Phonic 1 vs. Cartesia Sonic 3.6: Eine Minute zu 0,07 US-Dollar und eine Abrechnung über 49 Millionen Zeichen sind nicht derselbe Kauf

Setzt man Phonic 1 und Cartesia Sonic 3.6 auf eine Seite, liegt die Versuchung nahe, die Preisspalten nebeneinanderzustellen und es dabei zu belassen. Zwei Anbieterzahlen machen das einfach: Phonic berechnet 0,07 $ für eine Minute Konversation, Cartesia normalisiert auf etwa 49 $ pro Million Zeichen. Beides klingt wie Rundungsfehler verglichen mit dem, was Sie 2025 zahlten. Doch sie rechnen unterschiedliche Dinge ab. Cartesia Sonic 3.6 ist eine Streaming-Text-to-Speech-Engine — Sie geben ihr Wörter, sie gibt Ihnen eine Stimme, und alles, was diesen Wörtern vorgelagert ist, ist Ihr Problem. Phonic 1 ist ein Speech-to-Speech-Modell, das einen Anrufer hört, entscheidet, was zu tun ist, mitten im Satz Tools aufruft und laut antwortet – und das alles innerhalb dieser Minute. Das eine ist eine Komponente auf Ihrer Rechnung. Das andere ist die gesamte Rechnung. Sie nur nach dem Preis zu vergleichen, ist wie einen Taxitarif mit einem Auto zu vergleichen.

Das macht den Vergleich nicht nutzlos. Es macht ihn enger und ehrlicher, als das Suchergebnis vermuten lässt: Diese beiden konkurrieren um denselben Posten in einem Budget für Sprachagenten, und ein Team, das einen Telefonagenten baut, muss entscheiden, ob die Sprachschicht ein Dienst ist, den es als Ganzes mietet, oder ein Stack, den es aus Einzelteilen zusammensetzt. Cartesia verkauft Ihnen beide Varianten — Sonic 3.6 für die Rendering-Hälfte, Cartesia Line für die zusammengesetzte Hälfte — und das zweite Produkt, nicht das TTS-Modell, ist das, was Phonic 1 tatsächlich gegenübersitzt.

Was jedes einzelne tatsächlich ist

Cartesia Sonic 3.6 wurde Ende August 2026 veröffentlicht, etwa drei Monate nach Sonic 3.5, und ist der hochwertigste Renderer des Unternehmens: 44 Sprachen in 61 Locales, Stimmklonen aus etwa zehn Sekunden Audio, creditbasierte Abrechnung, bei der ein Credit ungefähr einem Zeichen entspricht. Er hat keine Reasoning-Schicht, keine Tool-Schicht und kein Konzept von einem Gespräch. Sie rufen ihn mit Text und einer Voice-ID auf, erhalten Audio als Stream zurück, und die Turn-Taking-Logik – wann zuzuhören ist, wann zu unterbrechen ist, was zu tun ist, wenn der Anrufer „eigentlich nicht“ sagt – gehört zu dem Code, den Sie schreiben.

Phonic 1 ging Ende Oktober 2026 an den Start, zusammen mit einer Series-A-Finanzierung über 27,5 Mio. USD unter der Führung von First Round, und das Versprechen dahinter ist genau umgekehrt gestrickt: ein einzelnes Modell, das den gesamten Turn übernimmt. Die eigene Funktionsliste des Anbieters behauptet, dass Tonfall und Zögern gehört werden, dass Tool-Aufrufe ausgelöst werden, während der Anrufer noch spricht, und dass das Modell sich manchmal dafür entscheidet, gar nicht zu antworten – ein Verhalten, das man von einem TTS-Endpunkt nicht bekommt, weil ein TTS-Endpunkt keine Meinung dazu hat, ob Sprechen der richtige Schritt ist. Abgerechnet wird ein Preis pro Gesprächsminute, und es wird ausdrücklich festgehalten, dass es keinen separaten LLM-Pass-Through und keine Abrechnung pro Token gibt.

Eine ehrliche Feinheit, bevor wir weitergehen. In der Berichterstattung zum Marktstart von Phonic wurde es als End-to-End beschrieben, wobei separate Anbieter für Spracherkennung, LLM und Sprachsynthese vermieden würden. Die Website des Anbieters selbst beschreibt Supervisor-Modelle für Reasoning und Tool-Calling, und seine Benchmark-Konfiguration ist mit Phonic 1 (High) gekennzeichnet, was auf eine wählbare Intelligenzstufe hindeutet. Beides kann zutreffen — ein einziger Anbieter kann den gesamten Turn verantworten und dennoch eine interne Reasoning-Schicht betreiben —, aber „End-to-End“ ist Marketing-Kurzform für „ein Vertrag“, kein Beleg dafür, dass ein einzelnes Netzwerk alles in einem einzigen Forward Pass erledigt. Wenn Ihre Architekturprüfung von dieser Unterscheidung abhängt, fragen Sie den Anbieter direkt; die öffentlich verfügbaren Materialien klären das nicht.

