Phonic 1 debütiert auf Platz 1 im Speech Index. Der 0,2-Punkte-Vorsprung verbirgt die tatsächliche Führung.

Phonic 1 ist jetzt das bestplatzierte Sprache-zu-Sprache-Modell im Speech to Speech Index von Artificial Analysis mit 87,1, ein Rennen um einen Zehntelpunkt, das es gewann, indem es xAI Grok Voice 3.0 mit 86,9 knapp hinter sich ließ. Ein Vorsprung von 0,2 Punkten wäre normalerweise Rauschen, und in diesem Index ist er das auch beinahe: Die beiden Modelle gewinnen nicht dieselben Disziplinen, sodass das zusammengefasste Unentschieden eine viel größere Kluft darunter verbirgt. Beim Benchmark für agentische Aufgaben, der ein Viertel dieser Punktzahl beisteuert, liegt Phonic 1 bei 79,9 % gegenüber 74,5 % für die beste OpenAI-Konfiguration.

Phonic, eine etwa zehnköpfige Ausgründung von Forschenden des MIT und der Stanford University, stellte das Modell am 29. Oktober 2026 zusammen mit einer 27,5-Millionen-Dollar-Serie-A unter Führung von First Round vor, wodurch sich die Gesamtfinanzierung des Unternehmens auf 31,5 Millionen Dollar erhöht. Das Unternehmen schreibt das Modell Phonic-1 in seinem eigenen Ankündigungsbeitrag und in seiner Dokumentation; Artificial Analysis führt es als Phonic 1 (High), wobei der Klammerzusatz eine API-Einstellung und keinen Produktnamen darstellt. Beide Schreibweisen verweisen auf denselben Endpunkt und denselben Listenpreis von 0,07 US-Dollar pro Minute.

Was Phonic-1 ist, in den eigenen Worten des Anbieters

Es ist ein Ende-zu-Ende-Sprachmodell, keine Kaskade aus Transkribieren-dann-Denken-dann-Sprechen. Audio geht rein, Audio kommt raus, und das Argument, das Phonic für diese Architektur anführt, ist, dass ein Transkript eine verlustbehaftete Kopie eines Gesprächs ist – Tonfall, Zögern und Überschneidungen gehen verloren, bevor das Sprachmodell sie je zu sehen bekommt. Dieses Argument hat seit 2024 jeder Speech-to-Speech-Anbieter vorgebracht; was Phonic tatsächlich verkauft, ist ein Scheduling-Trick obendrauf.

Dieser Trick ist Tool Calling während des Turns des Anrufers. Statt darauf zu warten, dass der Anrufer aufhört, bevor eine Suche beginnt, löst das Modell Tool Calls aus, während noch Sprache eingeht, sodass die Ergebnisse bereitstehen, wenn der Anrufer das Wort abgibt. In der von Phonic veröffentlichten Demo rief das Modell alle fünf Tools mitten im Satz auf und antwortete 1,1 Sekunden, nachdem der Anrufer aufgehört hatte; OpenAI's GPT-Live-1 setzt es im selben Skript bei 15,7 Sekunden an. Dieser Vergleich ist eine Anbieter-Demonstration an einer vom Anbieter ausgewählten Aufgabe, kein gemessener Benchmark, und er sollte eher als Illustration des Designs denn als direkter Vergleich gelesen werden.

Die veröffentlichte API-Oberfläche ist konkreter als bei den meisten Launch-Posts:

• Modell-IDs — phonic-1, wobei phonic-0.5 als vorherige Generation weiterhin akzeptiert wird. Lässt man das Feld weg, gilt der aktuelle Standard.

• Intelligenz — ein Enum `intelligence_level`, standardmäßig `standard`, `high`, wenn Sie das leistungsfähigere Modell für komplexes Reasoning möchten. Die Dokumentation beschreibt `standard` als die für geringere Latenz optimierte Einstellung, was bedeutet, dass die Konfiguration, mit der bisher alle Benchmarks bewertet wurden, nicht die ist, die ein latenzempfindliches Deployment standardmäßig erhält.

• Sprachen — 51, aufgeführt mit ISO-Codes bis hin zu Filipino (fil) und Kantonesisch (yue), mit Sprachwechsel mitten im Gespräch, der dieselbe Sprecheridentität beibehält.

