Phonic 1 vs. Qwen Audio 3.1: 82,0 % und 79,9 % sind nicht dieselbe Zahl

Der Vergleich, den alle zwischen Phonic 1 und Qwen Audio 3.1 Realtime ziehen werden, ist eine zweizeilige Tabelle: Qwen erreicht 82,0 % auf τ-Voice, Phonic 79,9 %, folglich gewinnt das günstigere Modell. Das ist eine saubere Geschichte, und sie ist falsch, denn diese beiden Zahlen stammen von unterschiedlichen Instrumenten. Qwens 82,0 % stammt aus dem eigenen Paper des Anbieters und wurden auf einer angepassten halbduplexen Speech-to-Text-Variante des Benchmarks gemessen. Phonics 79,9 % ist die agentische Komponente des Speech-to-Speech-Index von Artificial Analysis, gemessen am tatsächlichen Benchmark. Das eine vom anderen abzuziehen ist derselbe Fehler, wie eine Prüfungspunktzahl aus einem Übungstest mit einer aus der eigentlichen Prüfung zu vergleichen.

Was diesen Fehler berichtenswert macht, ist, dass er der einzige verfügbare Vergleich ist. Qwen Audio 3.1 Realtime erscheint auf dem Speech-to-Speech-Board von Artificial Analysis überhaupt nicht – dort sind Qwen Audio 3.0 Realtime Plus mit 69,5 und Qwen Audio 3.0 Realtime Flash mit 67,7 aufgeführt, und nichts Neueres. Der neueste günstige Herausforderer in dieser Kategorie hat also seine eigenen Zahlen in seinen eigenen Einheiten veröffentlicht, und keine unabhängige Instanz hat ihn bewertet. Diese Lücke ist der Kern der Geschichte, und in einem ehrlichen Artikel geht es vor allem um das, was sich noch nicht sagen lässt.

Was Qwen Audio 3.1 eigentlich ist

Alibabas Qwen-Audio-3.1 kam Ende September 2026 als Stack aus fünf Modellen statt als einzelne Veröffentlichung auf den Markt: ASR, ASR-Next, TTS, TTS-Next und Realtime. Das Modell, das mit Phonic 1 konkurriert, ist Qwen Audio 3.1 Realtime, und zwar speziell die Realtime-Plus-Stufe, die nur über QwenCloud über eine WebSocket-Verbindung verfügbar ist – keine offenen Gewichte, anders als bei den TTS- und ASR-Mitgliedern der Familie, und kein Self-Host-Weg in den öffentlichen Unterlagen.

• Kontext — 262K insgesamt, 245K maximaler Eingabe- und 16K maximaler Ausgabeumfang, im Vergleich zum unveröffentlichten Kontext von Phonic 1.

• Durchsatzkontingente — standardmäßig 60 Anfragen und 100K Tokens pro Minute bei QwenCloud; Phonic veröffentlicht keine entsprechende Sitzungsobergrenze.

• Funktionen — Funktionsaufrufe, Websuche, strukturierte Ausgaben, Kontext-Caching, Fine-Tuning und Voice-Cloning sind alle für Qwen Audio 3.1 Realtime aufgeführt; Phonic listet Inline-synchrone Tools, über 50 Sprachen und Sprachwechsel mitten im Gespräch auf.

• Verfügbarkeit — Qwen Audio 3.1 Realtime ist nur als API verfügbar; Phonic 1 bietet Cloud, Single-Tenant, VPC-Peering und Self-Hosting.

Diese beiden Zeilen sind die entscheidenden für die Beschaffung. Die Qwen-Familie liefert normalerweise Gewichte mit; dieses Mitglied nicht, was den Hauptgrund dafür beseitigt, dass ein Team Qwen statt eines gehosteten Anbieters wählt. Phonics Self-Host-Option ist das Spiegelbild – sie ist die einzige Möglichkeit, dass eines dieser beiden Modelle irgendwo anders als in der Cloud von jemand anderem läuft.

