Fish Audio تطلق Live 3: نموذج صوتي ثنائي الاتجاه بزمن 186 ms

أعلنت Fish Audio في 10 نوفمبر 2026 عن Live 3، وهو نموذج صوتي تصفه بأنه ثنائي الاتجاه الكامل (full-duplex): يواصل الاستماع أثناء حديثه بدلاً من انتظار صمت المتصل قبل أن يرد. وبحسب Fish Audio، يستطيع النموذج أن يقرر الاستجابة خلال 186 ميلي ثانية فقط، وهو رقم ينطبق على الردود القصيرة مثل «mm-hmm» و«حسناً» أو تأكيد سريع، لا على إجابة كاملة. ولم يكن ممكناً قراءة صفحة الإعلان الخاصة بالشركة كاملة، لذلك يعتمد هذا المقال على التقرير المفصل الذي نشرته خدمة التوجيه OrcaRouter وعلى تعديلات التوثيق التي فتحها فريق Fish Audio على GitHub.

المشكلة التي يحاول Live 3 حلها

لا يزال معظم الوكلاء الصوتيين يعملون عبر سلسلة من المكونات: التعرف على الكلام، ونموذج لغوي، وتوليد الصوت، وعتبات صمت تقرر متى أنهى المتصل كلامه. وبحسب وصف OrcaRouter للإعلان، يخلط هذا التصميم بين وقفة في منتصف رقم هاتف والوقفة التي تنهي سؤالاً. ومثال Fish Audio نفسها متصل يملي «415… 555… 0132»: الوكيل التقليدي يسمع ثلاث نهايات منفصلة للدور، بينما يوثَّق أن Live 3 يقول «mm-hmm» أو «حسناً، 415» بين المقاطع ثم ينتظر البقية.

والخطأ المعاكس لا يقل أهمية. فإذا كان الوكيل يقرأ ساعات العمل وقال المتصل «نعم» ليبيّن أنه يتابع، يُقال إن Live 3 يواصل الكلام؛ وإذا قال بعدها «لحظة، أحتاج في الواقع إلى يوم الخميس فقط»، فعليه أن يتوقف ويفسح المجال. والحالة الثالثة التصحيح الذاتي، مثل «بيتزا اثنتان… لا، ثلاث… في الحقيقة، إحداها مارغريتا»، حيث يخطئ الوكيل الذي يتصرف بناءً على أول طلب معقول. وتقدّم Fish Audio هذه السلوكيات على أنها متعلَّمة من محادثات بشرية حقيقية، لا مضبوطة يدوياً.

كان الحل حتى الآن إضافة المزيد من القواعد والمزيد من العتبات. نعتقد أن على النموذج أن يتعلم ذلك من محادثات حقيقية، كما تتعلم النماذج اللغوية القواعد النحوية.

ما الموثَّق وما غير الموثَّق

هذا ما يمكن تأكيده في هذه المرحلة، ولا يستند أي منه إلى قياس مستقل:

• زمن الاستجابة: 186 ms كحد أدنى، وهو رقم قدمته Fish Audio، للردود القصيرة.
• اللغة: الإنجليزية فقط عند الإطلاق.
• التوفر: منصة Fish Agent Platform، وواجهة Fish Audio البرمجية الخاصة، والنشر داخل مقر العميل لعملاء المؤسسات.
• التدريب: محادثات بشرية حقيقية؛ ولم يُكشف عن حجم مجموعة البيانات ولا عن مجموعة التقييم.
• السعر: غير وارد في قائمة الأسعار العامة بحسب OrcaRouter. ويضيف طلب تعديل للتوثيق فُتح على GitHub في 10 نوفمبر صفاً باسم «Live 3 conversation» بسعر 0.07 دولار للدقيقة، لكنه كان لا يزال قيد المراجعة، وينبه كاتبه إلى أن حقول الواجهة (engine مضبوطاً على live3، وlive3_prompt) لم تكن بعد في مخطط OpenAPI وأن مثال curl لم يُنفَّذ.

لا يوجد أي اختبار مقارن. فبحسب OrcaRouter لم تنشر Fish Audio أي تقييم لـ Live 3، ولم يكن لدى Artificial Analysis، التي تقيّم النماذج الصوتية ثنائية الاتجاه، أي صف لـ Live 3 حتى 11 نوفمبر. لذا فإن رقم 186 ms غير مدقق. كما أنه يصف الطرف الأسرع من الردود القصيرة: أما التأخير حتى أول صوت في إجابة كاملة، وهو ما يحدد ما إذا كان المتصلون سيتحدثون فوق الوكيل، فلم يُنشر. وتبيع OrcaRouter نفسها خدمة توجيه النماذج وتعرض منتجها في المقال، لذا ينبغي وزن قراءتها للإعلان بناءً على ذلك.

كيف يُبنى وكيل فوقه

Live 3 هو طبقة الصوت في منصة Fish Agent Platform التي هي في مرحلة تجريبية عامة. وتتيح المنصة نقاط وصول REST تحت المسار /v1/agent/ ومجموعات تطوير لجافاسكربت وReact؛ ويمكن ربط الوكيل بأداة ويب أو برقم هاتف أو بعميل مخصص، باستخدام رموز جلسات. وبحسب طلب تعديل التوثيق، يُفعَّل Live 3 من Builder أو بضبط voice.engine على live3، وتُحدَّد المواقف عبر voice.live3_prompt، ويمكن الرجوع إلى النمط المتسلسل. ويقارن النص نفسه بين النمطين من حيث دعم اللغات وتبادل الأدوار وضبط الأداء والنصوص المكتوبة والكلام أثناء التحويل المصحوب. ويمكن لطبقة الاستدلال أن تشير إلى نقطة وصول متوافقة مع OpenAI، فلا يلزم أن يكون النموذج اللغوي من Fish Audio.

ما الذي يتغير بالنسبة إلى الشركات

بالنسبة إلى شركة عربية تستقبل الطلبات أو الحجوزات أو مكالمات الدعم بالإنجليزية عبر الهاتف، مثل سلسلة مطاعم أو عيادة أو شركة خدمات، فالفائدة عملية: متصلون أقل ينقطع كلامهم وطلبات خاطئة أقل. وقبل استبدال منظومة قائمة، من الحكمة انتظار ثلاثة أمور: سعر مؤكد للدقيقة، وتوزيع لزمن الاستجابة للإجابات الكاملة، واختبار مستقل لتبادل الأدوار. وفي الأثناء، يُبقي مشروع تجريبي على بضع مئات من المكالمات الحقيقية، مع قياس المقاطعات وأخطاء التفريغ النصي وإبقاء طريق للعودة إلى النمط القديم، المخاطرة منخفضة. أما المكالمات بالعربية فعليها الانتظار، لأن النموذج يتحدث الإنجليزية فقط.