• Latenz — Phonic behauptet unter 600 ms von Spracheingabe zu Sprachausgabe. Artificial Analysis maß mit seinem eigenen Harness 0,61 s bis zum ersten Audio, was mit der Behauptung vereinbar ist, ohne dieselbe Messung zu sein.

• Bereitstellung — gehostete API, TypeScript- und Python-SDKs, eine CLI und ein No-Code-Agent-Builder, plus selbst gehostete und VPC-Optionen im Enterprise-Tarif, mit SOC 2 Type II, einem HIPAA-BAA, Zero Data Retention und einem SLA von 99,9 % Verfügbarkeit auf der Seite.

Der Index, Zeile für Zeile

Der Speech to Speech Index ist ein zusammengesetzter Wert aus vier gleich gewichteten Ergebnissen: Big Bench Audio für Sprachschlussfolgern, τ-Voice für agentisches Kundendienstverhalten, eine Arena für menschliche Präferenzen und eine Aufgaben-Erfolgsrate. Ein Modell benötigt alle vier, um überhaupt bewertet zu werden; deshalb erscheint StepAudio 3 Realtime in der Reasoning-Tabelle ohne zusammengesetzte Zahl — seine Spalten für Agentic, Arena und Aufgaben-Erfolg sind leer.

Die vier Komponenten von Phonic 1, laut Artificial Analysis:

Speech-to-Speech-Index — 87,1, auf Platz 1, vor Grok Voice 3.0 mit 86,9, GPT-Live-1 (Astra, medium) mit 83,2, Grok Voice 2.0 mit 81,3 und GPT-Live-1 (Sol, low) mit 80,1.

• τ-Voice — 79,9 %, Platz 1, 5,4 Punkte Vorsprung vor GPT-Live-1 (Astra, medium) mit 74,5 %.

Big Bench Audio — 98,9 %, Dritter, hinter StepAudio 3 Realtime mit 99,7 % und Qwen Audio 3.0 Realtime Plus mit 99,2 %.

• Speech Agent Arena – Achter von 30 bei der Präferenz mit Elo 1012, Vierter bei der Aufgabenerfolgsquote mit 92,3 %.

Liest man diese vier Zeilen der Reihe nach, sieht der Gesamtwert nicht mehr wie ein Gleichstand aus. Phonic 1 gewinnt den Agentic-Benchmark klar und belegt den dritten Platz beim Reasoning, steht aber auf Platz acht bei der Frage, welche Stimme Menschen tatsächlich bevorzugen, und auf Platz vier beim reinen Aufgabenerfolg – ein Modell, das messbar der bessere Tool-Runner ist und nicht der Lieblingsgesprächspartner der Masse. Das ist dieselbe strukturelle Geschichte, die wir vor zwei Wochen bei Grok Voice 3.0 mit 86,9 gefunden haben, nur von der anderen Seite: xAI hielt die Arena und verlor die Agentic-Spalte, und Phonic hält die Agentic-Spalte, während es die Arena aufgibt.

Zwei Uhren, zwei Gewinner

Bei der Latenz wird die Berichterstattung schlampig, weil zwei seriöse Instrumente sich uneinig darüber sind, wer am schnellsten ist, und keines von beiden unrecht hat.

Artificial Analysis misst die Zeit bis zum ersten Audio – wie lange es vom Ende des Beitrags des Anrufers dauert, bis Audio beginnt. Gemessen daran ist Phonic 1 der schnellste unter den fünf Bestplatzierten des Index:

• Zeit bis zum ersten Audio — Phonic 1 0,61 s; Grok Voice 3.0 0,81 s; GPT-Live-1 (Sol, niedrig) 1,24 s; GPT-Live-1 (Astra, mittel) 1,34 s; Qwen Audio 3.0 Realtime Plus 1,54 s; StepAudio 3 Realtime 8,83 s.

