Fish Audio推出Live 3：全双工语音模型反应仅需186毫秒

Fish Audio于2026年11月10日发布了语音模型Live 3，并称其为全双工模型：它在说话的同时持续倾听，而不是等对方停下来才开口回应。据Fish Audio称，该模型最快可在186毫秒内决定做出反应，这一数字针对的是“嗯哼”“好的”或快速确认这类简短反应，而不是完整的回答。该公司自己的发布页面无法完整读取，因此本文依据路由服务OrcaRouter发布的详细报道，以及Fish Audio团队在GitHub上提交的文档修改。

Live 3想解决的问题

多数语音智能体仍然由一连串组件构成：语音识别、语言模型、语音合成，再加上用来判断来电者何时说完的静音阈值。据OrcaRouter对这次发布的描述，这种设计会把电话号码中间的停顿，与一个问题结束后的停顿混为一谈。Fish Audio自己举的例子是来电者念出“415……555……0132”：传统智能体会听到三个互不相干的话轮结束信号，而按文档所述，Live 3会在各段之间说“嗯哼”或“好的，415”，然后等待剩下的部分。

反方向的错误同样重要。如果智能体正在念营业时间，来电者说一声“嗯”表示自己在听，据称Live 3会继续说下去；如果来电者随后说“等一下，其实我只需要周四”，它就应该停下来让出发言权。第三种情形是自我纠正，例如“两个披萨……不，三个……其实，其中一个要玛格丽特”，一个对第一份看似合理的订单就立即行动的智能体会因此出错。Fish Audio称，这些行为是从真实的人类对话中学到的，而不是人工配置出来的。

到目前为止，解决办法一直是增加更多规则和更多阈值。我们认为，模型应该从真实对话中学会这一点，就像语言模型学习语法一样。

哪些有文档依据，哪些没有

以下是目前可以确认的内容，其中没有任何一项经过独立测量：

• 反应时间：最快186毫秒，数字由Fish Audio提供，针对简短反应。
• 语言：发布时仅支持英语。
• 提供方式：Fish Agent Platform、Fish Audio自己的API，以及面向企业客户的本地部署。
• 训练：真实的人类对话；数据集规模和评测集均未披露。
• 价格：据OrcaRouter称，公开价目表中没有。11月10日在GitHub上提交的一项文档修改新增了“Live 3 conversation”一行，价格为每分钟0.07美元，但当时仍在审阅中，其作者还指出，API字段（engine设为live3，以及live3_prompt）尚未写入OpenAPI规范，curl示例也没有实际运行过。

目前没有任何基准测试。据OrcaRouter称，Fish Audio没有公布对Live 3的任何评测，而为双工语音模型打分的Artificial Analysis，截至11月11日也没有Live 3这一行。因此186毫秒这个数字未经审计。它还只反映简短反应中最快的一端：一次完整回答的首个声音出现前的延迟，决定了来电者会不会抢话，而这一数据并未公布。OrcaRouter本身出售模型路由服务，并在文章中介绍了自家产品，所以对它就这次发布所作的解读，应当有所保留。

如何在它之上构建智能体

Live 3是处于公开测试阶段的Fish Agent Platform的语音层。该平台在/v1/agent/下提供REST接口，并提供JavaScript和React的SDK；智能体可以接入网页小组件、电话号码或自定义客户端，并使用会话令牌。据文档修改请求所述，Live 3可在Builder中开启，或把voice.engine设为live3来启用，情境通过voice.live3_prompt设置，用户也可以切回级联模式。同一文本还从语言支持、话轮转换、语气控制、转写文本以及转接时的语音等方面比较了两种模式。推理层可以指向与OpenAI兼容的接口，因此语言模型不必是Fish Audio自己的。

这对企业意味着什么

对于通过电话用英语处理订单、预订或客服来电的中国企业，比如连锁餐饮、诊所或能源服务商来说，价值很实际：被打断的来电者更少，订单出错也更少。在替换现有的语音链路之前，最好先等三样东西：确认后的每分钟价格、完整回答的延迟分布，以及独立的话轮转换测试。在此期间，可以先用几百通真实电话做试点，统计打断次数和转写错误，并保留退回旧模式的通道，把风险压低。由于该模型目前只会说英语，中文市场的客户还需要等待。