A Fish Audio lançou o Fish Agent, uma plataforma no-code em beta público para criar agentes de voz com IA capazes de fazer e atender ligações telefônicas. O serviço roda sobre o Live 3, o novo modelo de fala full-duplex da empresa voltado a conversas em tempo real, e a Fish afirma que um desenvolvedor pode descrever um agente, atribuir um número de telefone e publicá-lo em cerca de 30 segundos.
O Live 3 tem como alvo um problema persistente em aplicações de voz: decidir quando falar. A Fish informa que o modelo pode optar por uma reação breve, como "mm-hmm" ou "okay, 415", em apenas 186 milissegundos. Por ser full-duplex, o modelo continua processando a fala recebida enquanto gera áudio, o que lhe permite confirmar, aguardar ou parar conforme a conversa se desenrola.
A alternância de turnos passa para dentro do modelo
Agentes de voz convencionais costumam encadear reconhecimento automático de fala, um modelo de linguagem de grande porte e síntese de voz, enquanto um detector de atividade de voz estima, a partir do volume e do silêncio, quando o interlocutor terminou de falar. Uma pausa curta de raciocínio pode disparar uma resposta prematura, e uma confirmação breve como "uh-huh" pode ser confundida com um novo turno.
O Live 3, por sua vez, coloca essas decisões de controle de turno dentro de um modelo de fala treinado com conversas humanas. Segundo a Fish, ele consegue ouvir enquanto fala e escolher entre confirmar o interlocutor, continuar a resposta, ceder a vez ou esperar.
| Sinal da conversa | Comportamento do Live 3 |
|---|---|
| O interlocutor continua uma explicação longa | Produz uma breve confirmação sem tomar a vez |
| O interlocutor diz "yeah" durante a resposta do agente | Continua falando em vez de tratar o sinal como interrupção |
| O interlocutor diz "wait, actually" | Interrompe a resposta atual e passa a ouvir |
Do prompt à linha telefônica
O Fish Agent empacota o Live 3 com os componentes necessários para colocar uma aplicação funcional no ar. Desenvolvedores configuram um prompt de sistema, selecionam ou clonam uma voz, anexam material de referência, conectam ferramentas e publicam o resultado na web, em um número de telefone ou em um aplicativo.
- Vozes: mais de 2 milhões de vozes de catálogo em mais de 30 idiomas, clones de voz personalizados, velocidade ajustável, um modo expressivo e três níveis de modelo. A lista de capacidades indica que o Live 3 oferece suporte a mais de 30 idiomas no lançamento.
- Conhecimento: fundamentação a partir de arquivos PDF, arquivos Markdown e URLs enviados.
- Ferramentas: importação de endpoints de API a partir de cURL para ações durante a chamada, como reembolsos, reservas e atualizações de CRM.
- Telefonia: números alugados pelo painel ou conectados por meio de uma operadora existente.
- Testes: testes de turno único, multiturno e de chamadas de ferramentas, avaliados por um LLM com base em exemplos de sucesso fornecidos pelo desenvolvedor.
- Observabilidade: gravações, transcrições, resumos de chamadas e detalhamentos de latência para detecção de fim de enunciado, geração do LLM e síntese de fala.
Atribuição de telefonia via REST
A atribuição de números de telefone usa o endpoint REST em /v1/agent/phone-numbers. A requisição a seguir conecta um número da Twilio a um agente existente:
curl -X POST https://api.fish.audio/v1/agent/phone-numbers \
-H "Authorization: Bearer $FISH_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"provider": "twilio",
"phone_number": "+14155550123",
"agent_id": "agt_a1b2c3d4e5f6"
}'
Preço de lançamento abaixo de quatro centavos
A Fish lista o pacote combinado de reconhecimento de fala, LLM e voz a US$ 0,035 por minuto durante a promoção de lançamento. A tarifa padrão é de US$ 0,07 por minuto, com telefonia e aluguel de números cobrados separadamente.
| Item | Preço |
|---|---|
| Pacote de agente durante a promoção de lançamento | US$ 0,035 por minuto |
| Pacote de agente padrão | US$ 0,07 por minuto |
| Sobretaxa por ligação telefônica | US$ 0,01 por minuto |
| Número de telefone dedicado | US$ 1,20 por mês |
| Crédito para contas novas | US$ 5, sem necessidade de cartão de pagamento |
A API está hospedada em api.fish.audio sob /v1/agent/*. A Fish declarou que a tarifa promocional termina em 31.12.2026.