Der Benchmark, der nicht derselbe Benchmark ist

Die Zahl 82,0 % erscheint in Alibabas arXiv-Paper zu Qwen-Audio-3.1 und wird dort als Verbesserung gegenüber 78,4 % in der vorherigen Generation dargestellt. Dasselbe Paper stellt ausdrücklich klar, dass es sich um eine Halbduplex-Sprache-zu-Text-Anpassung von τ-Voice handelt und nicht um die Vollduplex-Agentenbewertung, die die Zahlen auf dem öffentlichen Leaderboard erzeugt. Das ist nicht unehrlich – es wird offengelegt –, aber es bedeutet, dass die Zahl eine engere Frage beantwortet: Wie oft schließt das Modell eine Aufgabe in einem transkriptartigen Setup ab?

Die 79,9 % von Phonic 1 beantworten die umfassendere Frage, und die Lücke zwischen den beiden Fragen ist nicht klein. Eine Halbduplex-Anpassung beseitigt die Teile eines agentischen Anrufs, die am schwierigsten richtig umzusetzen sind: Dazwischenreden, gleichzeitiges Sprechen, zu entscheiden, wann das Zuhören beendet werden sollte, und sich wieder zu fangen, wenn der Anrufer mitten im Tool-Aufruf seine Meinung ändert. Jeder dieser Punkte ist eine Stelle, an der ein Modell Aufgaben verliert, die es sonst abschließen würde.

Die Richtung des Fehlers ist daher vorhersagbar, und sie ist der naheliegenden Lesart entgegengesetzt. Qwens 82,0 % sind sehr wahrscheinlich eine optimistische Obergrenze für sein Vollduplex-Verhalten, kein direkter Vergleichssieg gegenüber Phonic mit 79,9 %. Ob es diese Messlatte erreicht, ist unbekannt. Alibaba hat das Modell nicht dem Evaluator vorgelegt, der die 79,9 ermittelt hat.

Was Qwen tatsächlich veröffentlicht – und wo seine eigenen Zahlen gegen es sprechen

Alibabas Veröffentlichung ist ungewöhnlich offen über Schwächen, was sie nützlicher macht als die Schlagzeile zu τ-Voice. Liest man die ganze Tabelle, wirkt das Modell weniger wie ein entscheidender Herausforderer und eher wie ein starkes Echtzeit-System der zweiten Generation mit zwei konkreten Schwachstellen.

• FLEURS-Wortfehlerrate – von 9,01 auf 3,98 gesenkt, eine echte Verbesserung der Erkennungsgenauigkeit über Sprachen hinweg.

• Durchschnitt über 14 Sprachen bei Big Bench Audio — 81,7 % bis 88,1 %.

• Audio MultiChallenge — 47,12 bis 52,21.

• Antwortrate auf Hintergrundsprache bei Full-Duplex-Bench v1.5 — von 73,0 % auf 13,0 % gesunken, was bedeutet, dass das Modell deutlich seltener auf Sprache antwortet, die nicht an es gerichtet war.

• Stopplatenz bei Unterbrechung — 1,116 s, gegenüber 0,383 s bei GPT-Realtime-2. Diese Zahl ist gegen die 0,61 s von Phonic bis zum ersten Audio abzuwägen: Die eine misst, wie schnell ein Modell startet, die andere, wie schnell es stoppt – und ein langsamer Stopp ist das, was Anrufende als „ins Wort fallen“ beschreiben.

• Unerwünschte Wiederaufnahmequote – 0,035 steigt auf 0,130, eine Regression, die die Arbeit gegenüber ihrem eigenen Vorgängermodell berichtet; das Modell beginnt eher wieder zu sprechen, wenn es das nicht sollte.

Diese letzten beiden Zeilen sind die am wenigsten berichteten Fakten bei der Markteinführung von Qwen Audio 3.1. Ein Modell, das 1,116 Sekunden braucht, um den Turn abzugeben, und dann wieder einsetzt, wenn das nicht gewünscht ist, wird sich in einem echten Telefonat schlechter anfühlen, als seine Genauigkeitswerte nahelegen – und genau das ist die Dimension, auf die sich das Marketing von Phonic 1 stützt, mit seiner Behauptung „antwortet, bevor der Anrufer fertig ist“ und seiner Speech-to-Speech-Latenz von unter 600 ms.

