Fish Audio 发布全双工语音模型 Live 3：边说边听、会回应「嗯嗯」并判断何时让出话轮，最快 186 毫秒决定回应，语音智能体每分钟 0.035 美元

核心背景与行业痛点

多数语音智能体由语音识别、大模型推理、语音合成和话轮检测几段拼接而成，靠静音阈值判断用户是否说完。用户报号码时一停顿就被抢话，说句「yeah」又被当成打断。Fish Audio CEO Rissa Cao 认为，与其叠加规则和阈值，不如让模型从真实对话中学会节奏。

架构亮点与底层机制

Live 3 是全双工模型，说话的同时持续收听，把对话节奏放进语音模型本身。官方称它在真实人类对话上训练，学会何时附和、等待、回应或停下：用户分段报号码「415… 555… 0132」时，它会回「mm-hmm」或「okay, 415」再等后半段；听到附和继续说，听到「等等，我只要周四」就停下；用户点单时反复改口，它会等对方想好。

权威 Benchmark 与实测跑分对比

官方未公布标准化 Benchmark，也没有第三方评测。唯一的量化数字是最快 186 毫秒决定回应（官方/厂商口径）。博客只放出 3 段真实测试通话录音。同类对比可参考：ElevenLabs 11 月 10 日发布的 Scribe v3 Live 在实时转写中加入断句检测，Nuance Labs 11 月 9 日发布全双工音视频模型 Nuplex 1.0，但尚无统一评测集。

开发者实战落地与开箱指南

在 fish.audio/agents 注册即送 5 美元额度，无需绑卡。语音识别、LLM 和语音合成合并按分钟计费，限时每分钟 0.035 美元，换用更大的 LLM 按该模型 token 价另计，电话呼入呼出加 0.01 美元/分钟。目前只支持英语，中文客服场景暂不适用。适合订餐、预约等常有停顿和改口的场景，上线前先用真实通话做模拟测试。