Fish Audio lança Live 3, voz full-duplex que reage em 186 ms

A Fish Audio apresentou o Live 3 em 10 de novembro de 2026, um modelo de voz que ela descreve como full-duplex: ele continua ouvindo enquanto fala, em vez de esperar o interlocutor se calar para responder. Segundo a Fish Audio, o modelo pode decidir responder em apenas 186 milissegundos, número que vale para reações curtas como “mm-hmm”, “certo” ou uma confirmação rápida, e não para uma resposta completa. A página de anúncio da empresa não pôde ser lida por inteiro, então este texto se apoia no relato detalhado do serviço de roteamento OrcaRouter e nas alterações de documentação que a equipe da Fish Audio abriu no GitHub.

O problema que o Live 3 tenta resolver

A maioria dos agentes de voz ainda funciona com uma cadeia de peças: reconhecimento de fala, modelo de linguagem, síntese de voz e limiares de silêncio que decidem quando a pessoa terminou. Segundo a descrição do anúncio feita pela OrcaRouter, esse desenho confunde uma pausa no meio de um número de telefone com a pausa que encerra uma pergunta. O exemplo da Fish Audio é o de alguém ditando “415… 555… 0132”: um agente convencional enxerga três fins de turno distintos, enquanto o Live 3 está documentado como dizendo “mm-hmm” ou “certo, 415” entre os blocos e depois esperando o resto.

O erro oposto importa tanto quanto. Se o agente está lendo um horário de funcionamento e a pessoa diz “sim” para mostrar que acompanha, diz-se que o Live 3 continua; se ela depois falar “Espere, na verdade só preciso de quinta-feira”, ele deve parar e abrir espaço. Um terceiro caso é a autocorreção, como “duas pizzas… não, três… na verdade, uma de marguerita”, em que um agente que age sobre o primeiro pedido plausível erra. A Fish Audio apresenta esses comportamentos como aprendidos em conversas humanas reais, e não configurados à mão.

Até agora, a solução tem sido acrescentar mais regras e mais limiares. Acreditamos que um modelo deve aprender isso em conversas reais, do mesmo modo que os modelos de linguagem aprendem gramática.

O que está documentado e o que não está

Eis o que se pode estabelecer neste momento, sem nenhuma medição independente por trás:

• Tempo de reação: 186 ms no mínimo, número fornecido pela Fish Audio, para reações curtas.
• Idioma: somente inglês no lançamento.
• Distribuição: a Fish Agent Platform, a API da própria Fish Audio e implantação local para clientes corporativos.
• Treinamento: conversas humanas reais; nem o tamanho do conjunto de dados nem o conjunto de avaliação foram divulgados.
• Preço: ausente da tabela pública, segundo a OrcaRouter. Um pedido de alteração da documentação aberto no GitHub em 10 de novembro acrescenta uma linha “Live 3 conversation” a 0,07 dólar por minuto, mas ainda estava em revisão, e o autor avisa que os campos da API (engine definido como live3 e live3_prompt) ainda não estavam no esquema OpenAPI e que o exemplo com curl não tinha sido executado.

Não há benchmark. Segundo a OrcaRouter, a Fish Audio não publicou nenhuma avaliação do Live 3, e a Artificial Analysis, que pontua modelos de voz duplex, não tinha nenhuma linha do Live 3 em 11 de novembro. O número de 186 ms, portanto, não foi auditado. Ele também descreve a ponta rápida das reações curtas: o atraso até o primeiro som de uma resposta completa, que decide se a pessoa fala por cima do agente, não foi publicado. A própria OrcaRouter vende roteamento de modelos e apresenta seu produto no texto, então sua leitura do anúncio deve ser pesada com cautela.

Como se monta um agente sobre ele

O Live 3 é a camada de voz da Fish Agent Platform, em beta público. Ela expõe endpoints REST em /v1/agent/ e SDKs para JavaScript e React; um agente pode ser ligado a um widget web, a um número de telefone ou a um cliente próprio, com tokens de sessão. Segundo o pedido de alteração da documentação, o Live 3 é ativado no Builder ou com voice.engine definido como live3, as situações são configuradas por voice.live3_prompt e é possível voltar ao modo em cascata. O mesmo texto compara os dois modos em idioma, alternância de turnos, controles de entonação, transcrições e fala durante transferências acompanhadas. A camada de raciocínio pode apontar para um endpoint compatível com a OpenAI, de modo que o modelo de linguagem não precisa ser o da Fish Audio.

O que muda para uma empresa

Para uma empresa brasileira que atende pedidos, reservas ou chamadas de suporte por telefone em inglês, como uma rede de restaurantes, uma clínica ou uma concessionária de serviços, o interesse é prático: menos pessoas interrompidas e menos pedidos errados. Antes de trocar um sistema existente, vale esperar três coisas: um preço por minuto confirmado, uma distribuição de latências para respostas completas e um teste independente de alternância de turnos. Enquanto isso, um piloto com algumas centenas de chamadas reais, medindo interrupções e erros de transcrição e com caminho de volta ao modo anterior, mantém o risco baixo. Para atender clientes em português, será preciso esperar, já que o modelo só fala inglês.