Por Canuto  

Fish Audio presentó Live 3, un modelo de voz full-dúplex que escucha mientras responde y puede decidir emitir confirmaciones breves en tan solo 186 milisegundos. La cifra no representa el tiempo hasta una respuesta completa, y la empresa todavía no publica puntuaciones de benchmarks.
***

  • Live 3 escucha y habla simultáneamente para distinguir acuerdos, interrupciones y correcciones durante una conversación.
  • Fish Audio afirma que las reacciones breves pueden comenzar en 186 milisegundos, pero no divulgó una distribución de latencia ni puntuaciones de benchmarks.
  • El modelo está disponible mediante plataforma, API y despliegues empresariales; la tarifa promocional anunciada es de USD $0,035 por minuto hasta el 31 de diciembre de 2026.

Fish Audio apuesta por agentes de voz que saben cuándo hablar y cuándo esperar

Fish Audio presentó Live 3, un modelo de voz full-dúplex pensado para agentes que conversan en tiempo real por teléfono o mediante interfaces web. Su propuesta no se limita a contestar con rapidez: el sistema busca seguir escuchando mientras habla, para detectar pausas, confirmaciones y cambios de opinión sin tratar cada silencio como el cierre definitivo de un turno.

La compañía afirma que Live 3 puede decidir emitir una reacción breve en apenas 186 milisegundos, por ejemplo un “mm-hmm” o un “ok”. Esa cifra corresponde a confirmaciones cortas y no al tiempo que tarda en producir el audio de una respuesta completa; además, Fish Audio no publicó puntuaciones de benchmarks ni una distribución de latencia que permita evaluar el desempeño en más escenarios.

Un modelo que escucha mientras responde

En los agentes de voz tradicionales, el reconocimiento del habla, el razonamiento, la generación de audio y la gestión de turnos suelen operar como etapas separadas. Esa arquitectura puede obligar a los desarrolladores a ajustar reglas y umbrales para decidir cuánto silencio debe transcurrir antes de que el sistema responda, una dificultad que se vuelve evidente cuando la persona hace una pausa para pensar o todavía no termina de hablar.

Fish Audio plantea que Live 3 traslada parte de esa decisión al propio modelo de voz, entrenado, según la empresa, con conversaciones humanas reales. La intención es que aprenda cuándo reconocer lo que escucha, cuándo esperar, cuándo responder y cuándo detenerse, en lugar de depender exclusivamente de una colección de reglas programadas por separado.

El manejo del turno importa porque una pausa puede tener significados distintos según el contexto. Después de preguntar a qué hora abre un negocio, una persona podría esperar una respuesta; en medio de un número telefónico, en cambio, el silencio puede indicar que aún está dictando los siguientes dígitos y que el agente no debe apropiarse de la conversación.

La propuesta tampoco elimina el razonamiento separado que da instrucciones al agente o le permite utilizar herramientas. El equipo de Fish Audio describe una división de funciones: el modelo de voz se ocupa del ritmo y la interacción oral, mientras otra capa conserva las instrucciones y las capacidades necesarias para ejecutar las tareas asignadas.

Confirmar, interrumpir y corregir sin perder el hilo

Uno de los comportamientos que Fish Audio destaca es la posibilidad de reconocer información sin asumir que la persona terminó. Si alguien dicta “415… 555… 0132”, Live 3 puede confirmar un fragmento con un “ok, 415” y luego esperar los dígitos restantes, en lugar de responder como si el número ya estuviera completo.

El modelo también busca distinguir una señal de escucha de una interrupción real. Un “sí” de quien llama podría indicar que el agente puede continuar hablando, mientras que una frase como “espere, en realidad, solo necesito el jueves” debería llevarlo a detenerse y atender el cambio solicitado.

Las correcciones durante una petición son otro ejemplo de la función que la empresa atribuye al sistema. Si una persona pide dos pizzas y enseguida cambia la cantidad a tres, Live 3 debería esperar a que termine la rectificación antes de registrar el pedido, en vez de confirmar prematuramente la primera cifra.

Estos casos ilustran una diferencia entre responder rápido y responder en el momento adecuado, distinción que Fish Audio considera central para las conversaciones de voz. Sin resultados de evaluación publicados para el modelo, sin embargo, los ejemplos muestran el comportamiento que la compañía busca ofrecer, pero no permiten comparar de forma independiente su consistencia frente a otros sistemas o situaciones.

