Fish Audio Live 3: Vollduplex-Stimme reagiert in 186 ms

Fish Audio hat am 10. November 2026 Live 3 vorgestellt, ein Sprachmodell, das das Unternehmen als Vollduplex beschreibt: Es hört weiter zu, während es spricht, statt zu warten, bis der Anrufer schweigt. Laut Fish Audio kann das Modell schon nach 186 Millisekunden entscheiden zu reagieren; die Zahl gilt für kurze Reaktionen wie „mm-hmm“, „okay“ oder eine schnelle Bestätigung und nicht für eine vollständige Antwort. Die Ankündigungsseite des Unternehmens ließ sich nicht vollständig lesen, daher stützt sich dieser Artikel auf den ausführlichen Bericht des Routing-Dienstes OrcaRouter und auf die Dokumentationsänderungen, die das Fish-Audio-Team auf GitHub eröffnet hat.

Das Problem, das Live 3 lösen soll

Die meisten Sprachagenten laufen noch auf einer Kette aus Bausteinen: Spracherkennung, Sprachmodell, Sprachsynthese und Stille-Schwellenwerte, die entscheiden, wann der Anrufer fertig ist. Nach der Beschreibung der Ankündigung durch OrcaRouter verwechselt dieser Aufbau eine Pause mitten in einer Telefonnummer mit der Pause am Ende einer Frage. Fish Audios eigenes Beispiel ist ein Anrufer, der „415… 555… 0132“ diktiert: Ein herkömmlicher Agent hört drei getrennte Gesprächsenden, während Live 3 dokumentiert zwischen den Blöcken „mm-hmm“ oder „okay, 415“ sagt und dann auf den Rest wartet.

Der umgekehrte Fehler zählt genauso. Liest der Agent Öffnungszeiten vor und der Anrufer sagt „ja“, um zu zeigen, dass er folgt, soll Live 3 weitersprechen; sagt er danach „Moment, ich brauche eigentlich nur Donnerstag“, soll es aufhören und Platz machen. Ein dritter Fall ist die Selbstkorrektur, etwa „zwei Pizzen… nein, drei… eine davon als Margherita“, bei der ein Agent, der auf die erste plausible Bestellung reagiert, danebenliegt. Fish Audio stellt diese Verhaltensweisen als aus echten menschlichen Gesprächen gelernt dar und nicht als von Hand konfiguriert.

Bisher hieß die Lösung: mehr Regeln und mehr Schwellenwerte. Wir glauben, dass ein Modell das aus echten Gesprächen lernen sollte, so wie Sprachmodelle Grammatik lernen.

Was dokumentiert ist und was nicht

Das lässt sich derzeit festhalten, ohne dass eine unabhängige Messung dahintersteht:

• Reaktionszeit: höchstens 186 ms, eine Angabe von Fish Audio, für kurze Reaktionen.
• Sprache: zum Start nur Englisch.
• Verfügbarkeit: die Fish Agent Platform, Fish Audios eigene API und der Betrieb im eigenen Rechenzentrum für Unternehmenskunden.
• Training: echte menschliche Gespräche; weder die Größe des Datensatzes noch der Evaluierungsdatensatz sind offengelegt.
• Preis: laut OrcaRouter nicht in der öffentlichen Preisliste. Eine am 10. November auf GitHub eröffnete Dokumentationsänderung fügt eine Zeile „Live 3 conversation“ zu 0,07 Dollar pro Minute hinzu, war aber noch in Prüfung; ihr Autor weist darauf hin, dass die API-Felder (engine auf live3 gesetzt und live3_prompt) noch nicht im OpenAPI-Schema standen und das curl-Beispiel nicht ausgeführt wurde.

Einen Benchmark gibt es nicht. Laut OrcaRouter hat Fish Audio keine Auswertung von Live 3 veröffentlicht, und Artificial Analysis, das Duplex-Sprachmodelle bewertet, führte am 11. November keine Zeile für Live 3. Die Zahl von 186 ms ist also ungeprüft. Sie beschreibt zudem das schnelle Ende kurzer Reaktionen: Die Verzögerung bis zum ersten Ton einer vollständigen Antwort, die entscheidet, ob Anrufer dem Agenten ins Wort fallen, wurde nicht veröffentlicht. OrcaRouter verkauft selbst Modell-Routing und stellt sein Produkt im Artikel vor, daher ist seine Lesart der Ankündigung entsprechend zu gewichten.

Wie ein Agent darauf aufgebaut wird

Live 3 ist die Sprachschicht der Fish Agent Platform, die sich in der öffentlichen Beta befindet. Sie bietet REST-Endpunkte unter /v1/agent/ sowie SDKs für JavaScript und React; ein Agent lässt sich mit einem Web-Widget, einer Telefonnummer oder einem eigenen Client verbinden, mit Sitzungstokens. Laut der Dokumentationsänderung wird Live 3 im Builder oder mit voice.engine auf live3 aktiviert, Situationen werden über voice.live3_prompt festgelegt, und man kann zum Kaskadenmodus zurückwechseln. Derselbe Text vergleicht beide Modi bei Sprachunterstützung, Rederecht, Vortragssteuerung, Transkripten und Sprache bei begleiteten Übergaben. Die Denkschicht kann auf einen OpenAI-kompatiblen Endpunkt zeigen, das Sprachmodell muss also nicht von Fish Audio stammen.

Was das für ein Unternehmen ändert

Für ein deutsches Unternehmen, das Bestellungen, Reservierungen oder Supportanrufe auf Englisch am Telefon entgegennimmt, etwa eine Gastronomiekette, eine Klinik oder ein Energieversorger, liegt der Nutzen auf der Hand: weniger abgewürgte Anrufer und weniger falsche Bestellungen. Bevor eine bestehende Kette ersetzt wird, sollte man drei Dinge abwarten: einen bestätigten Minutenpreis, eine Latenzverteilung für vollständige Antworten und einen unabhängigen Test des Rederechts. Bis dahin hält ein Pilot mit einigen hundert echten Anrufen, bei dem Unterbrechungen und Transkriptionsfehler gemessen werden und ein Rückweg zum alten Modus bleibt, das Risiko gering. Deutschsprachige Anrufe müssen warten, da das Modell nur Englisch spricht.