Fish Audio lanza la beta de Fish Agent sobre su modelo de voz full-duplex Live 3

Fish Audio ha lanzado Fish Agent, una plataforma sin código en beta pública para crear agentes de voz con IA capaces de realizar y contestar llamadas telefónicas. El servicio funciona con Live 3, el nuevo modelo de voz full-duplex de la compañía, diseñado para conversaciones en tiempo real, y Fish afirma que un desarrollador puede describir un agente, asignarle un número de teléfono y publicarlo en unos 30 segundos.

Live 3 apunta a un problema persistente de las aplicaciones de voz: decidir cuándo hablar. Fish informa que el modelo puede optar por una reacción breve, como "mm-hmm" u "okay, 415", en tan solo 186 milisegundos. Al ser full-duplex, el modelo sigue procesando el habla entrante mientras genera audio, de modo que puede confirmar, esperar o detenerse a medida que avanza la conversación.

El control del turno pasa al modelo

Los agentes de voz convencionales suelen encadenar reconocimiento automático de voz, un modelo de lenguaje grande y síntesis de voz, mientras un detector de actividad de voz estima, a partir del volumen y los silencios, cuándo terminó de hablar quien llama. Una pausa breve para pensar puede provocar una respuesta prematura, y una confirmación corta como "uh-huh" puede interpretarse erróneamente como un nuevo turno.

Live 3, en cambio, incorpora esas decisiones de control del turno dentro de un modelo de voz entrenado con conversaciones humanas. Según Fish, puede escuchar mientras habla y elegir entre confirmar al interlocutor, continuar su respuesta, ceder el turno o esperar.

Del prompt a la línea telefónica

Fish Agent empaqueta Live 3 con los componentes necesarios para desplegar una aplicación funcional. Los desarrolladores configuran un prompt de sistema, eligen o clonan una voz, adjuntan material de referencia, conectan herramientas y publican el resultado en la web, un número de teléfono o una aplicación.

• Voces: más de 2 millones de voces de catálogo en más de 30 idiomas, clones de voz personalizados, velocidad ajustable, un modo expresivo y tres niveles de modelo. La lista de capacidades indica que Live 3 admite más de 30 idiomas en el lanzamiento.
• Conocimiento: fundamentación a partir de archivos PDF, archivos Markdown y URL subidos.
• Herramientas: importación de endpoints de API desde cURL para acciones durante la llamada, como reembolsos, reservas y actualizaciones de CRM.
• Telefonía: números alquilados desde el panel o conectados a través de un operador existente.
• Pruebas: tests de un solo turno, multiturno y de llamadas a herramientas, evaluados por un LLM frente a ejemplos de éxito proporcionados por el desarrollador.
• Observabilidad: grabaciones, transcripciones, resúmenes de llamadas y desgloses de latencia para la detección de fin de enunciado, la generación del LLM y la síntesis de voz.

Asignación de telefonía mediante REST

La asignación de números de teléfono utiliza el endpoint REST en /v1/agent/phone-numbers. La siguiente solicitud conecta un número de Twilio a un agente existente:

curl -X POST https://api.fish.audio/v1/agent/phone-numbers \
  -H "Authorization: Bearer $FISH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "provider": "twilio",
    "phone_number": "+14155550123",
    "agent_id": "agt_a1b2c3d4e5f6"
  }'

Precio de lanzamiento por debajo de cuatro centavos

Fish ofrece el paquete combinado de reconocimiento de voz, LLM y voz a $0.035 por minuto durante su promoción de lanzamiento. La tarifa estándar es de $0.07 por minuto, y la telefonía y el alquiler de números se facturan por separado.

La API está alojada en api.fish.audio bajo /v1/agent/*. Fish ha indicado que la tarifa promocional finaliza el 31.12.2026.

Contexto de la cifra de 186 ms

La cifra de 186 ms mide la decisión del modelo de producir un enunciado reactivo corto. El anuncio no aporta el tiempo hasta el primer audio de una respuesta completa, la latencia de cola bajo carga ni la precisión ante interrupciones, mediciones que influyen directamente en si un agente habla por encima de quien llama o deja silencios prolongados.

Fish tampoco ha publicado puntuaciones de benchmarks para Live 3 y, en el lanzamiento, Artificial Analysis no tiene una entrada de Live 3 en su arnés de pruebas de voz dúplex, por lo que las cifras de rendimiento disponibles proceden del propio proveedor. El artículo recomienda que una evaluación de producción mida:

• La mediana y el percentil 95 del tiempo hasta el primer audio para respuestas completas.
• Las falsas interrupciones durante pausas, ruido de fondo y confirmaciones breves.
• La rapidez y fiabilidad con que el agente se detiene cuando la persona que llama toma el turno.
• La precisión de las llamadas a herramientas, la finalización de tareas y la recuperación ante fallos de API.
• La calidad de audio en redes telefónicas reales, incluidas llamadas con ruido y de bajo ancho de banda.

Una sola pila, un solo runtime

Fish Agent compite con la Realtime API de OpenAI, Realtime v1 de ElevenLabs, Gemini Live de Google y plataformas de agentes construidas en torno a LiveKit o Vapi. Fish suministra el modelo dúplex, el runtime del agente, la telefonía, las pruebas y la observabilidad como un único servicio alojado, y también anuncia una versión on-premises de la pila integrada para clientes empresariales.

Live 3 no tiene una API en tiempo real independiente en el lanzamiento: el acceso se realiza a través de Fish Agent, por lo que quienes elijan el modelo también adoptan el runtime y el modelo de despliegue de Fish. Una arquitectura modular aún puede combinar servicios separados de reconocimiento de voz y LLM con la síntesis de voz de Fish Audio, o usar componentes de Fish dentro de otro framework de agentes.

Los compradores para producción también deberán confirmar las políticas de retención de datos, las regiones de despliegue, las certificaciones de cumplimiento, los límites de concurrencia, los límites de tasa y los compromisos de nivel de servicio; los detalles públicos del lanzamiento no especifican esas condiciones operativas.

Dónde encaja la beta

El conjunto inicial de funciones de Fish Agent se ajusta a soporte por voz, ventas salientes, programación de citas y sistemas de recordatorios que operan en inglés. Su fundamentación de conocimiento, las llamadas a herramientas, la telefonía y las pruebas previas al lanzamiento cubren los componentes principales de un flujo de trabajo de voz transaccional sin necesidad de proveedores distintos para cada etapa.

Las aplicaciones que requieren conversación multilingüe no pueden usar Live 3 para ese requisito en el lanzamiento, a pesar de la mayor cobertura de idiomas del catálogo de voces de Fish Audio. Los equipos que necesitan puntuaciones de latencia o calidad verificadas de forma independiente tampoco cuentan con suficiente evidencia pública para una decisión de proveedor basada en benchmarks.

Las primeras pruebas piloto deberían comparar Live 3 con la pila de producción existente usando escenarios de llamadas grabadas, audio telefónico con ruido, interrupciones del interlocutor y fallos reales de herramientas. Esas pruebas mostrarán si su aprendizaje del turno de palabra mejora las tareas completadas y el flujo de las llamadas más allá de las demostraciones controladas de Fish Audio.