另加每個文字輸入 token 0.004 美元。四美分對上八美分，說法簡單明瞭，直到你發現這兩個數字計費的對象並不相同：Grok Voice 3.0 是你租用的語音對語音元件，而 Live 3 的每分鐘數字則把語音辨識、推理模型與聲音打包進同一個計費表。一個是零件，另一個是組裝成品。拿它們按分鐘相比，就像拿變速箱跟汽車相比。

那個區別就是整段比較的重點，而值得精確說明原因。Grok Voice 3.0 是即時 WebSocket 後方的一個帶版本號模型字串，具備工作階段範圍內的工具與回傳的轉錄稿，依其處理的音訊分鐘數計價，並在 Artificial Analysis Speech to Speech Index 上獨立獲得 86.9 分。Fish Audio Live 3 是於 2026 年 11 月 10 日推出的全雙工模型，說話時仍持續聆聽；依公司自己的說法，推出時僅支援英文；沒有任何已公布的基準測試；Fish Audio 的 API 文件中沒有模型識別碼；也未釋出權重——vLLM 專案對這次推出的公開回應，是希望它有一天能開源。

只存在於單側的計分板

Artificial Analysis 使用與所有雙工模型相同的測試框架來評測 Grok Voice 3.0，而數據異常完整。以下每一項數據皆來自該榜單本身，取自其 2026 年 10 月 13 日的測試結果。

• 語音推理，Big Bench Audio — 98.5%。

• 對話動態，Full Duplex Bench — 97.0%，其中回饋式應答 92.9%、打斷處理 96.5%、輪流發言 100% 與停頓處理 98.5%。

Speech Agent Arena 偏好度 — Elo 分數 1059，相較之下 Gemini 3.8 Live 為 1074，Eleven Realtime v1 Max 為 990。

• 任務成功率 — 在 τ-Voice 航空、零售與電信情境中達到 94.8%。

• 首次音訊時間——0.81 秒，比 Grok Voice 2.0 的 0.70 秒慢，但比 GPT-Live-1 在 Astra 中型配置下的 1.34 秒快約 40%。

• 每小時輸入音訊成本 — $4.80，直接換算自供應商本身的每分鐘費率。

Live 3 的那一欄並不稀疏，而是空的，而這種空有其特定形狀。截至 2026 年 11 月 11 日，該榜單上沒有任何一列對應 Fish Audio 的任何雙工模型——榜單將 Fish Audio 列為一個模型系列，卻未对其任何實時工作評分。Fish Audio 唯一公布的數字是 186 毫秒做出回應決定，而公司是在「mm-hmm」這類簡短反應、而非完整回答的語境中描述這個數字。這是廠商對一次確認應答所給出的下限。Grok 的 0.81 秒則是經審計的答覆首音訊時間。這兩個數字完全不可比，而二者都以秒表示這一事實正是陷阱。

每一方的雙工主張實際上承諾了什麼

兩個模型都是全雙工，所以「邊說邊聽」並不是它們之間的差異點，而是入場門檻。真正的差別在於計時策略從何而來。

Fish Audio 的論點是，認可、等待、回答與停止是從錄製的人類對話中學習而來，而不是寫成一串靜音閾值；並以一個分段讀出的電話號碼來說明：當人類只聽到一次猶豫，代理卻聽到三個輪次結束事件，這正是要修正的失敗。支撐材料是三通範例通話：完成訂單、插話，以及在回讀過程中進行回應性附和。Fish Audio 尚未公布的是，任何能衡量所學策略是否勝過閾值式策略的測量結果。

Grok Voice 3.0 的時序策略完全沒有以行為術語加以說明。xAI 公布的是價目表、模型字串、別名變更——grok-voice-latest 現在解析為 grok-voice-3.0，而 grok-voice-2.0 被標記為已棄用——並且透過 Artificial Analysis，公布了一組輪替發言分數，買家可將其解讀為風險聲明。96.5% 的打斷分數是可拿你自己的通話錄音驗證的說法。186 毫秒的確認回應下限，則是在你實際執行之前只能選擇相信的說法。

