Fish Audio lance Live 3, un modèle vocal full-duplex qui réagit en 186 ms
Fish Audio a lancé Live 3, un modèle vocal « full-duplex » conçu pour les agents vocaux en temps réel. Contrairement aux architectures classiques, il continue d'écouter pendant qu'il parle, ce qui permet à un interlocuteur de marquer une pause, de glisser un « mm-hmm » ou de changer d'avis sans rompre l'appel. Fish Audio affirme que le modèle peut décider de réagir en 186 millisecondes seulement, un chiffre qui concerne toutefois les réactions courtes comme « okay » ou les confirmations rapides, la réponse complète étant préparée en parallèle. L'entreprise n'a publié ni distribution de latence ni score de référence, et le suivi tiers OrcaRouter ne signale aucun score Artificial Analysis pour Live 3 au 11 novembre. Le modèle est disponible sur la Fish Agent Platform (en bêta publique), via l'API Fish Audio et en déploiement sur site pour les entreprises. Il est facturé 0,035 dollar la minute jusqu'au 31 décembre 2026, soit 50 % de moins que le tarif de 0,07 dollar, auquel s'ajoutent 0,01 dollar la minute pour les appels téléphoniques et 1,20 dollar par mois pour un numéro. Les nouveaux comptes reçoivent 5 dollars de crédit d'essai.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'enjeu tient à la distinction que Fish Audio place au centre de son argumentaire : répondre vite et répondre au bon moment sont deux problèmes différents. Une pause après « À quelle heure ouvrez-vous ? » marque la fin d'un tour de parole, alors qu'une pause au milieu d'un numéro de téléphone n'en marque pas. Live 3 est entraîné sur de vraies conversations humaines pour apprendre quand acquiescer, attendre, répondre ou se taire. Dans les démonstrations, il peut dire « okay, 415 » entre deux segments d'un numéro avant de patienter, laisser un « yeah » sans interrompre l'agent, s'arrêter net devant un « Attendez, en fait, je veux seulement jeudi », ou attendre la correction d'un client qui dit « deux pizzas… non, trois » au lieu d'enregistrer une commande erronée. Pour les développeurs, la gestion des tours de parole quitte les règles réglées à la main pour être déléguée au modèle de parole, tandis qu'une couche de raisonnement distincte conserve les instructions et les outils de l'agent.
Ce lancement s'inscrit dans une course aux agents vocaux où la plupart des systèmes séparent encore reconnaissance, raisonnement, synthèse et gestion des tours, en empilant « toujours plus de règles et de seuils ». Côté technique, les agents exposent une interface REST sous /v1/agent/*, des clients navigateur (@fishaudio/agent-client et @fishaudio/agent-react), le téléphone, le WebRTC ou un widget de site, avec plus de 2 millions de voix en bibliothèque, clonées comprises. Une demande de modification de la documentation montre l'option voice.engine: "live3", qui impose la reconnaissance vocale fish_audio:transcribe-stream-1, chargée de distinguer interruptions et acquiescements. La concurrence est fournie : OpenAI propose GPT-Live-1 à 0,05 dollar la minute plus les jetons du modèle de fond, ElevenLabs avance Eleven Realtime v1 Max avec 94,1 % sur Full-Duplex-Bench et 90 langues ou plus, et Google présente Gemini 3.8 Live avec 97 langues. Live 3 se limite pour l'instant à l'anglais et ne publie aucun score comparable, si bien que ses atouts devront être confirmés par des évaluations indépendantes.