تظهر Phonic 1 للمرة الأولى في المرتبة الأولى على مؤشر الكلام. هامش الـ 0.2 نقطة يخفي الصدارة الحقيقية.

Phonic 1هو الآن النموذج الأعلى تصنيفًا لتحويل الكلام إلى الكلام على مؤشر Speech to Speech Index التابع لـ Artificial Analysis عند87.1، في سباق بفارق عُشر نقطة فازه بالتفوق الطفيف على xAIGrok Voice 3.0 عند 86.9. عادةً ما يكون فارق 0.2 نقطة مجرد ضوضاء، وعلى هذا المؤشر يكاد يكون كذلك تمامًا: فالنموذجان لا يفوزان في الأحداث نفسها، ولذلك يخفي التعادل المركّب انقسامًا أكبر بكثير تحته. في معيار المهام الوكيلية الذي يسهم بربع تلك النتيجة، يبلغ Phonic 1 نسبة 79.9% مقابل 74.5% لأفضل إعداد من OpenAI.

أطلقت شركة Phonic، وهي شركة منبثقة يضم فريقها نحو عشرة باحثين من MIT وستانفورد، هذا النموذج في 29 أكتوبر 2026 إلى جانب جولة تمويل من الفئة A بقيمة 27.5 مليون دولار بقيادة First Round، لترتفع بذلك قيمة تمويلها الإجمالي إلى 31.5 مليون دولار. وتكتب الشركة اسم النموذج Phonic-1 في منشور الإطلاق والتوثيق الخاصين بها؛ في حين تُدرجه Artificial Analysis باسم Phonic 1 (High)، حيث يشير ما بين القوسين إلى إعداد في واجهة API وليس إلى اسم منتج. وتشير كلتا الكتابتين إلى النقطة النهائية نفسها وإلى سعر القائمة نفسه البالغ 0.07 دولار لكل دقيقة.

ما هو Phonic-1، وفقًا لمصطلحات المورّد نفسه

إنه نموذج كلامي شامل من الطرف إلى الطرف، وليس سلسلة متتالية من النسخ ثم التفكير ثم التحدث. يدخل الصوت ويخرج الصوت، والحجة التي يقدّمها Phonic لصالح هذه البنية هي أن النص المكتوب نسخة فاقدة من المحادثة — إذ تُطرح النبرة والتردد والتداخل جانباً قبل أن يراها نموذج اللغة أصلاً. لقد قدّم كل مورّد لحلول الكلام إلى الكلام هذه الحجة منذ 2024؛ وما تبيعه Phonic في الواقع هو حيلة جدولة فوق ذلك.

تلك الحيلة هي استدعاء الأدوات أثناء دور المتصل. فبدلًا من الانتظار حتى يتوقف المتصل قبل أن يبدأ البحث، يُطلق النموذج استدعاءات الأدوات بينما لا يزال الكلام يصل، بحيث تكون النتائج جاهزة بحلول الوقت الذي يتوقف فيه المتصل. في العرض التوضيحي الذي نشرته Phonic، استدعى النموذج الأدوات الخمس كلها في منتصف الجملة وأجاب بعد 1.1 ثانية من توقف المتصل؛ بينما يضع GPT-Live-1 من OpenAI عند 15.7 ثانية على النص نفسه. هذه المقارنة عرض توضيحي من المورّد على مهمة اختارها المورّد، وليست اختبارًا مرجعيًا مقيسًا، ويجدر قراءتها كتوضيح للتصميم لا كنتيجة مواجهة مباشرة.

واجهة API المنشورة أكثر ملموسيةً من معظم منشورات الإطلاق:

• معرّفات النماذج — phonic-1، مع بقاء phonic-0.5 مقبولًا بوصفه الجيل السابق. حذف الحقل يعني اعتماد القيمة الافتراضية الحالية.

• الذكاء — قيمة enum باسم intelligence_level، وهي standard افتراضيًا، وhigh عندما تريد النموذج الأكثر قدرة على الاستدلال المعقد. تصف الوثائق standard بأنه الإعداد المُحسّن لزمن استجابة أقل، ما يعني أن التكوين الذي قيّمته كل اختبارات الأداء حتى الآن ليس هو التكوين الذي يحصل عليه نشر حسّاس لزمن الاستجابة افتراضيًا.

• اللغات — 51، مُدرجة برموز ISO وصولًا إلى الفلبينية (fil) والكانتونية (yue)، مع تبديل في منتصف المحادثة يحافظ على هوية المتحدث نفسها.

