Fish Audio เปิดตัว Live 3 โมเดลเสียงคุยโต้ตอบไวสุด 186ms

Fish Audio ได้เปิดตัว Live 3 โมเดลเสียงแบบ full-duplex ที่พัฒนาขึ้นสำหรับ voice agents แบบเรียลไทม์โดยเฉพาะ

จุดเด่นของโมเดล Fish Audio Live 3 คือความสามารถในการฟังอย่างต่อเนื่องแม้ในขณะที่กำลังพูด ช่วยให้ผู้ใช้งานสามารถแทรกจังหวะ พูดตอบรับสั้นๆ อย่าง “mm-hmm” หรือเปลี่ยนใจกลางคันได้โดยไม่ทำให้การสนทนาติดขัด สำหรับนักพัฒนา นี่คือการเปลี่ยนระบบการสลับการพูด (turn-taking) จากเดิมที่ต้องตั้งกฎใน pipeline มาเป็นการฝังไว้ในโมเดลคำพูดโดยตรง

TL;DR

• ผลิตภัณฑ์: โมเดลเสียงแบบ full-duplex สำหรับ voice agents แบบเรียลไทม์
• การใช้งาน: ให้บริการบน Fish Agent Platform, Fish Audio API และรองรับการติดตั้งในองค์กร (on-premises) สำหรับกลุ่มธุรกิจ
• ประสิทธิภาพ: เน้นการสาธิตพฤติกรรมจริง แต่ยังไม่มีการเผยแพร่คะแนนทดสอบ benchmark อย่างเป็นทางการ
• จุดเด่น: ตอบสนองได้รวดเร็วที่สุดภายใน 186 มิลลิวินาที สำหรับปฏิกิริยาโต้ตอบสั้นๆ

Fish Audio Live 3 คืออะไร?

Live 3 คือโมเดลเสียงจาก Fish Audio ที่ทลายข้อจำกัดเดิมๆ ด้วยระบบ full-duplex ที่ฟังและพูดได้ในเวลาเดียวกัน

หัวใจสำคัญคือการแยกแยะระหว่าง "ความเร็ว" และ "จังหวะเวลา" เพราะ agent อาจตอบกลับได้เร็วแต่เสียจังหวะที่ควรจะเป็น ตัวอย่างเช่น การหยุดนิ่งหลังจากคำถามว่า “คุณเปิดกี่โมง?” มักหมายถึงการจบประโยค แต่การหยุดนิ่งระหว่างบอกหมายเลขโทรศัพท์ไม่ใช่จังหวะที่ควรแทรกแซง

Live 3 จัดการการสลับการพูด (turn-taking) อย่างไร? โดยทั่วไป voice agents จะแยกส่วนการจดจำเสียง การคิดวิเคราะห์ และการสร้างเสียงออกจากกันเป็นขั้นตอน แต่ Fish Audio ระบุว่า Live 3 ได้รวมจังหวะการสนทนาเข้าเป็นส่วนหนึ่งของโมเดลคำพูด ผ่านการฝึกฝนด้วยบทสนทนาจริงของมนุษย์ เพื่อให้ AI เรียนรู้ว่าเมื่อใดควรตอบรับ รอ หรือหยุดพูด

แนวทางนี้ต่างจากวิธีเก่าที่ต้องใช้การตั้งกฎและเกณฑ์การตัดสิน (thresholds) จำนวนมาก โดย Fish Audio เลือกให้โมเดลเรียนรู้จากข้อมูลแทน ในขณะที่เลเยอร์การใช้เหตุผล (reasoning layer) จะแยกไปทำหน้าที่จัดการคำสั่งและเครื่องมือต่างๆ ของ agent

ทีม Fish Audio ได้สาธิตพฤติกรรมการโต้ตอบ 3 รูปแบบ:

• การตอบรับโดยไม่แย่งพูด: เมื่อผู้โทรบอกเบอร์โทรศัพท์ Live 3 อาจพูดแทรกสั้นๆ ว่า “okay, 415” ในจังหวะที่เหมาะสมแล้วรอฟังต่อ
• แยกแยะการตอบรับออกจากการขัดจังหวะ: คำว่า “yeah” จะทำให้ agent พูดต่อไปตามปกติ แต่ถ้าผู้โทรพูดว่า “เดี๋ยว รอนะ ผมอยากได้วันพฤหัสบดีมากกว่า” โมเดลจะหยุดพูดทันที
• รอจนกว่าจะแก้ไขข้อมูลเสร็จ: ในกรณีที่ผู้พูดเปลี่ยนใจ เช่น “ขอพิซซ่าสองถาด... ไม่สิ เอาสามถาด” Live 3 จะรอให้ข้อมูลนิ่งก่อนแทนที่จะบันทึกคำสั่งซื้อผิดๆ ไป

Live 3 เร็วแค่ไหน?

