一句话看懂：Fish Audio 在 2026 年 11 月发布 Live 3，这是一款边听边说的全双工语音模型，把对话轮次判断放进了语音模型本身，并宣称对“嗯哼”这类短反应最短 186 毫秒即可决定回应。它面向实时语音 Agent，值得关注的是轮次管理不再靠手写规则。
事件核心：发生了什么
Fish Audio 推出的 Live 3 支持真人式插话与停顿：呼叫者可以中途说“嗯哼”、改口或纠正信息，通话不会被打断。官方称模型在真实人类对话上训练，学会了何时确认、等待、回应或停止。它已上线 Fish Agent Platform、Fish Audio API，企业可本地部署；Agents 平台处于公开测试阶段，可通过 REST 接口、WebRTC、电话或网站组件接入。定价为每分钟 0.035 美元，促销至 2026 年 12 月 31 日，原价 0.07 美元，电话另加每分钟 0.01 美元。目前公开信息显示只支持英文，且未公布基准测试成绩和完整延迟分布。
为什么重要
多数语音 Agent 把识别、推理、语音生成和轮次判断拆成独立流水线，靠更多规则和阈值调优。Live 3 把对话时机判断移入语音模型，推理层仍负责指令和工具调用。这代表一条技术路线：用数据学习“停顿何时算结束”，而非手工写规则。对行业而言，竞争焦点从单纯响应速度转向“说得对时机”，后者更接近真实电话体验。不过目前仅有行为演示，缺乏第三方评测，实际表现仍待验证。
对用户/开发者/创作者的影响
开发者可以用 voice.engine: “live3” 开启该模型，语音识别固定为 fish_audio:transcribe-stream-1。需注意 186 毫秒只是短反应的最低值，不是完整回复的首字延迟。做客服、预约、外呼等实时语音应用的团队，可评估轮次判断是否减少人工规则维护；创作者若使用平台内置的 200 万+音色库，需考虑英文场景限制和按分钟计费的成本。企业采购时应要求供应商提供延迟分布和任务级评测，而非只看演示。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Live 3 是否会发布完整基准成绩和延迟分布；二是多语言支持何时扩展，以及促销价结束后成本是否变化；三是竞品在轮次判断上的跟进节奏，尤其是 OpenAI、ElevenLabs 和 Google 同类产品的对比数据。