• زمن الاستجابة — تدّعي Phonic أن الزمن من إدخال الكلام إلى إخراجه أقل من 600 مللي ثانية. وقد قاس تحليل Artificial Analysis 0.61 ثانية حتى أول صوت باستخدام منظومة الاختبار الخاصة به، وهو ما يتسق مع الادّعاء من دون أن يمثل القياس نفسه.

• النشر — واجهة برمجة تطبيقات مستضافة، وحزم SDK لـ TypeScript وPython، وواجهة سطر أوامر (CLI)، وأداة لبناء الوكلاء دون كتابة كود، بالإضافة إلى خيارات الاستضافة الذاتية وVPC في فئة المؤسسات، مع SOC 2 Type II، واتفاقية BAA الخاصة بـ HIPAA، وعدم الاحتفاظ بالبيانات، واتفاقية مستوى خدمة (SLA) لتوفر 99.9% على الصفحة.

الفهرس، صفًا بصف

مؤشر Speech to Speech Index هو مركّب من أربع نتائج متساوية الوزن: Big Bench Audio لاستدلال الكلام، وτ-Voice للسلوك الوكيلي في خدمة العملاء، وساحة تفضيلات بشرية، ومعدل نجاح المهام. ولا بد من تقييم النموذج في هذه الأربعة جميعًا كي يُقيَّم أصلًا، ولهذا يظهر StepAudio 3 Realtime في جدول الاستدلال دون رقم مركّب — فأعمدة السلوك الوكيلي والساحة ومعدل نجاح المهام لديه فارغة.

المكوّنات الأربعة لـ Phonic 1، وفقًا لـ Artificial Analysis:

• مؤشر الكلام إلى الكلام — 87.1، في المركز الأول، متقدمًا على Grok Voice 3.0 عند 86.9، وGPT-Live-1 (Astra, medium) عند 83.2، وGrok Voice 2.0 عند 81.3، وGPT-Live-1 (Sol, low) عند 80.1.

• τ-Voice — 79.9%، في المركز الأول، متقدمًا بفارق 5.4 نقاط على GPT-Live-1 (Astra, medium) الذي بلغ 74.5%.

Big Bench Audio — 98.9%، في المركز الثالث، خلف StepAudio 3 Realtime بنسبة 99.7% وQwen Audio 3.0 Realtime Plus بنسبة 99.2%.

• Speech Agent Arena — الثامن من بين 30 في التفضيل عند Elo 1012، والرابع في نجاح المهام بنسبة 92.3%.

اقرأ تلك الصفوف الأربعة بالترتيب، ولن يبدو المركّب بعد ذلك كأنه تعادل. تفوز Phonic 1 بمعيار الأداء الوكيلي فوزًا صريحًا وتحلّ ثالثة في الاستدلال، لكنها ثامنة في الصوت الذي يفضّله البشر فعليًا ورابعة في نجاح المهام الخام — نموذج أفضل بشكل قابل للقياس في تشغيل الأدوات وليس المحاور المفضّل لدى الجمهور. تلك هي القصة البنيوية نفسها التي وجدناها في 86.9 الخاصة بـ Grok Voice 3.0 قبل أسبوعين، من الجانب المعاكس: احتفظت xAI بالساحة وخسرت العمود الوكيلي، بينما تحتفظ Phonic بالعمود الوكيلي مع تخلّيها عن الساحة.

ساعتان، فائزان

الكمون هو الجانب الذي تصبح فيه التغطية متراخية، لأن أداتين موثوقتين تختلفان حول من هو الأسرع، وليست أيٌّ منهما مخطئة.

يقيس Artificial Analysis الزمن حتى أول مقطع صوتي — أي المدة من نهاية دور المتصل حتى بدء الصوت. ووفق هذا المقياس، يُعد Phonic 1 الأسرع بين أفضل خمسة في المؤشر:

• الوقت حتى أول صوت — Phonic 1: 0.61 ثانية؛ Grok Voice 3.0: 0.81 ثانية؛ GPT-Live-1 (Sol, low): 1.24 ثانية؛ GPT-Live-1 (Astra, medium): 1.34 ثانية؛ Qwen Audio 3.0 Realtime Plus: 1.54 ثانية؛ StepAudio 3 Realtime: 8.83 ثانية.