Die beiden Uhren messen unterschiedliche Dinge.

Die Latenz ist der Punkt, an dem dieser Vergleich am häufigsten in die Irre führt, denn beide Anbieter nennen eine kleine Millisekundenzahl, und keine der beiden Zahlen ist die, die Ihr Anrufer tatsächlich erlebt.

• Phonic 1 — 0,61 s durchschnittliche Zeit bis zum ersten Audio bei der Messung von Artificial Analysis, am schnellsten unter den fünf getesteten Sprach-zu-Sprach-Topmodellen; der Anbieter wirbt mit unter 600 ms von Spracheingabe bis Sprachausgabe.

• Cartesia Sonic 3.6 — Time-to-First-Audio unter 90 ms, vom Anbieter angegeben und Netzwerk ausdrücklich ausgenommen; ein Drittanbieter-Benchmark maß 120 ms p50 von US East aus direkt gegen den Anbieter, und ein realer Anruftest aus Sydney meldete 448 ms im Median und 604 ms p90 Ende-zu-Ende.

• Was die Lücke bedeutet — die 0,61 s von Phonic beginnen in dem Moment, in dem das Audio eintrifft, und schließen die Entscheidung darüber ein, was gesagt werden soll. Die 90 ms von Cartesia beginnen, sobald der Text bereits vorliegt, und decken nur noch dessen Umwandlung in Klang ab. Rechnet man eigene Spracherkennung und die eigene Modelllatenz vor Sonic hinzu, laufen die beiden Werte zusammen; diese fehlende Rechnung ist der Grund, warum die Rohzahlen wie ein Sieben-zu-eins-Sieg aussehen und keiner sind.

Artificial Analysis führt Phonic 1 außerdem mit 0,61 s gegenüber 1,34 s für GPT-Live-1 und 1,35 s für Gemini 3.8 Live Extended Thinking auf – und genau dafür taugt die Zahl tatsächlich als Vergleich: Modell gegen Modell, gleiches Messinstrument. Sonic 3.6 taucht auf dieser Übersicht überhaupt nicht auf, weil es kein Konversationsmodell ist.

Die Rechnung, aus demselben Auftrag erstellt

Nehmen Sie einen zehnminütigen eingehenden Support-Anruf an. Auf dem zusammengesetzten Pfad mit Cartesia Sonic 3.6 zahlen Sie für mindestens drei Dinge: die Erkennung der Audiodaten des Anrufers, ein Modell, das über die Antwort entscheidet, und das Rendering dieser Antwort. Sonics Anteil ist der kleinste und vorhersehbarste der drei – etwa 0,28 $ bis 0,49 $ pro Minute erzeugten Audios, je nach Tarif, und in der Praxis deutlich weniger, weil ein Agent nicht die vollen zehn Minuten spricht. Der unvorhersehbare Anteil ist das Modell in der Mitte, und dieses schwankt je nachdem, ob Sie die einfachen 80 % der Gesprächsrunden an ein kleines Modell routen oder alles an ein Frontier-Modell senden, um eine Größenordnung.

Das mittlere Segment ist der Punkt, an dem Routing seinen Wert beweist, statt nur ein nachträgliches Anhängsel zu sein. Auf OrcaRouter liegt das Reasoning-Modell hinter deinem Agenten mit einem einzigen Schlüssel über 200+ Modelle zu 0 % Aufschlag auf den Listenpreis des Anbieters, sodass eine Preissenkung eines Anbieters noch am selben Tag live ist, statt auf eine Vertragsänderung zu warten – und eine Routing-Regel kann günstige Turns günstig halten und nur die schwierigen eskalieren. Automatisches Failover deckt den Fall ab, der Sprachagenten im Produktivbetrieb tatsächlich zum Ausfall bringt: Der Modellanbieter setzt mitten im Anruf kurz aus, und der Anrufer hört Stille.

Auf dem Phonic-1-Pfad lässt sich die Rechnung auf eine Zeile reduzieren. Zehn Minuten kosten 0,70 US-Dollar zum Starter-Tarif von 0,07 US-Dollar pro Minute oder 0,65 US-Dollar zum Pro-Tarif, für den ein monatliches Minimum von 200 US-Dollar gilt. Das sind die gesamten Kosten der Modellschicht – keine separaten Tokens, keine separate Abrechnung für Reasoning – und es ist das stärkste Argument in der Spalte von Phonic, weil ein pauschaler Minutenpreis eine Zahl ist, die ein Finanzteam ohne Nutzungsmodell prognostizieren kann.