Cekura, ein Unternehmen zur Evaluierung von Voice-Agenten, das Modelle in einer echten Telefon-Harness über WebRTC laufen lässt, misst die mediane Antwortzeit über ganze Anrufe hinweg. Gemessen an dieser Zeitmessung ist Grok Voice 3.0 mit 1,34 s das schnellste im Feld, und Phonic 1 liegt mit 1,63 s auf dem dritten Platz – eine Hundertstelsekunde hinter Grok Voice Think Fast 2.0 mit 1,62 s – und nicht auf dem ersten. Beide Zahlen beschreiben etwas Reales. Die Zeit bis zum ersten Audio gibt an, wie schnell sich das Modell zum Sprechen entschließt; die mediane Antwortzeit gibt an, wie lange ein Anrufer in 82 Szenarien tatsächlich auf die Antwort wartet, einschließlich der Tool-lastigen Szenarien, in denen der Ansatz von Phonic genau die Sekunden zurückgewinnt, die eine First-Audio-Messung nicht erfassen kann.

Wenn Sie ein Beschaffungsmemo schreiben, ist der Satz, den Sie vermeiden sollten, „das schnellste Sprach-zu-Sprach-Modell“ – Punkt. Die vertretbare Version lautet: „am schnellsten bis zum ersten Audio bei Artificial Analysis; drittschnellste Median-Antwortzeit in Cekuras Live-Call-Harness“.

Das Live-Call-Board stellt eine schwierigere Frage.

Die Speech-to-Speech-Bestenliste von Cekura ist ein deutlich härterer Test als jede der vier Indexkomponenten: 82 Szenarien – 59 Klinik-Buchungsanrufe und 23 Medicare-Intake-Anrufe –, die jeweils dreimal im selben Open-Source-Pipecat-Agent mit demselben Prompt und denselben Tools ausgeführt werden, bewertet mit Pass-cubed, was bedeutet, dass ein Szenario nur zählt, wenn alle drei Durchläufe erfolgreich sind und jedes Feld korrekt erfasst wurde.

Mit seinem Update vom 22. Oktober 2026 setzt dieses Board, wenn Phonic 1 unter der Modell-ID phonic_v1 auf die Intelligenzstufe „high“ konfiguriert ist, Phonic 1 ebenfalls an die erste Stelle:

• Zuverlässigkeit, Pass-cubed — Phonic 1 90,2 %; Grok Voice 3.0 81,7 %; GPT Realtime 2.1 79,3 %; GPT-Live 1 mit GPT-6 Sol 75,6 %; Azure Realtime 70,7 %.

• Datenrichtigkeit – Phonic 1 97,5 %; GPT Realtime 2.1 92,0 %; Grok Voice 3.0 87,3 %.

• Anrufe, bei denen der Agent stumm blieb – Phonic 1: 0,0 %; Grok Voice 3.0: 0,0 %; GPT Realtime 2.1: 3,3 %.

• Erfolgsquote bei Medicare-Anrufen — Phonic 1 88,4 %; GPT Realtime 2.1 81,2 %; Grok Voice 3.0 58,0 %; GPT-Live 1 mit Sol 49,3 %.

Der Medicare-Split ist die interessanteste Zeile im gesamten Launch. Lange Anrufe zur Formularaufnahme sind genau der Punkt, an dem End-to-End-Modelle eigentlich zusammenbrechen sollten, und Phonic 1 hält 88,4 %, während Grok Voice 3.0 auf 58,0 % absinkt. Cekuras eigener Bericht verzeichnet weiterhin einen Fehlermodus, den man kennen sollte: Der Agent legt auf, ohne einen Anrufer zu bestätigen, der sagt, dass er später zurückrufen wird, und gelegentlich schreibt er eine Medicare-Übergabenotiz oder ein Routing-Detail falsch. Bei 90,2 % Pass³ bestehen 74 dieser 82 Szenarien jeden Durchlauf und acht nicht – das ist ein starkes Ergebnis für ein einen Tag altes Modell, kein fertiges.

Zwei Hinweise zur Kennzeichnung, bevor jemand diese Zahlen zitiert. Cekuras Übersicht trägt ein Datum der letzten Aktualisierung und wurde zwischen Läufen überarbeitet, daher ist ein Screenshot davon kein Zitat; geben Sie die aktuelle Zahl mit dem angegebenen Datum an. Und Cekura verzeichnet für Phonic 1 Kosten von 0,060 $ pro Minute gegenüber einer veröffentlichten Starter-Rate von 0,070 $ — ein gemessener Wert aus einem Harness, nicht die Preisliste und nichts, was von irgendetwas abgezogen werden sollte.