Cekura، شركة لتقييم وكلاء الصوت تشغّل النماذج داخل بيئة اختبار هاتفية حقيقية عبر WebRTC، وتقيس الوسيط لزمن الاستجابة على امتداد المكالمات كاملة. وفق هذا القياس، يُعد Grok Voice 3.0 الأسرع في المجال عند 1.34 ث، وPhonic 1 عند 1.63 ث — ثالث الأسرع، بفارق جزء من المئة خلف Grok Voice Think Fast 2.0 عند 1.62 ث، وليس الأول. كلا الرقمين يصفان شيئًا حقيقيًا. زمن الوصول إلى أول صوت هو مدى سرعة التزام النموذج بالبدء في التحدث؛ أما الوسيط لزمن الاستجابة فهو المدة التي ينتظرها المتصل فعليًا للحصول على الرد عبر 82 سيناريو، بما في ذلك السيناريوهات كثيفة الأدوات حيث يعوّض نهج Phonic بالضبط الثواني التي لا يستطيع قياس أول صوت رؤيتها.

إذا كنت تكتب مذكرة مشتريات، فالجملة التي يجب تجنبها هي "the fastest speech-to-speech model"، نقطة. أما النسخة القابلة للدفاع عنها فهي "fastest to first audio on Artificial Analysis; third-fastest median response on Cekura's live-call harness".

لوحة المكالمات المباشرة تطرح سؤالًا أصعب

تُعد لوحة الصدارة للتحويل من الكلام إلى الكلام الخاصة بـ Cekura اختبارًا أصعب بكثير من أيٍّ من مكونات المؤشر الأربعة: 82 سيناريوًا — 59 مكالمة حجز في عيادة و23 مكالمة استقبال Medicare — يُشغَّل كل منها ثلاث مرات داخل وكيل Pipecat مفتوح المصدر نفسه وباستخدام نفس الموجّه والأدوات، وتُقيَّم بمعيار النجاح المكعّب، أي إن السيناريو لا يُحتسب إلا إذا نجحت التشغيلات الثلاثة كلها مع تسجيل كل حقل بشكل صحيح.

اعتبارًا من تحديثه في 22 أكتوبر 2026، ومع تهيئة Phonic 1 عند مستوى الذكاء العالي ضمن معرّف الطراز phonic_v1، فإن تلك اللوحة تضع Phonic 1 في المرتبة الأولى أيضًا:

• الموثوقية، باحتساب النجاح أُسّ ثلاثة — Phonic 1: 90.2%؛ Grok Voice 3.0: 81.7%؛ GPT Realtime 2.1: 79.3%؛ GPT-Live 1 مع GPT-6 Sol: 75.6%؛ Azure Realtime: 70.7%.

• دقة البيانات — Phonic 1 97.5%؛ GPT Realtime 2.1 92.0%؛ Grok Voice 3.0 87.3%.

• المكالمات التي صمت فيها الوكيل — Phonic 1 0.0%؛ Grok Voice 3.0 0.0%؛ GPT Realtime 2.1 3.3%.

• نجاح مكالمات Medicare — Phonic 1 88.4%؛ GPT Realtime 2.1 81.2%؛ Grok Voice 3.0 58.0%؛ GPT-Live 1 مع Sol 49.3%.

بند Medicare هو الأكثر إثارة للاهتمام في الإطلاق بأكمله. مكالمات الاستقبال الطويلة التي تتطلب ملء النماذج هي حيث يُفترض أن تنهار النماذج الشاملة من طرف إلى طرف، لكن Phonic 1 يحافظ على 88.4% بينما ينخفض Grok Voice 3.0 إلى النصف عند 58.0%. ولا يزال تقرير Cekura نفسه يسجل نمط فشل يستحق المعرفة: يقطع الوكيل المكالمة دون أن يأخذ علمًا بمتصل يقول إنه سيعاود الاتصال لاحقًا، وأحيانًا يكتب ملاحظة تسليم Medicare أو تفصيل توجيه بشكل خاطئ. عند 90.2% في pass-cubed، تنجح 74 من تلك السيناريوهات الـ82 في كل تشغيل بينما لا تنجح ثمانية — وهذه نتيجة قوية لنموذج عمره يوم واحد، لا لنموذج مكتمل.

ملاحظتان بشأن التوصيف قبل أن يقتبس أي شخص هذه الأرقام. لوحة نتائج Cekura تحمل تاريخ آخر تحديث، وقد تغيّرت بين عمليات التشغيل، لذا فإن لقطة الشاشة منها ليست استشهادًا؛ اقتبس الرقم الحيّ مع إرفاق التاريخ. وتسجّل Cekura تكلفة قدرها $0.060 في الدقيقة لـ Phonic 1 مقابل سعر Starter المنشور البالغ $0.070 — وهو رقم مقيس من إحدى أدوات الاختبار، وليس قائمة الأسعار، وليس شيئًا يُطرح من أي شيء.

