Fixie（Ultravox）

Fixie 的核心参数与统计

Fixie 最初以"对话式 AI 代理平台"定位起步，后经历重大战略转型，将产品重心完全转向实时语音 AI，推出 Ultravox 语音原生多模态大模型及配套的实时语音代理平台。原 fixie.ai 域名现已重定向至 ultravox.ai。公司法律实体仍为 Fixie.AI，产品品牌统一为 Ultravox。

Fixie 的用户与市场认可

在所属领域逐步建立用户认知，产品能力被内容创作者和团队用于提升工作效率。具体用户规模和行业采用数据，以官方实时页面为准。

Fixie 的成本优势

Fixie（Ultravox）的成本结构覆盖三层用户模型，定价策略在实时语音 AI 赛道中具有显著性价比。

C 端 / 个人开发者层：

• Pay-as-you-go 方案：$0/月，包含 30 分钟免费通话额度，超出部分 $0.05/分钟（含 TTS 费用），5 路并发硬上限，无限 Playground 调用。
• 这是目前市场上实时语音 AI API 中最低的免费入门门槛之一。对比 OpenAI Realtime API（$0.06/分钟音频输入 + $0.24/分钟音频输出），Ultravox 的 $0.05/分钟全包价有明显成本优势。

API 调用层：

• Threads Pricing（文本/工具调用）：$2.00/百万输入 Token（非缓存），$15.00/百万输出 Token，缓存输入 Token 免费。
• SIP 中继：0.5¢/分钟（Pay-as-you-go），0.48¢/分钟（Pro）。
• Pro 方案 $100/月，解除并发硬限制，包含 5 个自定义声音20 个 RAG 语料库、外拨调度器。

企业 / 私有化部署层：

• 企业版按需定制，包含优先级 SLA、组织管理支持、全部功能自定义。价格未公开，需联系销售团队确认。
• 模型权重开源（MIT 许可），企业可自行部署推理，不产生 API 费用，但需要自行管理 GPU 基础设施。训练适配器可在 8xH100 上 2-3 小时完成，硬件门槛适中。

隐性成本考量：语音 AI 的真实成本不仅在于 API 单价，还包括对话质量（返工/转人工率）、延迟（影响用户体验）、定制化开发投入。Ultravox 的端到端语音原生架构在延迟上比"ASR + LLM + TTS"管线方案低 30-50%，间接降低了因延迟导致的用户流失成本。

Fixie 的主要功能

• 语音原生多模态推理（Speech-Native Inference）：Ultravox 模型直接在音频空间进行语义理解，无需经过独立的 ASR（语音转文字）阶段。音频通过多模态投影器直接映射到 LLM 的高维语义空间，模型同时理解语义内容与副语言信号（语调、节奏、情绪），这是与传统级联架构的本质区别。

• 实时对话管理（Realtime Conversation Management）：提供 WebSocket 和 REST API 两种接入方式的实时语音对话能力。平台管理通话生命周期（建立、保持、终止）、对话状态追踪VAD（语音活动检测）和端点检测（Endpointing），开发者无需处理底层信令。

• UltraVAD 语音活动检测：自研神经 VAD 模型（UltraVAD v0.1），基于说话完成概率、停顿模式、思考性停顿与话轮结束的区分，实现更自然的对话节拍控制，减少打断和尴尬沉默。

• 多平台 SDK 与 Telephony 集成：提供 JavaScript、Python、Android 三端 SDK，内置与主流电信运营商（Twilio 等）的集成能力，支持 SIP 中继拨打和接听 PSTN 电话。

• RAG 知识库接入：Pro 方案支持最多 20 个语料库（Corpora），语音代理可在对话中检索企业知识库内容，支撑复杂业务问答场景。

• 外拨调度器（Outbound Call Scheduler）：Pro 及以上方案提供自动外拨调用管理，适用于客户回访、预约提醒、批量通知等场景。

• Playground 沙盒测试有境：提供免费的在线 Playground，支持开发者无需编写代码即可测试语音代理的对话效果，降低调试成本。

【专家视点】：Ultravox 的核心协同效应在于"语音原生模型 + 托管推理平台 + 电信集成"的三位一体。与传统方案在每个有节需要独立选型（STT 模型 → LLM → TTS 引擎 → 电信供应商）不同，Ultravox 提供从音频输入到音频输出的全托管链路，减少了系统集成故障点，也使得延迟优化可以在全栈范围内进行，而非局限于单一组件。

Fixie 的模型与版本演进

Fixie 的模型演进脉络清晰，全部沿 Ultravox 品牌发布，每个版本均提供开源权重。

主线发布

产品平台演进

• 2023-2024：Fixie 作为通用对话式 AI 代理平台运营，提供企业级代理构建、工具集成、多渠道部署能力。这一阶段的产品定位类似于当前市场上的 Dify、Coze 等平台。
• 2024-08：转向语音 AI 赛道，发布 Ultravox v0.3 预览版，同时开放 Ultravox Realtime API 的内测申请。
• 2025 至今：产品重心完全转移至 Ultravox 品牌。原 fixie.ai 域名重定向至 ultravox.ai，原对话代理平台相关功能逐步淡化。当前公司以 Ultravox Realtime Platform 为核心产品交付形态。

