Fish Audio、全二重の音声モデルLive 3を発表 反応は186ミリ秒

Fish Audioは2026年11月10日、全二重（フルデュプレックス）をうたう音声モデル「Live 3」を発表しました。相手が黙るのを待ってから答えるのではなく、話している最中も聞き続けるモデルです。Fish Audioによると、このモデルは最短186ミリ秒で反応を決められますが、この数字が指すのは「うん」「了解」といった短い相づちや素早い確認であり、完全な回答ではありません。同社自身の発表ページは全文を読み込めなかったため、本記事はルーティングサービスOrcaRouterの詳しい解説と、Fish AudioのチームがGitHubで提出したドキュメント修正を根拠にしています。

Live 3が解こうとしている問題

多くの音声エージェントは、音声認識、言語モデル、音声合成という部品の連鎖と、通話者が話し終えたかを判断する無音のしきい値で動いています。OrcaRouterによる発表の説明では、この設計は電話番号の途中の間と、質問の終わりの間を取り違えてしまいます。Fish Audio自身の例は、通話者が「415…555…0132」と読み上げる場面です。従来型のエージェントは三つの別々の発話終了とみなしますが、Live 3は文書上、区切りごとに「うん」や「了解、415」と相づちを打ち、残りを待つとされています。

逆の誤りも同じくらい重要です。エージェントが営業時間を読み上げている最中に、通話者が「はい」と聞いていることを示しても、Live 3は話を続けるとされます。その後「待って、実は木曜だけでいいんです」と言われたら、止まって発話権を譲るはずです。三つ目は言い直しで、「ピザを二枚…いや三枚…やっぱり一枚はマルゲリータで」のような場合、最初にもっともらしい注文に飛びつくエージェントは間違えます。Fish Audioは、こうした振る舞いは手作業の設定ではなく、実際の人間の会話から学習したものだと説明しています。

これまでの対処は、ルールとしきい値を増やすことでした。私たちは、言語モデルが文法を学ぶのと同じように、モデルは実際の会話からこれを学ぶべきだと考えています。

文書で裏づけられていること、いないこと

現時点で確認できるのは次のとおりで、いずれも独立した測定の裏づけはありません。

• 反応時間：最短186ミリ秒。Fish Audioが示した数字で、対象は短い反応。
• 言語：発表時点では英語のみ。
• 提供形態：Fish Agent Platform、Fish Audio自社のAPI、企業向けのオンプレミス導入。
• 学習：実際の人間の会話。データセットの規模も評価用データも公開されていない。
• 価格：OrcaRouterによれば公開料金表にはない。11月10日にGitHubで提出されたドキュメント修正案には、1分あたり0.07ドルの「Live 3 conversation」の行が追加されているが、まだレビュー中で、作者はAPIのフィールド（engineをlive3に設定、およびlive3_prompt）がOpenAPIスキーマにまだなく、curlの例も実行していないと注記している。

ベンチマークはありません。OrcaRouterによれば、Fish AudioはLive 3の評価を一切公表しておらず、二重化音声モデルを採点するArtificial Analysisにも、11月11日時点でLive 3の行はありませんでした。したがって186ミリ秒という数字は監査されていません。しかもこれは短い反応のうち最も速い側を示すもので、通話者がエージェントの声にかぶせて話すかどうかを左右する、完全な回答の最初の音が出るまでの遅延は公表されていません。OrcaRouter自身がモデルのルーティングを販売し、記事の中で自社製品を紹介しているため、同社による発表の解釈はその点を踏まえて受け止める必要があります。

これを土台にエージェントを作る方法

Live 3は、公開ベータ中のFish Agent Platformの音声レイヤーです。/v1/agent/配下にRESTエンドポイントがあり、JavaScriptとReact向けのSDKも用意されています。エージェントはウェブウィジェット、電話番号、独自クライアントに接続でき、セッショントークンを使います。ドキュメント修正案によると、Live 3はBuilderで有効にするか、voice.engineをlive3に設定して使い、状況はvoice.live3_promptで指定し、カスケード方式に戻すこともできます。同じ文書は、言語対応、発話権の交代、話し方の制御、文字起こし、有人への引き継ぎ時の音声といった点で両方式を比較しています。推論レイヤーはOpenAI互換のエンドポイントを指せるため、言語モデルがFish Audioのものである必要はありません。

企業にとって何が変わるか

電話で英語の注文、予約、サポート対応を受けている日本企業、たとえば飲食チェーンやクリニック、公共サービス事業者にとっての利点は具体的です。途中で遮られる通話者が減り、注文の誤りも減る可能性があります。ただし既存の仕組みを置き換える前に、確定した分単価、完全な回答の遅延分布、独立した発話交代のテストという三つを待つのが賢明です。それまでは、数百件の実際の通話でパイロットを行い、割り込みや文字起こしの誤りを測定し、従来方式に戻せる道を残しておけば、リスクを抑えられます。モデルは英語しか話さないため、日本語の通話への対応はまだ先になります。