Fish Audio 发布了 Live 3，这是一款为实时语音智能体构建的全双工语音模型。Fish Audio Live 3 全双工语音模型在说话的同时保持聆听。这让来电者可以停顿、说“嗯哼”，或改变主意，而不会中断通话。对开发者而言，卖点很简单：轮流发言从手工调校的流水线规则，转移到了语音模型内部。
TL;DR
产品：一款为实时语音智能体构建的全双工语音模型
运行于：托管的 Fish Agent Platform 和 Fish Audio API；面向企业提供本地部署。
性能：Fish Audio 展示了行为演示，但未公布基准测试分数。
最佳表现：对于“嗯哼”这类简短回应，可在短短 186 ms 内决定作出响应。
什么是 Fish Audio Live 3？
Live 3 是 Fish Audio 的一款全双工语音模型，可以同时聆听和说话。
核心论点是：速度和时机是两个不同的问题。智能体可以回复得很快，却仍在错误的时机开口。“你们几点开门？”之后的停顿通常意味着一个轮次结束。电话号码中间的停顿则不是。
Live 3 如何处理轮流发言？
大多数语音智能体将识别、推理、语音生成和轮流发言拆分到不同的流水线阶段。Fish Audio 团队表示，Live 3 将会话时机移入了语音模型。它基于真实人类对话训练，学习何时确认、等待、回应或停止。
他们将旧方法描述为堆叠“更多规则和更多阈值”。Fish Audio 则希望让模型从数据中学习时机。独立的推理层仍然承载智能体的指令和工具。
Fish Audio 团队演示了 3 种行为：
确认而不接管。来电者读出“415… 555… 0132”。Live 3 可能会在片段之间说“好的，415”，然后等待。
区分附和与打断。来电者说“是的”会让智能体继续。“等等，其实我只需要周四”则会让它停下。
在纠正中等待。对于“两个披萨……不，三个”，Live 3 会等待，而不是记下错误的订单。
Live 3 有多快？
Fish Audio 表示，Live 3 最快可在 186 ms 内决定做出回应。该数字涵盖的是诸如“mm-hmm”“okay”以及快速确认这类简短反应。完整回答是并行准备的。
这是小型反应的下限，而非完整回复的首个音频时间。Fish Audio 尚未公布延迟分布。第三方追踪机构 OrcaRouter 也表示，截至 11 月 11 日，Live 3 尚无 Artificial Analysis 评分。
开发者如何部署 Live 3？
Live 3 可在 Fish Agent Platform、通过 Fish Audio API 以及面向企业的本地部署中使用。Agents 平台处于公开测试阶段。
Agents 在 /v1/agent/* 下提供 REST 接口。浏览器会话通过 @fishaudio/agent-client 或 @fishaudio/agent-react 运行。Agents 可以接听电话号码、通过 WebRTC 连接，或嵌入网站小组件。Live 3 页面列出了 2,000,000+ 个音色库声音，包括克隆音色。
一份待处理的文档拉取请求显示，Live 3 通过 voice.engine: "live3" 启用。启用后，语音识别固定为 fish_audio:transcribe-stream-1。Fish Audio 当前的文档称，该模型还会将重叠归类为打断或确认。
Live 3 的价格是多少？
Live 3 页面列出每分钟 $0.035，较 $0.07 下降 50%，有效期至 2026 年 12 月 31 日。页面称该方案包含 Live 3。定价文档称，$0.07 的标价涵盖 STT、TTS、基础 LLM、知识检索和工具调用。
电话通话每分钟额外加收 $0.01。一个号码每月费用为 $1.20。新账户可获得 $5 试用余额。
Live 3 与其他全双工语音模型相比如何？
指标Fish Audio Live 3OpenAI GPT-Live-1Eleven Realtime v1 MaxGemini 3.8 Live设计全双工，时序在语音模型中学习全双工，将推理委托给后端模型级联式，端到端调优实时对话模型，在后台运行工具语言仅英语未披露90+97发布时间186 ms 最低（短反应）帖子正文中未披露平均首次音频时间 0.57 s未披露轮次切换得分未公布+30 pp Full Duplex Bench 对比 GPT-Realtime-2.1（自报）94.1% Full-Duplex-Bench未披露推理 / 智能体得分未公布在 Tau3 上以 GPT-6 Astra（medium）排名第 1 98.8% Big Bench Audio；87.1% 工具任务Extended Thinking：97.7% Big Bench Audio；68.6% τ-Voice价格$0.035/min 促销价，$0.07 标价（含 STT、基础 LLM、TTS）$0.05/min 语音层 + 后端 token会话时间 + token发布帖中未披露部署Agent Platform、API、本地部署API、电话ElevenAgents、Realtime APIGemini API、AI Studio、Gemini Enterprise（预览）
ElevenLabs 的得分来自 Artificial Analysis，由 ElevenLabs 提供。OpenAI 和 Google 的数据为自报。
要点
Live 3 是 Fish Audio 面向电话和网页智能体的全双工语音模型。
它从真实对话中学习轮次切换，而非依赖静音阈值。
短反应最快可在 186 ms 内开始。
智能体在 2026 年 12 月 31 日之前每分钟收费 $0.035，之后为 $0.07。
仅支持英语，且尚未公布基准测试得分。
查看发布帖，在 fish.audio/live3 试用，并查阅 Agents 文档。另外，欢迎在 Twitter 上关注我们，别忘了加入我们 150k+ 的 ML SubReddit 并订阅我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。
需要与我们合作推广你的 GitHub Repo 或 Hugging Face Page 或产品发布或网络研讨会等？联系我们
文章 Fish Audio Releases Live 3, a Full-Duplex Voice Model That Reacts in 186 ms 首发于 MarkTechPost。