Fixie 的技术优势

架构设计：语音原生多模态 LLM

Ultravox 的核心技术选择是将音频作为第一类输入模态，而非附属组件。模型架构为**：音频编码器 → 多模态投影器（Adapter）→ 预训练 LLM（冻结）→ 文本 Token 输出**。这一设计带来三个关键效果：

1. 消除级联延迟：传统语音 AI 系统需经过"语音活动检测 → ASR 识别 → LLM 推理 → TTS 合成"四级管线，每级引入数百毫秒延迟。Ultravox 的端到端架构将音频直接映射到语义空间，首字延迟（TTFT）显著低于级联方案。
2. 保留副语言信息：语调、重音、语速、停顿等副语言信号在转文字过程中丢失，而 Ultravox 直接在音频表征中处理这些信息，使模型能感知用户情绪和言外之意。
3. 灵活的基座适配：Adater 架构允许 Ultravox 接入任意开源权重 LLM（Llama、Mistral、Gemma、Qwen、GLM），不绑定单一模型生态。已发布 6 种基座变体，覆盖 1B 到 70B 参数量级。

训练效率：训练时仅更新 Adapter 层，LLM 和音频编码器保持冻结。v0.4 在 8xH100 上仅需 2-3 小时完成 14K 步训练。这一低训练成本意味着企业可以用自有数据在可负担的预算内微调语音模型。

推理基础设施：Ultravox 自建推理栈，不依赖外部 LLM 供应商或共享推理池，确保延迟可控且无排队抖动。平台支持 5 路到无上限的并发通话，全托管架构免去运维负担。

核心评测优势：Big Bench Audio 作为行业公认的语音 AI 评测基准，Ultravox v0.7 的 91.8%（无推理）和 97%（有推理）均为业界最佳。对比 GPT-4 Realtime（OpenAI 的端到端语音方案），Ultravox 在同等或更低延迟下实现了更高的理解准确率。

Fixie 的使用方式

Fixie（Ultravox）提供四个接入层次，覆盖从实验到生产的完整路径。

典型接入流程：

1. 注册账户：访问 app.ultravox.ai 创建账户，自动获得 30 分钟免费通话额度。
2. Playground 测试：在 Playground 中配置系统 Prompt、选择声音、设置 RAG 语料库，实时测试对话效果。
3. 获取 API 密钥：从控制台获取 API Key，用于 REST API 或 WebSocket 接口鉴权。
4. SDK 集成：根据应用平台选择对应 SDK（JS 用于 Web、Python 用于后端Kotlin 用于 Android），参考官方文档接入。
5. 配置 Telephony（可选）：如需 PSTN 通话能力，配置 SIP 中继或对接 Twilio 等电信提供商。
6. 生产部署：选择 Pay-as-you-go（低并发）或 Pro（高并发）方案上线生产有境。

自托管推理（进阶）：从 Hugging Face 下载模型权重，使用 docker 镜像或 Poetry 有境启动推理服务。官方提供了 BaseTen 平台的托管部署选项，也支持自定义 GPU 基础设施。

Fixie 的产品定价

Ultravox 采用"用量 + 订阅"混合定价模型，定价页面公开透明。

免费额度策略：前 30 分钟完全免费（含 TTS 费用），不限 Playground 调用次数，适合概念验证和小流量试运行。对比竞品，OpenAI Realtime API 不提供免费额度，Gemini Live 的定价模式类似但生态不同。

成本结构推演：以一个日活 1000 通电话、平均每通 3 分钟的客服场景为例，月通话量约 90,000 分钟，费用约为 $4,500/月（不含 Pro 订阅费）。同等规模使用传统 ASR + LLM + TTS 方案，仅 ASR 费用（Deepgram 等约 $0.0059/分钟）加 LLM 推理（约 $0.01-0.03/次）加 TTS，总成本约在 $5,000-8,000/月区间。Ultravox 的 $0.05/分钟全包价在当前市场具有竞争力（基于公开数据推演，非官方承诺）。

Fixie 的应用场景

• 客户服务语音代理：企业将 Ultravox 接入客服热线，代替或辅助人工坐席处理常见查询（订单状态、退换货、预约确认）。语音原生架构的自然交互体验降低用户对"机器客服"的抵触感，通话完成后可自动生成摘要并写入 CRM。核验重点：单通对话的首次解决率（FCR）和转人工率。

• 外拨营销与回访：利用 Outbound Call Scheduler 批量执行客户回访、满意度调研、续费提醒等外拨任务。代理可根据对话实时调整话术，将意向客户无缝转接给人工销售。核验重点：接通率、转化率、挂断率对比传统 AI 外呼方案。