Disponibilidad, integraciones y precio

Live 3 se ofrece en Fish Agent Platform, mediante la API de Fish Audio y, para clientes empresariales, con despliegue local. La plataforma de agentes está en beta pública y expone una interfaz REST bajo la ruta “/v1/agent/*”; las sesiones en navegador pueden ejecutarse con los paquetes “@fishaudio/agent-client” o “@fishaudio/agent-react”.

Los agentes pueden responder llamadas telefónicas, conectarse mediante WebRTC o integrarse en un widget para un sitio web. La página del producto también anuncia una biblioteca con más de 2.000.000 de voces, incluidas voces clonadas, aunque la información entregada no especifica cuántas de ellas funcionan con Live 3 ni qué condiciones particulares aplican a cada voz.

Una solicitud de cambio de documentación todavía pendiente en el repositorio de Fish Speech muestra cómo activar el modelo con la configuración “voice.engine: live3”. En esa integración, el reconocimiento de voz queda fijado en “fish_audio:transcribe-stream-1”; la documentación vigente de Fish Audio indica que ese modelo también clasifica los solapamientos como interrupciones o reconocimientos.

La página de Live 3 anuncia una tarifa promocional de USD $0,035 por minuto, frente a un precio de lista de USD $0,07, hasta el 31 de diciembre de 2026. Según los documentos de precios, la tarifa de lista incluye reconocimiento de voz, generación de voz, modelos de lenguaje básicos, recuperación de conocimiento y llamadas a herramientas; las llamadas telefónicas suman USD $0,01 por minuto, cada número cuesta USD $1,20 al mes y las cuentas nuevas reciben USD $5 de saldo de prueba.

Qué muestran las comparaciones y qué queda pendiente

En la comparación publicada junto con la información del lanzamiento, Live 3 aparece como un sistema full-dúplex que aprende el momento conversacional dentro del modelo de voz, pero con soporte únicamente para inglés y sin puntuaciones divulgadas. El mismo cuadro describe GPT-Live-1 de OpenAI como full-dúplex con razonamiento delegado a un modelo de backend, aunque no informa su latencia en ese material, y atribuye a Eleven Realtime v1 Max un diseño en cascada ajustado de extremo a extremo.

La tabla asigna a Eleven Realtime v1 Max un promedio de 0,57 segundos hasta el primer audio, 94,1% en Full-Duplex-Bench, 98,8% en Big Bench Audio y 87,1% en tareas con herramientas; indica además que admite más de 90 idiomas. Para GPT-Live-1, recoge una mejora de 30 puntos porcentuales en Full Duplex Bench frente a GPT-Realtime-2.1 y un primer puesto en Tau3 con GPT-6 Astra en nivel medio, cifras que la propia comparación identifica como autoinformadas.

El cuadro también presenta Gemini 3.8 Live como un modelo de diálogo en vivo que ejecuta herramientas en segundo plano, con 97 idiomas y resultados de 97,7% en Big Bench Audio con Extended Thinking y 68,6% en τ-Voice. La información de lanzamiento no ofrece su latencia ni su precio, mientras que para OpenAI menciona una tarifa de USD $0,05 por minuto para la capa de voz, más tokens de backend; el precio de ElevenLabs depende del tiempo de sesión y los tokens.

Las cifras de ElevenLabs provienen de Artificial Analysis, según la comparación de Fish Audio, mientras que los datos de OpenAI y Google se presentan como autoinformados. Por separado, OrcaRouter no reportaba una puntuación de Artificial Analysis para Live 3 al 11 de noviembre, de acuerdo con el material publicado; por tanto, la cifra de 186 milisegundos debe leerse como una afirmación limitada a reacciones cortas, no como una medición comparable del tiempo de respuesta completa.

Para los desarrolladores, el atractivo inmediato está en simplificar la gestión de interrupciones y pausas sin dejar de integrar telefonía, navegador y herramientas en el mismo agente. La promesa de Live 3 dependerá de cómo se comporte en conversaciones reales, de la evaluación independiente de sus tiempos y de la evolución de su disponibilidad lingüística, aspectos que la información del lanzamiento todavía no resuelve.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados