Fish Audio Live 3 : voix full-duplex qui réagit en 186 ms

Fish Audio a présenté Live 3 le 10 novembre 2026, un modèle vocal qualifié de full-duplex : il continue d'écouter pendant qu'il parle, au lieu d'attendre que l'interlocuteur se taise pour répondre. Selon Fish Audio, le modèle peut décider de réagir en 186 millisecondes seulement, un chiffre qui concerne les courtes réactions comme « mm-hmm », « d'accord » ou une confirmation rapide, et non une réponse complète. La page d'annonce de l'entreprise n'a pas pu être lue en intégralité ; cet article s'appuie donc sur le récit détaillé du service de routage OrcaRouter et sur les modifications de documentation ouvertes par l'équipe de Fish Audio sur GitHub.

Le problème que Live 3 veut résoudre

La plupart des agents vocaux reposent encore sur une chaîne de briques : reconnaissance vocale, modèle de langage, synthèse vocale, et seuils de silence qui décident quand l'appelant a fini. Selon la description de l'annonce par OrcaRouter, cette conception confond une pause au milieu d'un numéro de téléphone avec la pause qui clôt une question. L'exemple de Fish Audio est celui d'un appelant qui dicte « 415… 555… 0132 » : un agent classique y voit trois fins de tour distinctes, alors que Live 3 est documenté comme disant « mm-hmm » ou « d'accord, 415 » entre les blocs, puis attendant la suite.

L'erreur inverse compte autant. Si l'agent énumère des horaires d'ouverture et que l'appelant dit « ouais » pour montrer qu'il suit, Live 3 est censé continuer ; si l'appelant lance ensuite « Attendez, en fait il me faut juste jeudi », il doit s'arrêter et lui laisser la parole. Troisième cas : l'autocorrection, comme « deux pizzas… non, trois… en fait, une en margherita », où un agent qui agit sur la première commande plausible se trompe. Fish Audio présente ces comportements comme appris à partir de vraies conversations humaines, et non réglés à la main.

Jusqu'ici, la réponse a été d'ajouter des règles et des seuils. Nous pensons qu'un modèle doit apprendre cela dans de vraies conversations, comme les modèles de langage apprennent la grammaire.

Ce qui est documenté, et ce qui ne l'est pas

Voici ce que l'on peut établir à ce stade, sans aucune mesure indépendante derrière :

• Temps de réaction : 186 ms au mieux, chiffre fourni par Fish Audio, pour de courtes réactions.
• Langue : anglais uniquement au lancement.
• Diffusion : la Fish Agent Platform, l'API de Fish Audio et un déploiement sur site pour les clients entreprise.
• Entraînement : des conversations humaines réelles ; ni la taille du jeu de données ni le jeu d'évaluation ne sont divulgués.
• Prix : absent de la grille tarifaire publique, selon OrcaRouter. Une demande de modification de la documentation ouverte le 10 novembre sur GitHub ajoute une ligne « Live 3 conversation » à 0,07 dollar la minute, mais elle était encore en relecture, et son auteur signale que les champs d'API (engine réglé sur live3, et live3_prompt) ne figuraient pas encore dans le schéma OpenAPI et que l'exemple curl n'avait pas été exécuté.

Il n'existe aucun benchmark. Selon OrcaRouter, Fish Audio n'a publié aucune évaluation de Live 3, et Artificial Analysis, qui note les modèles vocaux duplex, ne comptait aucune ligne Live 3 au 11 novembre. Le chiffre de 186 ms n'est donc pas audité. Il décrit en outre le bas de la fourchette pour de courtes réactions : le délai avant le premier son d'une réponse complète, qui décide si l'appelant coupe la parole à l'agent, n'est pas publié. OrcaRouter vend lui-même du routage de modèles et présente son produit dans l'article ; sa lecture de l'annonce est donc à pondérer.

Comment on construit un agent dessus

Live 3 est la couche vocale de la Fish Agent Platform, en bêta publique. Elle expose des points d'accès REST sous /v1/agent/ et des SDK JavaScript et React ; un agent se branche sur un widget web, un numéro de téléphone ou un client sur mesure, avec des jetons de session. D'après la demande de modification de la documentation, Live 3 s'active dans le Builder ou avec voice.engine réglé sur live3, les situations se définissent par voice.live3_prompt, et l'on peut revenir au mode en cascade. Le même texte compare les deux modes sur la langue, la prise de parole, les réglages d'élocution, les transcriptions et la parole lors d'un transfert accompagné. La couche de raisonnement peut pointer vers un point d'accès compatible OpenAI : le modèle de langage n'a pas à être celui de Fish Audio.

Ce que ça change pour une entreprise

Pour une entreprise qui prend des commandes, des réservations ou des appels de support par téléphone en anglais, comme une chaîne de restauration, une clinique ou un fournisseur d'énergie, l'intérêt est concret : moins d'appelants coupés et moins de commandes erronées. Avant de remplacer une chaîne existante, mieux vaut attendre trois choses : un prix à la minute confirmé, une distribution des latences pour les réponses complètes et un test indépendant de prise de parole. D'ici là, un pilote sur quelques centaines d'appels réels, avec mesure des interruptions et des erreurs de transcription et retour possible à l'ancien mode, limite le risque. Les marchés non anglophones devront patienter, puisque le modèle ne parle qu'anglais.