• 医疗健康预约与预问诊：诊所或医院接入 Ultravox 处理预约挂号、改期、检查提醒等事务，代理通过自然对话收集患者症状信息（预问诊），减少医护人员的事务性工作负荷。核验重点：符合 HIPAA 级别的数据安全要求。

• 企业内部员工服务：大型企业部署语音代理到员工热线，处理 IT 支持HR 咨询、差旅申请等内部事务。员工可通过语音自然描述问题，代理调用后端系统（ServiceNow、Workday 等）执行操作。核验重点：与现有 SSO 和企业系统的集成深度。

• 语音驱动的 AI 教育伴侣：语言学习、知识测验、面试模拟等场景，Ultravox 的实时对话能力可为学习者提供沉浸式口语练习体验，副语言信息的保留使纠正发音和语调成为可能。核验重点：非英语语言的识别准确率。

Fixie 的适用人群

• 语音 AI 应用开发者：需要快速构建语音代理的独立开发者或初创团队。Ultravox 的全托管 API 可将语音 AI 的集成时间从数周缩短到数天。不需要自建 ASR/TTS 管线，只需调用 API 并嵌入 SDK。不适配边界：需要深度定制 ASR 或 TTS 参数（如特定口音、方言上的专门优化）的场景，基于 Ultravox 的托管平台可能不如自建方案灵活。

• 中大型企业 AI 团队：拥有 AI 基础设施团队的企业，可以将 Ultravox 作为语音 AI 层集成到现有客服、营销、人力系统中。Pro 方案的无并发限制和企业级 SLA 满足规模化需求。不适配边界：需要在非英语语言（尤其是中文、日文、阿拉伯语等）上达到高精度语义理解的企业，应优先通过 Playground 测试 Ultravox 在当前语言上的表现后再做采购决策。

• AI 研究机构与学术用户：Ultravox 的开源权重和 MIT 许可以及公开的训练代码（基于 MosaicML / PyTorch），为语音多模态研究提供了可复现的基线。24 个模型和 37 个数据集构建了完善的研究生态。不适配边界：需要完整端到端语音生成（音频输出）的研究场景——Ultravox 当前仅输出文本 Token，语音合成需依赖外部 TTS 组件。

• AI 产品经理与决策者：评估实时语音 AI 技术的技术选型团队。Ultravox 提供 Playground 免费测试，可在无开发成本的情况下验证产品概念。定价透明、按需付费，适合从试点到扩展的分阶段采用。不适配边界：对延迟要求极高（<200ms 端到端）的实时交互场景，建议进行实际负载测试验证。

总结与展望

Fixie（Ultravox）的核心竞争力在于语音原生多模态架构带来的延迟与质量双重优势，以及全托管平台降低的集成复杂度。在实时语音 AI 这个快速增长的市场中，Ultravox 是目前为数不多的既提供开源模型权重、又提供生产级托管 API 的端到端方案。其 Big Bench Audio SOTA 成绩和开源生态（4,500+ Stars、24 个模型、百万级下载）验证了技术路线的可行性。

当前限制与不确定项：

1. 产品转型期的定位模糊：从通用对话代理平台转型到语音 AI 专用平台的过程中，原 Fixie 品牌资产（文档、案例、社区认知）与新品牌 Ultravox 之间存在割裂。访客从 fixie.ai 进入后直接跳转至 ultravox.ai，新用户可能对两家公司的关系产生困惑。
2. 仅支持输出文本：当前模型输出为文本 Token，语音合成需要依赖外部 TTS，尚未实现真正的端到端语音输出（即音频 Token → 音频解码）。官方 roadmap 中提及"Speech Generation Coming Soon"，但尚无具体时间表。
3. 非英语支持的成熟度：评测数据（Big Bench Audio）和模型训练以英语为核心，对中文、日文等非英语语言的支持深度未公开验证。面向亚洲市场的企业需要额外评估。
4. 开源策略的商业可持续性：同时维持开源模型权重与商业托管 API 两条线，长期可能面临开源版本与商业版本的功能分化压力。

采购/采用风险评估：对于计划在 2026-2027 年上线实时语音 AI 能力的企业，建议先通过 Playground 验证 Ultravox 在具体业务语言和场景下的表现，确认满意后以 Pay-as-you-go 方案小流量试点（1-3 个月），再根据实际通话质量、延迟、转人工率决定是否升级至 Pro 或 Enterprise 方案。需在合同中明确 SLA 条款（尤其是并发上限、可用性保证）以及数据训练使用政策（模型是否会用企业通话数据进行二次训练）。对于需要端到端语音输出（音频到音频）的场景，建议关注 Ultravox 官方在语音生成功能上的进展，或同步评估 ElevenLabs、Cartesia 等纯 TTS 方案的互补整合。

相关工具：、

Fixie 的 如何使用

• Web 端：访问官网注册账号即可使用，多数功能无需安装。
• API 接入：提供 RESTful API，开发者可获取 API Key 后集成到自有应用。