2026年11月10日，Fish Audio 发布了面向实时语音 Agent 的全双工语音模型 Live 3，主打边说边听，宣称最低响应决策时间仅为 186毫秒，并在2026年12月31日前打出 0.035美元/分钟 的半价促销（原价0.07美元/分钟）。这套方案把话轮转换（Turn-taking）从繁琐的静音检测（VAD）代码规则收归语音模型内部，支持公测中的 Fish Agent Platform、API 以及企业本地化部署。但深究技术口径与计费细则就会发现，186毫秒只是模型决定发出“mm-hmm”等简短附和的内部下限，且其 API 目前仅向特定企业合作伙伴定向开放，全网尚无任何第三方基准跑分。
传统语音 Agent 最大的顽疾是听不懂停顿的潜台词：用户报电话号码中间喘口气，AI 就粗暴抢话；用户礼貌性附和一声“yeah”，AI 又误判为打断而突然闭嘴。Live 3 用真实人类对话数据训练语音模型，展示了三类核心交互能力：在用户分段报出电话号码时穿插“okay”并等待下文、区分顺着话头的附和与真正的打断指令，以及在用户说“两个披萨，不对，三个”时耐心等待纠正而不直接下错单。不过，尽管其 Agent 平台号称拥有超过200万种音色并涵盖30多种语言，Live 3 首发却仅支持英语，且一旦启用 voice.engine: "live3"，底层语音识别就会强制绑定为专属的 fish_audio:transcribe-stream-1。
186毫秒的数字迷雾与双层架构收敛
很多开发者第一眼看到 Live 3 的186毫秒，很容易拿它去跟 OpenAI 或 Google 动辄一秒以上的延迟直接比快慢。这其实是把两个完全不同维度的时钟混为一谈。
Live 3 的186毫秒只代表模型内部决定发出“mm-hmm”“okay”等简短确认的最低时间下限，既不是完整回答的首字音频延迟（TTFA），官方也未说明计时起点、终点以及 P50/P95 分位数分布。而在包含对话时机与任务表现的 InteractionBench 基准测试中，竞品测算的则是实打实的客户端端到端中位回复起始延迟：OpenAI GPT-Live-1（配合 GPT-5.5 后端）为1,210毫秒，GPT-Realtime 2.1 为1,460毫秒，Gemini 3.1 Flash Live 为1,115毫秒。一旦涉及后台复杂操作，在评估言语不流畅与链式工具调用的 Full-Duplex-Bench v3 测试里，Gemini Live 3.1 的工具任务延迟甚至高达4.25秒。
在全双工语音赛道里，盲目追求绝对低延迟反而可能摧毁对话体验。以开源自托管全双工框架 Kyutai Moshi 为例，其理论延迟仅160毫秒，L4 GPU 实测低至200毫秒，在 InteractionBench 上的有效延迟也只有190毫秒；但因为它频繁在用户问题还没说完时就急着抢话，导致对话时机通过率只有41%，最终的口语任务通过率更是惨跌至 6%。相比之下，端到端延迟超过1秒的 GPT-Live-1 对话时机通过率达到了86%（口语任务通过率68%），Gemini 3.1 Flash Live 也拿下了77%的时机通过率和72%的任务通过率。
反应快不等于时机准，无脑抢话只会摧毁任务完成率。
正是为了破解手速与智商倒挂的难题，Fish Audio Live 3 与 OpenAI GPT-Live-1 不约而同地收敛到了同一套双层解耦架构：用前端轻量级全双工语音层负责实时倾听、毫秒级附和与话轮时机判断，同时将耗时长的复杂指令、知识检索和工具调用委托给后端独立的推理层并行准备。这样既避免了手写规则阈值的僵硬，又防止了前端模型为了赶时间而胡言乱语。
按分钟打包与按 Token 计费的真实账本
在商业落地上，Fish Audio 给出了极具诱惑力的价格锚点：年底前促销价0.035美元/分钟（原价0.07美元/分钟），并宣称打包涵盖了语音识别（STT）、基础大模型（Basic LLM）、语音合成（TTS）、知识检索和工具调用；如果接入电话网，呼叫加收0.01美元/分钟，号码月租1.20美元，新注册账户赠送5美元试用金。
但这张看似全包的账单背后藏着一个关键限制：打包价仅包含基础 LLM，企业一旦在复杂客服或业务办理中需要切换至高级（Premium）LLM，依然要额外交纳 Token 费用。
为了算清按时长收费与按音频 Token 收费的真实差距，我们可以按行业通用的基准模型（即1分钟会话包含30秒用户说话与30秒 AI 说话，不计入历史上下文累加与文本 Token）将主流方案拉平对比：
| 模型方案 | 计费模式与官方单价 | 1分钟标准会话成本 (30秒听+30秒说) | 附加成本与核心限制 |
|---|---|---|---|
| Fish Audio Live 3 | 按时长：促销 $0.035/分 (原价 $0.07/分) | $0.035 - $0.070 | 仅含基础 LLM，切高级 LLM 需加收 Token 费；仅支持英语 |
| OpenAI GPT-Live-1 | 按时长：语音层 $0.05/分 (按秒计费) | $0.050 + 后端费 | 后端推理模型与工具调用消耗完全另计 |
| OpenAI Realtime 2.1 | 按 Token：输入 $32/百万，输出 $64/百万 | $0.048 | 历史上下文累加会推高长对话成本 (缓存输入 $0.40/百万) |
| OpenAI Realtime 2.1 mini | 按 Token：输入 $10/百万，输出 $20/百万 | $0.015 | 适合高频轻量交互，纯音频账面成本远低于按分钟打包 |
| Gemini 3.8 Live | 按 Token：输入 $3/百万，输出 $12/百万 | $0.0115 | 支持 97 种语言，纯新处理音频账面单价极具侵略性 |
对比之下可以看出，如果业务场景只是简短高频的轻量问答，Gemini 3.8 Live（约 0.0115美元/分钟）或 Realtime 2.1 mini（约 0.015美元/分钟）的纯音频账面成本其实比 Live 3 的半价促销还要便宜一半以上。Live 3 定价策略真正占便宜的地方，在于长对话且无需高级推理的场景——因为按分钟固定打包不会像 Token 计费那样，随着多轮对话历史上下文的滚动累加而出现费用激增。此外，Live 3 提供了 OpenAI 和 Google 目前未能充分满足的企业本地化部署（on-premises）选项，这对医疗、金融等数据合规严苛的呼叫中心是刚需，不过官方尚未公布本地化部署的具体定价与硬件门槛。
- 风险.尽管宣传稿给人全面开放的印象，Fish Audio 在 Reddit 官方公告中明确提到，Live 3 的 API 访问权限目前仅向部分特定企业合作伙伴（select enterprise partners）定向开放；同时官方正为被选中的公开创作者评测提供 API 额度奖励。
这也解释了为何截至11月11日，包括 OrcaRouter 和 Artificial Analysis 在内的第三方追踪机构均未收录 Live 3 的任何跑分数据。对于正在评估呼叫中心或语音 Agent 改造的技术团队而言，在年底半价促销到期前，与其轻信社区里带有额度激励色彩的早期演示，不如先拿5美元试用金在公测的 WebRTC 或客户端 SDK（@fishaudio/agent-client）上跑通三件事：实测完整业务回答的 P50/P95 端到端延迟、统计背景噪音下的假打断率，以及核算挂载高级 LLM 后的真实单通电话总成本。