Die Benchmarks des Anbieters, in ihrer eigenen Box aufbewahrt

Der Launch-Post von Phonic enthält drei eigene Ergebnisse, und sie sind gerade deshalb wissenswert, weil sie nicht die oben genannten Zahlen sind. In der mehrsprachigen Full-Duplex-Variante τ³-Voice von Sierra meldet das Unternehmen Phonic-1 mit 83,2 gegenüber GPT-Live-1 mit 79,9 und Gemini 3.8 Live mit 68,5. Beachten Sie die Kollision: 79,9 ist Phonics Punktzahl bei der τ-Voice von Artificial Analysis und zugleich die Punktzahl von GPT-Live-1 in Phonics eigenem τ³-Voice-Durchlauf. Gleiche Ziffern, unterschiedliche Zeilen, unterschiedliche Benchmark-Varianten – verschieben Sie niemals eine Zahl von einer Spalte in die andere.

Die beiden anderen sind Blindtests mit menschlichen Hörern, die von Podonos durchgeführt werden, einem Drittanbieter-Dienst für Hörertests. Phonic-1 wurde gegenüber GPT-Live-1 von 61,5 % zu 32,0 % bevorzugt, gegenüber Grok Voice 3 von 66,5 % zu 26,5 % und gegenüber Eleven v4 Turbo von 78,0 % zu 14,0 %. Das Ergebnis, mit dem Phonic selbst wirbt, ist ausgerechnet das, bei dem es unterliegt: Menschliche Sprecher wurden gegenüber Phonic-1 von 57,0 % zu 32,0 % bevorzugt. Alle vier sind vom Anbieter in Auftrag gegeben und vom Anbieter berichtet; keines wurde unabhängig reproduziert.

Was ein Monat davon kostet

Die Preisgestaltung ist eine einzige Zahl pro Minute ohne Gebühren pro Token und ohne separate LLM-Kostendurchreichung, was in einer Kategorie ungewöhnlich ist, in der das „Sprachmodell“ oft nur eine dünne Hülle über drei abgerechnete Dienste ist. Die Tarifstufen:

• Starter — 0,07 $ pro Minute, kein Mindestbetrag, 10 gleichzeitige Anrufe, 10 Agenten, 3 Workspace-Plätze.

• Pro — 0,065 $ pro Minute bei einem monatlichen Mindestbetrag von 200 $, was laut Preisseite etwa 3.100 Minuten entspricht, mit 50 gleichzeitigen Anrufen, 50 Agenten und 30 Sitzplätzen.

• Enterprise — individuell, mit Mengenrabatten, VPC- oder On-Prem-Deployment, DPAs, SLAs und HIPAA-BAAs.

Anmeldungen bis zum 30. November erhalten 250 $ Guthaben. Rechnen Sie mit einem Monat von 10.000 Minuten, und die Listenpreise der engsten Konkurrenten sortieren sich schnell von selbst:

• 10.000 Minuten — Phonic 1 Starter: 700 $; Grok Voice 3.0: 800 $ bei 0,08 $/Minute; GPT-Live-1 (Sol, niedrig): 750 $ bei 0,075 $; GPT-Live-1 (Astra, mittel): 970 $ bei 0,097 $.

Dieselben 10.000 Minuten bei Pro – 650 $, doch erst ab etwa 3.100 Minuten ist das 200-$-Minimum nicht mehr die bindende Einschränkung.

Die Zahl, die auf keinem Preisblatt steht, ist die Parallelität. Zehn gleichzeitige Anrufe bei Starter sind eine echte Obergrenze für alles, was einer Support-Warteschlange ähnelt, und sie sind der Grund, warum der Sprung zu Pro bei hohem Volumen 50 US-Dollar im Monat wert ist: Der Tarifwechsel bringt 50 gleichzeitige Anrufe weit mehr als den halben Cent. Der eigene Engineering-Blog von Phonic argumentiert, dass Parallelitätsgrenzen die versteckte Steuer in der Voice-KI sind – eine ehrliche Darstellung von der Partei, die sie festlegt.