Fish Audio ระบุว่า Live 3 สามารถตัดสินใจตอบสนองได้เร็วที่สุดในเวลาเพียง 186 มิลลิวินาที โดยความเร็วระดับนี้ครอบคลุมถึงปฏิกิริยาสั้นๆ เช่นการกล่าวคำตอบรับ “mm-hmm” หรือ “okay” ในขณะที่คำตอบแบบยาวจะถูกเตรียมการไว้ขนานกันไป

อย่างไรก็ตาม ตัวเลขนี้เป็นระดับขั้นต่ำสำหรับปฏิกิริยาเล็กน้อย ไม่ใช่เวลาจนถึงเสียงแรก (time-to-first-audio) ของคำตอบที่สมบูรณ์ ทั้งนี้ Fish Audio ยังไม่ได้เผยแพร่รายละเอียดความหน่วง (latency distribution) และทาง OrcaRouter รายงานว่ายังไม่มีคะแนนจาก Artificial Analysis ณ วันที่ 11 พฤศจิกายน

นักพัฒนาจะใช้งาน Live 3 ได้อย่างไร?

ปัจจุบัน Live 3 เปิดใช้งานแล้วบน Fish Agent Platform ผ่าน Fish Audio API และรูปแบบ on-premises โดยแพลตฟอร์ม Agents กำลังอยู่ในช่วง public beta

นักพัฒนาสามารถเรียกใช้ผ่าน REST surface ภายใต้ /v1/agent/* หรือรันบนเบราว์เซอร์ผ่าน @fishaudio/agent-client โดยรองรับทั้งการต่อสายโทรศัพท์ เชื่อมต่อ WebRTC หรือฝังวิดเจ็ตบนเว็บไซต์ ซึ่งหน้า Live 3 page มีคลังเสียงให้เลือกมากกว่า 2,000,000 เสียง

ข้อมูลจาก docs pull request เผยว่าสามารถเปิดใช้งานด้วยคำสั่ง voice.engine: "live3" และใช้ fish_audio:transcribe-stream-1 สำหรับการจดจำเสียง ซึ่งตาม เอกสารปัจจุบัน ระบุว่าโมเดลจะช่วยจำแนกด้วยว่าการพูดทับกันนั้นเป็นการตั้งใจขัดจังหวะหรือแค่การตอบรับ

Live 3 ราคาเท่าไหร่?

ราคาบนหน้าเว็บ Live 3 page อยู่ที่ $0.035 ต่อนาที (ลดจากราคาปกติ $0.07 ถึงวันที่ 31 ธันวาคม 2026) โดยรวมบริการ STT, TTS, LLM พื้นฐาน และการเรียกใช้เครื่องมือไว้แล้ว

สำหรับการใช้งานผ่านโทรศัพท์จะมีค่าใช้จ่ายเพิ่ม $0.01 ต่อนาที และค่าหมายเลขโทรศัพท์ $1.20 ต่อเดือน โดยบัญชีใหม่จะได้รับเครดิตทดลองใช้งานฟรี $5

Live 3 เปรียบเทียบกับโมเดลเสียง full-duplex อื่นๆ อย่างไร?

หมายเหตุ: ข้อมูลอ้างอิงจาก Artificial Analysis และรายงานโดยเจ้าของโมเดลเอง

ประเด็นสำคัญ

Live 3 คือโมเดลเสียง full-duplex ตัวใหม่จาก Fish Audio ที่เน้นความสมจริงในการสนทนาผ่านโทรศัพท์และเว็บ โดยเรียนรู้จังหวะการสลับพูดจากพฤติกรรมมนุษย์จริง

ด้วยความเร็วการตอบสนองเริ่มต้นเพียง 186 มิลลิวินาที และราคาโปรโมชันที่คุ้มค่า ทำให้เป็นตัวเลือกที่น่าสนใจสำหรับนักพัฒนา แม้ปัจจุบันจะยังรองรับเฉพาะภาษาอังกฤษและยังไม่มีผลทดสอบเปรียบเทียบอย่างเป็นทางการออกมาก็ตาม