Lesen Sie diese beiden Gesamtsummen sorgfältig, bevor Sie einen Gewinner küren. Die Untergrenze des zusammengestellten Pfads ist niedriger – ein günstiges Mittelklasse-Modell plus Sonics Rendering kann $0.07 pro Minute locker unterbieten – und seine Obergrenze ist viel höher, weil ein Frontier-Modell bei jedem einzelnen Schritt weit darüber hinausgeht. Der Pauschaltarif von Phonic 1 ist eine Wette darauf, dass die Wirtschaftlichkeit des Anbieters Bestand hat, während sich Ihre Mischung aus einfachen und schwierigen Anfragen ändert. Das ist etwas wirklich Nützliches zum Kaufen, und es ist zugleich etwas, das Sie auf Vertrauen hin kaufen.

Wo Cartesia Sonic 3.6 ohne Widerspruch gewinnt

Wenn die Frage lautet „Welche davon klingt besser“, liegt Cartesia nicht annähernd vorn, und daran ändert keine noch so hohe Bewertung in agentischen Benchmarks etwas. Sonic 3.6 belegte bei Veröffentlichung Platz eins in beiden Speech-Arenen von Artificial Analysis – mit einem Provider Voice Elo von etwa 1.282–1.283 und einem Controlled Voice Score von nahezu 1.123. Dabei handelt es sich um Präferenzmessungen an gerendertem Audio, also genau um das, wofür eine TTS-Engine gedacht ist.

Die Steuerungsoberfläche ist ebenfalls tiefergehend. Stimmklonen ab zehn Sekunden, 44 Sprachen über 61 Locales hinweg mit Auswahl auf Locale-Ebene, fünf veröffentlichte Tarifstufen von einer kostenlosen Sandbox mit 20K Credits bis zu einem $299 Scale-Tarif mit fünfzehn gleichzeitigen Anfragen sowie geklonte Stimmen, die mit dem 1,5-fachen abgerechnet werden. Wenn es bei Ihrem Produkt um Narration, Dubbing, IVR-Ansagen oder einen Assistenten geht, dessen Antworten geskriptet sind und dessen Stimme die Marke ist, ist Sonic 3.6 ein besseres Tool als Phonic 1, und der Vergleich sollte dort enden.

Es gibt auch eine Kostenstruktur, die es wert ist, benannt zu werden: Cartesias Credit-Modell bedeutet, dass Sie für die Zeichen zahlen, die Sie rendern, sodass ein Anruf, in dem der Agent vier Wörter spricht, vier Wörter kostet. Ein Minutenmodell berechnet unabhängig davon die gesamte Minute. Bei kurzen, volumenstarken Interaktionen — Terminbestätigungen, Lieferbenachrichtigungen, eine Verifizierung mit zwei Gesprächsrunden — ist das Zeichenmodell strukturell kostengünstiger.

Wo Phonic 1 ohne Diskussion gewinnt

Tool-Aufrufe, die beginnen, bevor der Anrufer aufhört zu sprechen, sind die eine Fähigkeit in diesem Vergleich, die Cartesia Sonic 3.6 schlicht nicht besitzt, denn Tool-Calling ist keine Eigenschaft, die ein Renderer haben kann. In einem Buchungsablauf, in dem der Anrufer sagt: „Ich brauche Donnerstag, nein warte, Freitagnachmittag“, muss der zusammengesetzte Pfad auf die End-of-Turn-Erkennung warten, die Spracherkennung ausführen, das Modell ausführen, das Tool ausführen und dann rendern – vier serielle Übergaben gegenüber der einen, die Phonic für sich beansprucht. Der eigene Demo-Vergleich von Phonic – eine Antwort 1,1 Sekunden, nachdem der Anrufer aufgehört hat, gegenüber 15,7 Sekunden bei OpenAI GPT-Live – ist eine Anbieter-Demonstration und sollte auch als solche gelesen werden. Doch der strukturelle Punkt bleibt trotz des Vorbehalts bestehen: Weniger Übergaben bedeuten weniger Stellen, an denen eine Sekunde verloren gehen kann.

• Sprachen — Phonic 1 unterstützt 50+ Sprachen mit Wechsel mitten im Gespräch, wobei dieselbe Stimme erhalten bleibt; Cartesia Sonic 3.6 deckt 44 Sprachen in 61 Locales ab, ausschließlich für das Rendering.

