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

A Fish Audio apresentou o Live 3 a 10 de novembro de 2026, um modelo de voz que descreve como full-duplex: continua a ouvir enquanto fala, em vez de esperar que o interlocutor se cale para responder. Segundo a Fish Audio, o modelo pode decidir responder em apenas 186 milissegundos, número que diz respeito a reações curtas como «mm-hmm», «certo» ou uma confirmação rápida, e não a uma resposta completa. A página de anúncio da empresa não pôde ser lida na íntegra, pelo que este artigo se apoia no relato pormenorizado do serviço de encaminhamento OrcaRouter e nas alterações de documentação que a equipa da Fish Audio abriu no GitHub.

O problema que o Live 3 tenta resolver

A maioria dos agentes de voz continua a assentar numa 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, este desenho confunde uma pausa a meio de um número de telefone com a pausa que encerra uma pergunta. O exemplo da Fish Audio é o de alguém a ditar «415… 555… 0132»: um agente convencional vê três finais de vez distintos, ao passo que o Live 3 está documentado como dizendo «mm-hmm» ou «certo, 415» entre os blocos e esperando depois pelo resto.

O erro oposto importa tanto quanto este. Se o agente está a ler um horário de funcionamento e a pessoa diz «sim» para mostrar que acompanha, diz-se que o Live 3 continua; se ela depois disser «Espere, afinal só preciso de quinta-feira», deve parar e dar-lhe espaço. Um terceiro caso é a autocorreção, como «duas pizzas… não, três… afinal, uma de margarita», em que um agente que age sobre o primeiro pedido plausível falha. A Fish Audio apresenta estes 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 isto em conversas reais, tal como os modelos de linguagem aprendem gramática.

O que está documentado e o que não está

Eis o que se pode estabelecer nesta fase, sem qualquer medição independente por trás:

• Tempo de reação: 186 ms no mínimo, número fornecido pela Fish Audio, para reações curtas.
• Idioma: apenas inglês no lançamento.
• Distribuição: a Fish Agent Platform, a API da própria Fish Audio e instalação local para clientes empresariais.
• Treino: conversas humanas reais; nem a dimensão 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 a 10 de novembro acrescenta uma linha «Live 3 conversation» a 0,07 dólares 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 constavam do esquema OpenAPI e que o exemplo com curl não tinha sido executado.

Não existe benchmark. Segundo a OrcaRouter, a Fish Audio não publicou qualquer avaliação do Live 3, e a Artificial Analysis, que pontua modelos de voz duplex, não tinha nenhuma linha do Live 3 a 11 de novembro. O número de 186 ms não foi, portanto, auditado. Descreve ainda a ponta mais rápida das reações curtas: o atraso até ao primeiro som de uma resposta completa, que decide se a pessoa fala por cima do agente, não foi publicado. A própria OrcaRouter vende encaminhamento de modelos e apresenta o seu produto no texto, pelo que a sua leitura do anúncio deve ser ponderada em conformidade.

Como se constrói um agente sobre ele

O Live 3 é a camada de voz da Fish Agent Platform, em beta pública. Expõe pontos de acesso REST em /v1/agent/ e SDK 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 ativa-se no Builder ou com voice.engine definido como live3, as situações configuram-se com voice.live3_prompt e é possível regressar ao modo em cascata. O mesmo texto compara os dois modos quanto a idioma, alternância de vez, controlos de entoação, transcrições e fala durante transferências acompanhadas. A camada de raciocínio pode apontar para um ponto de acesso compatível com a OpenAI, pelo que o modelo de linguagem não tem de ser o da Fish Audio.

O que muda para uma empresa

Para uma empresa portuguesa que atende encomendas, reservas ou chamadas de apoio ao cliente por telefone em inglês, como uma cadeia de restauração, uma clínica ou uma empresa de serviços de energia, o interesse é prático: menos pessoas interrompidas e menos pedidos errados. Antes de substituir um sistema existente, convém esperar por três coisas: um preço por minuto confirmado, uma distribuição de latências para respostas completas e um teste independente de alternância de vez. Entretanto, um piloto com algumas centenas de chamadas reais, medindo interrupções e erros de transcrição e com caminho de regresso ao modo anterior, mantém o risco baixo. Para servir clientes em português será preciso esperar, já que o modelo só fala inglês.