معايير أداء البائع، محفوظة في صندوقها الخاص

يحمل منشور إطلاق Phonic ثلاث نتائج خاصة به، وهي جديرة بالمعرفة تحديدًا لأنها ليست الأرقام المذكورة أعلاه. في النسخة متعددة اللغات كاملة الازدواجية τ³-Voice الخاصة بـ Sierra، تذكر الشركة أن Phonic-1 عند 83.2 مقابل GPT-Live-1 عند 79.9 وGemini 3.8 Live عند 68.5. لاحظ التصادم: 79.9 هو نتيجة Phonic على τ-Voice لدى Artificial Analysis، وكذلك نتيجة GPT-Live-1 في تشغيل τ³-Voice الخاص بـ Phonic. الأرقام نفسها، وصفوف مختلفة، ونسخ معيارية مختلفة — لا تنقل أي رقم من عمود إلى آخر أبدًا.

الاختباران الآخران هما اختباران بشريان أعميان تجريهما Podonos، وهي خدمة طرف ثالث لاختبار المستمعين. وقد فُضّلت Phonic-1 على GPT-Live-1 بنسبة 61.5% مقابل 32.0%، وعلى Grok Voice 3 بنسبة 66.5% مقابل 26.5%، وعلى Eleven v4 Turbo بنسبة 78.0% مقابل 14.0%. والنتيجة التي تتصدرها Phonic نفسها هي التي تخسرها: فقد فُضّل الممثلون الصوتيون البشريون على Phonic-1 بنسبة 57.0% مقابل 32.0%. جميع النتائج الأربع مموّلة من البائعين ومُبلّغ عنها من قِبَلهم؛ ولم يُعِد أحد إنتاج أيٍّ منها بشكل مستقل.

كم تكلفة شهر منه

التسعير عبارة عن رقم واحد لكل دقيقة، دون رسوم لكل رمز ودون تمرير منفصل لتكاليف نموذج اللغة الكبير، وهو أمر غير معتاد في فئة غالبًا ما يكون فيها «نموذج الصوت» مجرد غلاف رقيق فوق ثلاث خدمات مفوترة. المستويات:

• Starter — 0.07 دولار لكل دقيقة، بدون حد أدنى، 10 مكالمات متزامنة، 10 وكلاء، 3 مقاعد مساحة عمل.

• Pro — 0.065 دولار لكل دقيقة مقابل حد أدنى شهري قدره 200 دولار، وهو ما تعادله صفحة الأسعار بنحو 3,100 دقيقة، مع 50 مكالمة متزامنة و50 وكيلاً و30 مقعداً.

• المؤسسات — حلول مخصّصة، مع خصومات حسب الكميات، ونشر عبر VPC أو داخل المنشأة، واتفاقيات معالجة البيانات (DPAs)، واتفاقيات مستوى الخدمة (SLAs)، واتفاقيات HIPAA BAAs.

التسجيلات قبل 30 نوفمبر تحصل على 250 دولارًا كأرصدة. إذا أجريت الحسابات على شهر من 10,000 دقيقة، فإن أسعار القائمة لدى أقرب المنافسين تتضح بسرعة:

• 10,000 دقيقة — Phonic 1 Starter بسعر 700 دولار؛ Grok Voice 3.0 بسعر 800 دولار بمعدل 0.08 دولار للدقيقة؛ GPT-Live-1 (Sol, low) بسعر 750 دولارًا بمعدل 0.075 دولار؛ GPT-Live-1 (Astra, medium) بسعر 970 دولارًا بمعدل 0.097 دولار.

• نفس الـ 10,000 دقيقة على Pro — مقابل 650 دولارًا، لكن الحد الأدنى البالغ 200 دولار لا يكفّ عن كونه القيد المُلزِم إلا فوق نحو 3,100 دقيقة.

الرقم الذي لا يتّسع له جدول الأسعار هو التزامن. عشر مكالمات متزامنة على Starter سقف حقيقي لأي شيء يشبه طابور الدعم، وهو السبب الذي يجعل الانتقال إلى Pro يستحق 50 دولارًا شهريًا عند الحجم الكبير: فتغيير الفئة يشتري 50 مكالمة متزامنة أكثر بكثير مما يشتري نصف السنت. وتقول مدونة Phonic الهندسية إن حدود التزامن هي الضريبة الخفية في الذكاء الاصطناعي الصوتي، وهو تأطير صادق من الجهة التي تضعها.

