Fish Audio推出Live 3：全雙工語音模型反應僅需186毫秒

Fish Audio於2026年11月10日發表語音模型Live 3，並稱其為全雙工模型：它在說話的同時持續聆聽，而不是等對方停下來才開口回應。據Fish Audio表示，該模型最快可在186毫秒內決定做出反應，這個數字針對的是「嗯哼」「好的」或快速確認這類簡短反應，而不是完整的回答。該公司自己的發表頁面無法完整讀取，因此本文依據路由服務OrcaRouter發布的詳細報導，以及Fish Audio團隊在GitHub上提交的文件修改。

Live 3想解決的問題

多數語音代理仍然由一連串元件組成：語音辨識、語言模型、語音合成，再加上用來判斷來電者何時說完的靜音門檻。據OrcaRouter對這次發表的描述，這種設計會把電話號碼中間的停頓，與一個問題結束後的停頓混為一談。Fish Audio自己舉的例子是來電者唸出「415……555……0132」：傳統代理會聽到三個互不相干的輪替結束訊號，而依文件所述，Live 3會在各段之間說「嗯哼」或「好的，415」，然後等待剩下的部分。

反方向的錯誤同樣重要。如果代理正在唸營業時間，來電者說一聲「嗯」表示自己在聽，據稱Live 3會繼續說下去；如果來電者隨後說「等一下，其實我只需要週四」，它就應該停下來讓出發言權。第三種情形是自我修正，例如「兩個披薩……不，三個……其實，其中一個要瑪格麗特」，一個對第一份看似合理的訂單就立即行動的代理會因此出錯。Fish Audio表示，這些行為是從真實的人類對話中學到的，而不是人工設定出來的。

到目前為止，解決辦法一直是增加更多規則和更多門檻。我們認為，模型應該從真實對話中學會這一點，就像語言模型學習文法一樣。

哪些有文件依據，哪些沒有

以下是目前可以確認的內容，其中沒有任何一項經過獨立量測：

• 反應時間：最快186毫秒，數字由Fish Audio提供，針對簡短反應。
• 語言：發表時僅支援英語。
• 提供方式：Fish Agent Platform、Fish Audio自家的API，以及針對企業客戶的地端部署。
• 訓練：真實的人類對話；資料集規模與評測集均未揭露。
• 價格：據OrcaRouter表示，公開價目表中沒有。11月10日在GitHub上提交的一項文件修改新增了「Live 3 conversation」一列，價格為每分鐘0.07美元，但當時仍在審閱中，其作者還指出，API欄位（engine設為live3，以及live3_prompt）尚未寫入OpenAPI規格，curl範例也沒有實際執行過。

目前沒有任何基準測試。據OrcaRouter表示，Fish Audio沒有公布對Live 3的任何評測，而為雙工語音模型評分的Artificial Analysis，截至11月11日也沒有Live 3這一列。因此186毫秒這個數字未經稽核。它還只反映簡短反應中最快的一端：一次完整回答的第一個聲音出現前的延遲，決定了來電者會不會搶話，而這項數據並未公布。OrcaRouter本身販售模型路由服務，並在文章中介紹了自家產品，所以對它就這次發表所作的解讀，應當有所保留。

如何在它之上建構代理

Live 3是處於公開測試階段的Fish Agent Platform的語音層。該平台在/v1/agent/下提供REST介面，並提供JavaScript與React的SDK；代理可以接入網頁小工具、電話號碼或自訂用戶端，並使用工作階段權杖。依文件修改請求所述，Live 3可在Builder中開啟，或把voice.engine設為live3來啟用，情境透過voice.live3_prompt設定，使用者也可以切回串接模式。同一份文字還從語言支援、輪替發言、語氣控制、逐字稿以及轉接時的語音等方面比較了兩種模式。推理層可以指向與OpenAI相容的端點，因此語言模型不必是Fish Audio自己的。

這對企業意味著什麼

對於透過電話以英語處理訂單、訂位或客服來電的台灣企業，例如連鎖餐飲、診所或能源服務業者來說，價值很實際：被打斷的來電者更少，訂單出錯也更少。在替換現有的語音流程之前，最好先等三樣東西：確認後的每分鐘價格、完整回答的延遲分布，以及獨立的輪替發言測試。在此期間，可以先用幾百通真實電話做試辦，統計打斷次數與逐字稿錯誤，並保留退回舊模式的管道，把風險壓低。由於該模型目前只會說英語，中文市場的客戶還需要等待。