Contexto do número de 186 ms
O valor de 186 ms mede a decisão do modelo de produzir um enunciado reativo curto. O anúncio não informa o tempo até o primeiro áudio de uma resposta completa, a latência de cauda sob carga nem a precisão em interrupções, medições que afetam diretamente se um agente fala por cima dos interlocutores ou deixa longas lacunas.
A Fish também não publicou pontuações de benchmark para o Live 3 e, no lançamento, a Artificial Analysis não tem nenhuma entrada do Live 3 em seu harness de fala duplex, de modo que os números de desempenho disponíveis são reportados pelo próprio fornecedor. O artigo recomenda que uma avaliação de produção meça:
- Mediana e 95º percentil do tempo até o primeiro áudio para respostas completas.
- Falsas interrupções durante pausas, ruído de fundo e confirmações breves.
- Com que rapidez e confiabilidade o agente para quando o interlocutor toma a vez.
- Precisão de chamadas de ferramentas, conclusão de tarefas e recuperação de falhas de API.
- Qualidade de áudio em redes telefônicas reais, incluindo chamadas ruidosas e de baixa largura de banda.
Uma pilha, um runtime
O Fish Agent compete com a Realtime API da OpenAI, o Realtime v1 da ElevenLabs, o Gemini Live do Google e plataformas de agentes construídas em torno do LiveKit ou do Vapi. A Fish fornece o modelo duplex, o runtime de agente, a telefonia, os testes e a observabilidade como um único serviço hospedado, e também anuncia uma versão on-premises da pilha integrada para clientes corporativos.
O Live 3 não tem uma API de tempo real independente no lançamento: o acesso ocorre pelo Fish Agent, de modo que quem escolhe o modelo adota também o runtime e o modelo de implantação da Fish. Uma arquitetura modular ainda pode combinar serviços separados de reconhecimento de fala e LLM com a síntese de voz da Fish Audio, ou usar componentes da Fish dentro de outro framework de agentes.
Compradores para produção também precisarão confirmar políticas de retenção de dados, regiões de implantação, certificações de conformidade, limites de concorrência, limites de taxa e compromissos de nível de serviço; os detalhes públicos do lançamento não especificam essas condições operacionais.
Onde a versão beta se encaixa
O conjunto inicial de recursos do Fish Agent atende a suporte por voz, vendas ativas, agendamento e sistemas de lembretes que operam em inglês. Sua fundamentação de conhecimento, as chamadas de ferramentas, a telefonia e os testes de pré-lançamento cobrem os principais componentes de um fluxo de trabalho de voz transacional sem exigir fornecedores separados para cada etapa.
Aplicações que exigem conversa multilíngue não podem usar o Live 3 para esse requisito no lançamento, apesar da cobertura de idiomas mais ampla no catálogo de vozes da Fish Audio. Equipes que precisam de pontuações de latência ou qualidade verificadas de forma independente também carecem de evidência pública suficiente para uma decisão de fornecedor baseada em benchmarks.
Os primeiros pilotos devem comparar o Live 3 com a pilha de produção existente usando cenários de chamadas gravadas, áudio telefônico com ruído, interrupções do interlocutor e falhas reais de ferramentas. Esses testes mostrarão se a alternância de turnos aprendida melhora as tarefas concluídas e o fluxo das chamadas além das demonstrações controladas da Fish Audio.