別名變動在電話系統中比聽起來更重要。Grok Voice 2.0 於 2026 年 8 月 5 日成為別名目標，並在十週後被 3.0 取代，這意味著針對該別名部署的團隊，已在一個季度內經歷兩次無聲的模型替換。你是否明確固定grok-voice-3.0，是供應商實際上已強迫你做出的部署決定。

錢實際上最終流向何處

套裝與元件式的區分會產生四種成本型態，而其中只有一種在經受真實通話考驗後，仍對 Live 3 有利。

• Agent Platform 上的 Live 3 — 促銷期間每分鐘 $0.035 全包，涵蓋辨識、推理與語音；電話通話每分鐘另加 $0.01，每個電話號碼每月 $1.20；若從內含模型升級至進階層級 LLM，則另計其 token 費率。十分鐘通話為 35 美分，另加電話費。

• 2026 年 12 月 31 日之後的 Live 3——牌價為每分鐘 $0.07，屆時整體費用與 Grok 的 $0.08 相差不到一分錢，套裝方案的論點就必須獨自支撐這項比較。Fish Audio 尚未說明這項折扣會如何處理。

• Grok Voice 3.0 — 每分鐘音訊 $0.08，加上每個文字輸入 token $0.004；其中推理模型、電話語音和編排功能都需另行購買。每分鐘費率只是下限，並非總價。

• 或者，搭配你自己的推理模型——這是兩者唯一交會的形態，因為兩家廠商都讓你自備大腦，只對語音層計費。

最後一點，是藏在價格表裡的實務結論。如果你的產品是在推理層做出差異化，這個組合包只是對你原本就打算汰換掉的東西打折。如果不是，這個組合包確實更便宜也更簡單，而 50% 促銷是本月語音領域最划算的方案。

採購，以及沒有人的費率卡能回答的問題

價格與分數是簡單的那一半。困難的那一半，是當你底下的模型發生變化時會怎麼樣，而在這一點上，兩家廠商做出了相反的取捨。

Grok Voice 3.0 有穩定的介面和不穩定的模型：相同的端點、相同的事件名稱、相同的 bearer-token 握手、相同的語音集，模型則在別名背後被替換。Fish Audio Live 3 的介面不穩定，但目前模型穩定：平台處於公開 Beta，雙工模型是新的，其 API 文件尚未提及它的名稱，而發布公告是唯一描述其行為的文件。一種安排要求你持續測試；另一種要求你閱讀發行說明。

兩者都並非不合理。但工程團隊在兩者之間做選擇時，應該注意自己更有能力吸收哪一種風險，因為這個答案通常比每分鐘四美分更能預測部署是否成功。

可攜層，以及誠實的界線

這兩套堆疊都是兩部分系統，而且兩者的語音部分都無法移植——Grok Voice 3.0 僅能在 xAI 的即時端點上執行，Live 3 僅能在 Fish Audio 的平台與企業級硬體上執行。推理部分才是路由器該負責的環節，而在這兩套系統中，它都是另行購買的項目：在 Grok 這一側，它是你從工作階段工具內呼叫的模型；在 Fish 這一側，它是代理程式指向的 OpenAI 相容端點。OrcaRouter 透過單一金鑰、以供應商定價且零加成提供超過 200 個模型，因此無論採用哪一套堆疊，文字模型都能替換或固定，而不必重新協商語音合約；當推理後端在通話中途發生錯誤時，自動容錯移轉也能讓工作階段保持運作。這兩個語音模型都無法在此路由——兩者都沒有第三方端點——若本文暗示並非如此，將會造成誤導。

對於仍在做決定的團隊來說，最便宜的實驗就是定價讓它成為可能的那個：把同樣的二十通通話分別跑過兩者，自己替打斷情況打分，然後看看別人的零售情境中 94.8% 的任務成功率，是否能預測你自己的情況。Live 3 的 186 毫秒，感受起來要嘛是這個模型的重點所在，要嘛只是關於代理在思考時所發出的一種雜訊的數字。這不是費率表能解決的問題，卻是發票到手之後唯一重要的問題。