أين يعمل هذا، وما يستطيع التوجيه فعله وما لا يستطيع فعله هنا

Phonic 1 ليس في كتالوج OrcaRouter، ولن يتظاهر هذا المقال بغير ذلك: اليوم لا يمكنك الوصول إليه إلا عبر واجهة برمجة التطبيقات الخاصة بـ Phonic، أو مجموعات تطوير البرامج (SDKs) الخاصة بها، أو واجهة سطر الأوامر (CLI)، أو أداة الإنشاء بدون كود، ولا من أي مكان آخر. وهذا أيضًا هو الضعف الهيكلي الصادق لشراء نموذج صوتي شامل من طرف إلى طرف بدلًا من بنية متتالية من المكونات — مورّد واحد، ونقطة نهاية واحدة، ولا مزوّد ثانٍ يمكن التحوّل إليه عند انقطاع اتصال WebSocket أثناء المكالمة.

ما يغطيه التوجيه هو البديل. إن خط أنابيب النسخ-التفكير-التحدث هو خط الأساس الذي لا تزال لوحة Cekura الخاصة تتفوق بموجبه على النماذج الشاملة من طرف إلى طرف، ومرحلته الوسطى هي استدلال نصي عادي — وهي بالضبط الطبقة التي واجهة برمجة تطبيقات واحدة لأكثر من 200 نموذج بهامش ربح 0% تنطبق عليها. ويمكن أن تقف مرحلتا النسخ والاستدلال خلف مفتاح واحد، ويستطيع DSL التوجيه إرسال استدعاءات تبادل الأدوار الرخيصة واستدعاءات استدلال السياسات المكلفة إلى نماذج مختلفة في الاستدعاء نفسه، دون عقد ثانٍ لكل بائع في المكدس. يُمرَّر سعر القائمة الخاص بالمزوّد دون تغيير، لذا يصل تخفيض سعر البائع إلى تلك المرحلة في اليوم نفسه الذي يُعلن فيه بدلاً من عند تجديد العقد التالي.

يستحق هذا التنازل أن يُقال بوضوح، لأن لوحات النتائج أعلاه لا تضع له سعراً. يتفوق النموذج الشامل من طرف إلى طرف في تناوب الأدوار والمقاطعة واستدعاء الأدوات في منتصف الكلام؛ وتتفوق السلسلة المتتالية في القدرة على استبدال أي مكوّن واحد منها — وكذلك في كون خط الأساس المتتالي لدى Cekura لا يزال يتقدم على كل نموذج فوري اختبرته من حيث موثوقية pass-cubed. وإن بدا ذلك سبباً للبقاء على السلسلة المتتالية، فهو كذلك جزئياً. أما سبب الانتقال فهو عمود Medicare: 88.4% مقابل 58.0% فجوة من النوع الذي يحدد ما إذا كانت مكالمة استقبال طويلة ستكتمل أصلاً.

ما لم يقيسه أحد بعد

قبل أن يعيد أي شخص كتابة موجّه إنتاجي حول 87.1، تجدر تسمية ثلاث فجوات.

• التكوين الذي جرى قياسه ليس التكوين الافتراضي. كل نتيجة هنا — 87.1 الخاصة بـ Artificial Analysis و90.2% الخاصة بـ Cekura — أُنتجت عند إعداد الذكاء المرتفع. أما API فيستخدم افتراضيًا الوضع القياسي، الموثّق كوضع أقل زمن وصول. لم ينشر أحد أرقام إعداد الوضع القياسي، لذا فإن أرقام زمن الوصول أعلاه لا تصف ما يختبره تكامل غير مُكوّن.

• لم يختبر المؤشر سلوك القناة المشوّشة. تذكر Cekura أن Grok Voice 3.0 يجتاز كل مكالمة مع ضوضاء خلفية وعيوب صوتية؛ ولا تقول شيئًا مشابهًا عن Phonic 1، بينما يعمل Big Bench Audio على صوت نظيف.

استقرار الجلسات الطويلة عرضٌ توضيحي، وليس قياسًا. ومكالمة Phonic التي استمرت 44 دقيقة وتضمّنت 123 استدعاءً للأدوات باللغتين الإنجليزية والبرتغالية هي أكثر الأدلة الملموسة المنشورة على المدى الطويل، وهي مكالمة واحدة اختار المورّد عرضها.

الملخص القابل للدفاع عنه بعد يوم واحد: إن Phonic 1 هو أقوى نموذج كلام-إلى-كلام وكيلي على الأداتين المستقلتين اللتين قيّمتاه، وهو ليس الأسرع اعتمادًا على الساعة التي تقرأها، وسعره البالغ $0.07/دقيقة يجعل تفوقه الوكيلي رخيصًا بما يكفي لاختباره بدلًا من الجدال حوله.