• Abrechnung — Phonic 1 hat einen einzigen Preis pro Gesprächsminute ohne LLM-Durchleitung; Cartesia Sonic 3.6 rechnet pro Zeichen/Credit ab, und der restliche Stack wird separat abgerechnet.

• Agentische Fähigkeit – Phonic 1 erzielt 79,9 % in der agentischen Komponente des Speech-to-Speech-Index von Artificial Analysis, dem höchsten dort verzeichneten Wert; Sonic 3.6 hat keinen agentischen Score, da es keinen Agenten besitzt.

• Stimmqualität — Cartesia Sonic 3.6 führt beide Spracharenen von Artificial Analysis bei gerendertem Audio an; der Arena-Präferenzwert von Phonic 1 liegt bei 1.012, was Platz acht von dreißig entspricht.

• Bereitstellung — Phonic 1 bietet Cloud, Single-Tenant, VPC-Peering und Self-Hosting, wobei die Verfügbarkeit von SOC 2 Type II und HIPAA BAA angegeben wird; Sonic 3.6 ist eine gehostete API.

Der Vergleich, den Cartesia tatsächlich von dir durchführen lassen möchte

Cartesias eigentliche Antwort auf Phonic 1 ist Cartesia Line, sein Voice-Agent-Produkt, das das Unternehmen mit rund 0,06 US-Dollar pro Minute bepreist und das bei Artificial Analysis als Anbieter-Pipeline statt als bewertetes Modell erscheint – das dahinterstehende Line-up stützt sich gemeinsam auf Ink, Gemini 2.5 Flash und Sonic. Das verrät zwei Dinge auf einmal. Die beworbene Rate unterbietet Phonic 1 um einen Cent, und die Rate ist genau auf die Weise unvollständig, in der Phonics Marketing zusammengesetzten Stacks vorwirft, unvollständig zu sein: Der Gemini-2.5-Flash-Teil berechnet seine eigenen Tokens obendrauf.

Der ehrliche direkte Vergleich lautet also nicht 0,07 $ gegen 0,06 $. Er lautet: eine pauschale All-inclusive-Gebühr von 0,07 $ gegenüber einer Plattformgebühr von 0,06 $ plus einer Modellrechnung, die Sie selbst steuern. Für ein Team, das bereits seine eigenen Modelle routet und das weiterhin tun möchte, ist diese Struktur ein Vorteil. Für ein Team, das eine Zahl will, nicht eine Tabellenkalkulation, ist sie der Grund, warum es Phonic 1 gibt.

Wer sollte handeln, und wer sollte warten?

Kaufen Sie Cartesia Sonic 3.6, wenn die Stimme das Produkt ist. Narration, markengebundene Assistenten, Dubbing – überall dort, wo ein Mensch das Audio beurteilt und niemand die Tool-Aufrufe beurteilt. Die Führung in der Arena ist real, das Kloning ist schnell, und die Tarifstaffel bedeutet, dass Sie kostenlos starten können.

Kaufen Sie Phonic 1, wenn der Anruf etwas tun muss — buchen, verifizieren, erstatten, eskalieren — und wenn ein fünfstelliges Engineering-Budget für Glue-Code schlechter ist als ein pauschaler Minutenpreis. Es ist außerdem zum Zeitpunkt des Schreibens erst etwa eine Woche auf einer öffentlichen API verfügbar, mit einem unabhängigen Board dahinter und ohne Langzeit-Zuverlässigkeitsdaten; der sinnvolle Weg, es zu übernehmen, ist neben Ihrem aktuellen Pfad, nicht an dessen Stelle.

Und wenn Sie selbst zusammenstellen statt zu mieten, ist die Entscheidung, die Ihre Rechnung tatsächlich beeinflusst, nicht Sonic versus Phonic. Es ist die Frage, welches Modell die einfachen Turns beantwortet. Dieser Teil läuft heute über OrcaRouter – ein Schlüssel, über 200 Modelle, Listenpreis durchgereicht, Failover, wenn ein Anbieter ausfällt – während weder Phonic 1 noch Cartesia Sonic 3.6 in unserem Katalog sind und jeweils beim eigenen Anbieter eingekauft werden müssen.

Der Kauf, der wie ein Preisvergleich aussieht, ist in Wahrheit die Frage, wie viel vom Turn Sie selbst besitzen wollen. Sonic 3.6 lässt Sie den ganzen Turn besitzen und gibt Ihnen die am besten klingende Komponente, auf der Sie aufbauen können. Phonic 1 nimmt Ihnen den Turn ab und berechnet für das Privileg einen Pauschalpreis. Keines von beiden ist falsch. Falsch sind sie nur, wenn sie aus dem Grund des jeweils anderen gekauft werden.