Wo es läuft und was Routing hier leisten kann und nicht

Phonic 1 ist nicht im Katalog von OrcaRouter, und dieser Beitrag wird nichts anderes behaupten: Heute erreicht man es ausschließlich über Phonics eigene API, seine SDKs, die CLI oder den No-Code-Builder – nirgendwo sonst. Das ist auch die ehrliche strukturelle Schwäche, ein End-to-End-Sprachmodell statt einer Kaskade zu kaufen – ein einziger Anbieter, ein einziger Endpunkt und kein zweiter Anbieter, auf den man ausweichen kann, wenn der Websocket mitten im Anruf abbricht.

Was Routing abdeckt, ist die Alternative. Eine Transcribe-Think-Speak-Pipeline ist die Baseline, auf der Cekuras eigenes Leaderboard End-to-End-Modelle weiterhin schlägt, und ihre mittlere Stufe ist gewöhnliche Textinferenz — genau die Ebene, auf die eine API für 200+ Modelle mit 0 % Aufschlag zutrifft. Der Transkriptions-Teil und der Reasoning-Teil können hinter einem einzigen Schlüssel sitzen, und die Routing-DSL kann die günstigen Turn-Taking-Aufrufe und die teuren Policy-Reasoning-Aufrufe im selben Aufruf an unterschiedliche Modelle schicken, ohne einen zweiten Vertrag für jeden Anbieter im Stack. Der Listenpreis des Anbieters wird unverändert durchgereicht, sodass eine Preissenkung des Anbieters diesen Teil noch am Tag ihrer Ankündigung erreicht statt erst bei der nächsten Vertragsverlängerung.

Der Kompromiss verdient eine klare Benennung, denn die oben genannten Scoreboards bilden ihn nicht ab. End-to-End gewinnt beim Sprecherwechsel, bei Unterbrechungen und bei Tool-Aufrufen mitten in einer Äußerung; eine Kaskade gewinnt bei der Möglichkeit, jede einzelne Komponente auszutauschen — und bei der Tatsache, dass Cekuras Kaskaden-Baseline jedes von ihr getestete Echtzeitmodell bei der pass-cubed-Zuverlässigkeit noch übertrifft. Wenn das wie ein Grund klingt, bei einer Kaskade zu bleiben, dann ist es das teilweise auch. Der Grund zu wechseln ist die Medicare-Spalte: 88,4 % gegenüber 58,0 % ist die Art von Lücke, die entscheidet, ob ein langer Aufnahme-Anruf überhaupt abgeschlossen wird.

Was noch niemand gemessen hat

Bevor irgendjemand einen Produktions-Prompt wegen einer 87,1 umschreibt, lohnt es sich, drei Lücken zu benennen.

• Die gemessene Konfiguration ist nicht die Standardeinstellung. Jeder hier genannte Wert – Artificial Analysis' 87,1, Cekuras 90,2 % – wurde mit der Einstellung „hohe Intelligenz“ erzeugt. Die API verwendet standardmäßig „Standard“, das als Modus mit geringerer Latenz dokumentiert ist. Niemand hat die Zahlen für die Standardeinstellung veröffentlicht, daher beschreiben die oben genannten Latenzwerte nicht, was eine nicht konfigurierte Integration erlebt.

• Das Noisy-Channel-Verhalten wird vom Index nicht getestet. Cekura berichtet, dass Grok Voice 3.0 jeden Anruf mit Hintergrundgeräuschen und Audiostörungen besteht; über Phonic 1 sagt es nichts Vergleichbares, und Big Bench Audio läuft auf sauberem Audio.

• Stabilität bei langen Sitzungen ist eine Demo, keine Messung. Phonys 44-minütiges Gespräch mit 123 Tool-Aufrufen auf Englisch und Portugiesisch ist der konkreteste veröffentlichte Beleg für lange Zeithorizonte – und es ist ein einziger Anruf, den der Anbieter zur Präsentation ausgewählt hat.

Die belastbare Zusammenfassung nach einem Tag: Phonic 1 ist das stärkste agentische Speech-to-Speech-Modell auf den beiden unabhängigen Messinstrumenten, die es bewertet haben, es ist je nachdem, welche Zeitmessung man heranzieht, nicht das schnellste, und seine 0,07 $/Minute machen den agentischen Vorsprung günstig genug, um ihn zu testen, statt darüber zu streiten.