MERCADOS:
BTC $81,317 ▲ +4.29%
ETH $2,529 ▲ +5.04%
SOL $184 ▲ +3.57%
IA STATUS Online RELOJ --:--:-- ART
🗓️ Congresos y Eventos

Live 3 de Fish Audio: el modelo de voz que escucha mientras habla y reacciona en 186 ms

Live 3 de Fish Audio: el modelo de voz que escucha mientras habla y reacciona en 186 ms

El problema de los agentes de voz no es solo la velocidad: es el timing. Un agente puede responder rápido y aun así interrumpir en el peor momento. Fish Audio lanzó Live 3, un modelo de voz full-duplex diseñado para agentes en tiempo real que escucha y habla simultáneamente, moviendo la gestión de turnos conversacionales desde reglas manuales hacia el propio modelo de habla.

Qué hace distinto a Live 3

La mayoría de los voice agents divide el flujo en etapas separadas: reconocimiento de voz, razonamiento, generación de habla y detección de turnos. Cada etapa suma latencia y reglas. El equipo de Fish Audio sostiene que Live 3 aprende el timing conversacional a partir de conversaciones humanas reales, decidiendo cuándo reconocer, esperar, responder o detenerse, sin depender de umbrales de silencio.

Una capa de razonamiento separada sigue manejando las instrucciones del agente y las herramientas disponibles. Lo que cambia es que la decisión de cuándo hablar ya no vive en un pipeline de reglas, sino en el modelo.

Fish Audio ilustra tres comportamientos clave:

  • Reconocer sin tomar el control: si alguien dicta “415… 555… 0132”, Live 3 puede decir “okay, 415” entre fragmentos y luego esperar.
  • Distinguir backchannel de interrupción: un “sí” del usuario permite que el agente continúe; un “esperá, en realidad necesito el jueves” lo detiene.
  • Esperar durante correcciones: ante “dos pizzas… no, tres”, el modelo espera en lugar de registrar el pedido equivocado.

Latencia: 186 ms para reacciones cortas

Fish Audio afirma que Live 3 puede decidir responder en tan solo 186 ms para reacciones breves como “mm-hmm”, “okay” o confirmaciones rápidas. La respuesta completa se prepara en paralelo. Eso sí: esta cifra es un piso para reacciones pequeñas, no el tiempo hasta el primer audio de una respuesta completa. La empresa no publicó una distribución de latencia, y el tracker de terceros OrcaRouter tampoco registra un puntaje de Artificial Analysis para Live 3 al 11 de noviembre de 2026.

Cómo desplegarlo: plataforma, API y on-premises

Live 3 está disponible en tres vías:

  • Fish Agent Platform (en beta pública), con superficie REST bajo /v1/agent/*.
  • Fish Audio API, para integración directa.
  • On-premises para empresas.

Las sesiones de navegador funcionan con @fishaudio/agent-client o @fishaudio/agent-react. Los agentes pueden atender números telefónicos, conectarse vía WebRTC o integrarse como widget en un sitio web. La página de Live 3 lista más de 2.000.000 de voces de la librería, incluyendo voces clonadas.

Un pull request pendiente en la documentación muestra la activación con voice.engine: "live3". Con ese motor activado, el reconocimiento de voz queda fijado en fish_audio:transcribe-stream-1, que también clasifica superposiciones como interrupciones o reconocimientos.

Precios y promoción

  • 0,035 USD/minuto (promoción con 50% de descuento sobre los 0,07 USD/minuto de lista), válida hasta el 31 de diciembre de 2026.
  • La tarifa de lista de 0,07 USD/minuto incluye STT, TTS, LLMs básicos, recuperación de conocimiento y tool calls.
  • Llamadas telefónicas suman 0,01 USD/minuto adicional.
  • Un número telefónico cuesta 1,20 USD/mes.
  • Cuentas nuevas reciben un saldo de prueba de 5 USD.

Comparativa con otros modelos full-duplex

El panorama de voz en tiempo real se mueve rápido. Así se posiciona Live 3 frente a sus competidores directos:

  • Fish Audio Live 3: full duplex con timing aprendido en el modelo de habla. 186 ms mínimo para reacciones cortas. Solo inglés. Sin benchmarks publicados. 0,035 USD/min promo, 0,07 USD/min lista.
  • OpenAI GPT-Live-1: full duplex, delega razonamiento a un modelo backend. Tiempo no revelado en el post de lanzamiento. Auto-reportado como #1 en Tau3 con GPT-6 Astra (medium). 0,05 USD/min capa de voz + tokens del backend.
  • Eleven Realtime v1 Max: diseño en cascada, afinado de extremo a extremo. 0,57 s promedio de tiempo al primer audio. 94,1% en Full-Duplex-Bench. 98,8% Big Bench Audio; 87,1% tool tasks. Disponible vía ElevenAgents y Realtime API.
  • Gemini 3.8 Live: modelo de diálogo en vivo que ejecuta herramientas en background. 97 idiomas. Tiempos no revelados en el post. Extended Thinking: 97,7% Big Bench Audio; 68,6% τ-Voice. Disponible vía Gemini API, AI Studio y Gemini Enterprise (preview).

Los puntajes de ElevenLabs provienen de Artificial Analysis, según reportó la propia ElevenLabs. Las cifras de OpenAI y Google son auto-reportadas.

Limitaciones a tener en cuenta

Para developers evaluando Live 3 hoy, hay tres puntos críticos: solo soporta inglés, no publica benchmarks de turn-taking ni de razonamiento, y no hay distribución de latencia más allá del piso de 186 ms para reacciones cortas. La promoción de precio vence el 31 de diciembre de 2026, momento en el que el costo se duplica a 0,07 USD/minuto.

Para probarlo, el modelo está disponible en fish.audio/live3, con documentación de Agents y la plataforma en beta pública lista para integrar.

Fuente: MarkTechPost (Open Source, GitHub & Agentes)

MP

Sobre Valeria Rossi

Cronista de Congresos, Webinars & Comunidad

Especialista en herramientas de IA aplicada, automatización de flujos de trabajo, prompting y productividad empresarial para Tecno Saberes.

🚀 Potenciá tu criterio digital y habilidades en IA

Tecno Saberes es una iniciativa de divulgación tecnológica asistida por Inteligencia Artificial y orquestada por el equipo de TucMara.com.

←
→