Fish Audio 发布 Live 3：一款能在 186 毫秒内做出反应的全双工语音模型
内容提要
Fish Audio 发布全双工语音模型 Live 3，可在说话时持续聆听，将话轮转换从流水线规则移入模型，基于真实对话学习何时应声、等待、回应或停止，能区分附和与打断，并在用户更正时保持等待。短反应决策最低 186 毫秒，完整回答并行准备。支持 Agent 平台、API 和本地部署，仅支持英语，尚无第三方基准评分。促销价每分钟 0.035 美元，截至 2026 年底，之后 0.07 美元。
延伸解读
话轮转换从规则移入模型，意味着什么
传统语音智能体依赖静音阈值等流水线规则判断话轮，容易在号码停顿或用户附和时误判。Live 3 将时机判断交给基于真实对话训练的模型，使其能区分“嗯”是附和还是打断，并在用户更正时保持等待。这减少了手工调参，但模型行为由数据驱动，开发者需关注其在边缘场景下的稳定性。
186 毫秒是短反应下限，不是完整回复延迟
官方公布的 186 毫秒仅涵盖“mm-hmm”“好的”等短反应决策，完整回答是并行准备的。文章未公布延迟分布，且截至 11 月 11 日尚无第三方基准评分。因此，这一数字不能直接等同于用户感知的端到端响应速度，实际体验仍需结合完整回复的首字节音频时间评估。
价格优势明显，但仅支持英语且缺第三方验证
Live 3 促销价每分钟 0.035 美元，目录价 0.07 美元，含 STT、基础 LLM、TTS 等，电话通话另加 0.01 美元/分钟。对比表中，其价格低于 OpenAI 语音层加后端 token 的模式。但该模型仅支持英语，且话轮转换与推理得分均未公布，第三方评分缺失，选型时需谨慎权衡。
部署灵活，但需注意文档与功能状态
Live 3 可通过 Fish Agent Platform、API 和本地部署使用，Agents 平台处于公开测试阶段，提供 REST 接口及浏览器客户端。启用方式见一份待合并的文档 PR，通过 voice.engine: "live3" 开启，语音识别固定使用 fish_audio:transcribe-stream-1。开发者应留意文档尚未合并，功能细节可能调整。
Q&A
Fish Audio Live 3 是什么？它有什么特别之处？
Fish Audio Live 3 是一款全双工语音模型，能够在说话的同时持续聆听。其特别之处在于将话轮转换（turn-taking）从手工调校的流水线规则移入语音模型本身，基于真实人类对话学习何时应声、等待、回应或停止。
Live 3 如何区分“附和”和“打断”？
Live 3 能区分“附和”与“打断”：当用户说“嗯”时，它会让智能体继续说下去；而当用户说“等等，其实我只要周四”时，它会停下。此外，在用户更正过程中（如“两个披萨……不，三个”），它会保持等待，而不是记下错误的订单。
Live 3 的响应速度有多快？186 毫秒指的是什么？
Fish Audio 表示，Live 3 可在低至 186 毫秒内决定作出回应。该数字涵盖“mm-hmm”“好的”以及快速确认这类短反应，完整回答是并行准备的。这是小反应的下限，而非完整回复的首字节音频时间。
开发者如何部署和使用 Live 3？
Live 3 可在 Fish Agent Platform、Fish Audio API 上使用，企业还可选择本地部署。Agents 平台目前处于公开测试阶段，在 /v1/agent/* 下暴露 REST 接口。浏览器会话通过 @fishaudio/agent-client 或 @fishaudio/agent-react 运行。Agents 可以接听电话号码、通过 WebRTC 连接，或嵌入网站小组件。Live 3 页面列出 200 万以上的音色库，其中包括克隆音色。
Live 3 的价格是多少？促销价持续到什么时候？
Live 3 页面标价为每分钟 0.035 美元，较 0.07 美元下调 50%，优惠截至 2026 年 12 月 31 日。该页面称该套餐包含 Live 3。定价文档称，0.07 美元的目录价涵盖 STT、TTS、基础 LLM、知识检索和工具调用。电话通话额外收取每分钟 0.01 美元，一个号码每月 1.20 美元。新账户可获得 5 美元试用余额。
Live 3 支持哪些语言？有第三方基准评分吗？
Live 3 仅支持英语。截至 11 月 11 日，第三方追踪机构 OrcaRouter 表示 Live 3 尚无 Artificial Analysis 评分。
