Fish Audio Live 3: voz full dúplex que reacciona en 186 ms

Fish Audio presentó Live 3 el 10 de noviembre de 2026, un modelo de voz que describe como full dúplex: sigue escuchando mientras habla, en lugar de esperar a que la persona que llama se calle para responder. Según Fish Audio, el modelo puede decidir responder en tan solo 186 milisegundos, una cifra que corresponde a reacciones breves como «mm-hmm», «vale» o una confirmación rápida, y no a una respuesta completa. La página de anuncio de la empresa no pudo leerse entera, de modo que este artículo se apoya en el relato detallado del servicio de enrutamiento OrcaRouter y en los cambios de documentación que el equipo de Fish Audio abrió en GitHub.

El problema que Live 3 intenta resolver

La mayoría de los agentes de voz siguen funcionando con una cadena de piezas: reconocimiento de voz, modelo de lenguaje, síntesis de voz y umbrales de silencio que deciden cuándo ha terminado el interlocutor. Según la descripción del anuncio que hace OrcaRouter, ese diseño confunde una pausa en mitad de un número de teléfono con la pausa que cierra una pregunta. El ejemplo de Fish Audio es el de alguien que dicta «415… 555… 0132»: un agente convencional percibe tres finales de turno distintos, mientras que de Live 3 se documenta que dice «mm-hmm» o «vale, 415» entre los bloques y luego espera el resto.

El error contrario importa igual. Si el agente enumera un horario y quien llama dice «sí» para indicar que lo sigue, se dice que Live 3 continúa; si después añade «Espere, en realidad solo necesito el jueves», debe detenerse y ceder la palabra. Un tercer caso es la autocorrección, como «dos pizzas… no, tres… mejor, una de margarita», donde un agente que actúa sobre el primer pedido plausible se equivoca. Fish Audio presenta estos comportamientos como aprendidos de conversaciones humanas reales y no configurados a mano.

Hasta ahora la solución ha sido añadir más reglas y más umbrales. Creemos que un modelo debe aprender esto de conversaciones reales, igual que los modelos de lenguaje aprenden la gramática.

Qué está documentado y qué no

Esto es lo que puede establecerse por ahora, sin ninguna medición independiente detrás:

• Tiempo de reacción: 186 ms como mínimo, cifra aportada por Fish Audio, para reacciones breves.
• Idioma: solo inglés en el lanzamiento.
• Distribución: la Fish Agent Platform, la API propia de Fish Audio y un despliegue local para clientes empresariales.
• Entrenamiento: conversaciones humanas reales; no se revelan ni el tamaño del conjunto de datos ni el conjunto de evaluación.
• Precio: no figura en la tarifa pública, según OrcaRouter. Una propuesta de cambio de la documentación abierta en GitHub el 10 de noviembre añade una fila «Live 3 conversation» a 0,07 dólares por minuto, pero seguía en revisión, y su autor advierte de que los campos de la API (engine con el valor live3, y live3_prompt) aún no estaban en el esquema OpenAPI y de que el ejemplo con curl no se había ejecutado.

No hay ninguna prueba comparativa. Según OrcaRouter, Fish Audio no ha publicado ninguna evaluación de Live 3, y Artificial Analysis, que puntúa los modelos de voz dúplex, no tenía ninguna fila de Live 3 el 11 de noviembre. La cifra de 186 ms no está, por tanto, auditada. Además describe el extremo rápido de las reacciones breves: el retraso hasta el primer sonido de una respuesta completa, que decide si quien llama pisa la voz del agente, no se ha publicado. OrcaRouter vende enrutamiento de modelos y presenta su propio producto en el artículo, así que su lectura del anuncio debe sopesarse en consecuencia.

Cómo se construye un agente sobre él

Live 3 es la capa de voz de la Fish Agent Platform, en beta pública. Expone puntos de acceso REST bajo /v1/agent/ y SDK para JavaScript y React; un agente puede conectarse a un widget web, a un número de teléfono o a un cliente propio, con tokens de sesión. Según la propuesta de cambio de la documentación, Live 3 se activa en el Builder o con voice.engine establecido en live3, las situaciones se definen mediante voice.live3_prompt y es posible volver al modo en cascada. El mismo texto compara ambos modos en idioma, gestión de turnos, controles de entonación, transcripciones y habla durante las transferencias acompañadas. La capa de razonamiento puede apuntar a un punto de acceso compatible con OpenAI, así que el modelo de lenguaje no tiene por qué ser el de Fish Audio.

Qué cambia para una empresa

Para una empresa que atiende pedidos, reservas o llamadas de soporte por teléfono en inglés, como una cadena de restaurantes, una clínica o una compañía de suministros, el interés es práctico: menos interlocutores cortados y menos pedidos erróneos. Antes de sustituir una cadena existente, conviene esperar tres cosas: un precio por minuto confirmado, una distribución de latencias para respuestas completas y una prueba independiente de gestión de turnos. Mientras tanto, un piloto con unos cientos de llamadas reales, midiendo interrupciones y errores de transcripción y con vuelta posible al modo anterior, mantiene el riesgo bajo. Los mercados que no hablan inglés tendrán que esperar, ya que el modelo solo habla inglés.