Der eine vergleichbare Datenpunkt

Da Qwen Audio 3.1 Realtime keinen Indexwert hat, lässt sich seine Position gegenüber Phonic 1 auf demselben Instrument nur über seinen Vorgänger bestimmen. Qwen Audio 3.0 Realtime Plus erzielte 69,5 auf dem Speech-to-Speech-Index, mit 54,6 % agentischer Leistung, 99 % Sprachschlussfolgerung, 77,8 % Aufgabenerfolg, 798 Arena-Elo und 1,54 s bis zum ersten Audio.

• Agentische Leistung — Phonic 1 79,9 gegenüber Qwen Audio 3.0 Realtime Plus 54,6. Wenn 3.1 die Verbesserung erzielt, die sein eigenes Paper für Aufgaben nahelegt, verringert es diese 25-Punkte-Lücke teilweise; niemand hat gemessen, wie viel davon.

• Arena-Präferenz — Phonic 1: 1.012 vs. 3.0: 798. Dies ist die größte Lücke im Vergleich und die am unwahrscheinlichsten geschlossene, da die Arena-Präferenz ein Maß menschlicher Stimmen ist, das sich zwischen Generationen langsam verändert.

• Zeit bis zum ersten Audio – Phonic 1 0,61 s gegenüber 1,54 s bei 3.0. Qwens Realtime-Tier war hier historisch die langsamere Familie, und 3.1 veröffentlicht keine Angabe zur Zeit bis zum ersten Audio.

• Aufgabenerfolg — Phonic 1 92,3 % gegenüber 77,8 % bei 3.0.

Das Muster über drei Generationen ist beständig: Qwens Echtzeitmodelle waren starke Erkennungsmodelle und schwache Agenten, und 3.1 ist die Generation, die die Agenten-Hälfte beheben soll. Ob ihr das gelungen ist, würde genau die fehlende Indexpunktzahl verraten.

Zwei Preiseinheiten, die sich nicht umrechnen lassen

Qwen Audio 3.1 Realtime rechnet pro Token ab: 0,80 $ für eine Million Text-Eingabe-Token, 6,40 $ für Audio-Eingabe, 6,40 $ für Text-Ausgabe und 24 $ für Audio-Ausgabe in der Region Singapur, wobei die Preise in Peking durchweg etwa 14 % niedriger liegen. Phonic 1 berechnet pauschal 0,07 $ pro Gesprächsminute, ohne Token-Gebühren.

Zwischen diesen Einheiten gibt es keine öffentliche Umrechnung. Um einen Token-Tarif in Kosten pro Minute umzurechnen, braucht man die Audio-Token-Dichte – wie viele Tokens eine Minute Sprache belegt –, und Alibaba veröffentlicht sie für dieses Modell nicht. Wer Ihnen ein Äquivalent pro Minute für Qwen Audio 3.1 nennt, rät entweder bei der Dichte oder entlehnt sie aus einer anderen Modellfamilie mit einem anderen Codec. Die Richtung der Antwort steht außer Zweifel: Qwens Audio-Tarife sind niedrig genug, dass eine gut tokenisierte Minute sehr wahrscheinlich unter sieben Cent liegen wird, und seine Preissenkung um ~85 % im Realtime-Tarif war die Schlagzeile des Launches. Die Größenordnung ist unbekannt, und das Unbekannte ist groß genug, um für ein Deployment mit hohem Volumen von Bedeutung zu sein.

• Audioeingabe — Qwen 6,40 $ / 1 Mio. Tokens (Singapur) gegenüber Phonic 0,07 $ pro Gesprächsminute, wobei zwischen beiden kein veröffentlichter Umrechnungskurs besteht.

• Audioausgabe — Qwen 24 $ / 1 Mio. Tokens; die Minutenpauschale von Phonic deckt die Audioausgabe ab.

• Regionale Preisgestaltung — Qwens Region Peking ist rund 14 % günstiger als Singapur; Phonic veröffentlicht eine einzige globale Preisliste.

Mindestumsätze — Phonic's Pro-Tarif sieht ein monatliches Minimum von 200 $ vor; QwenCloud veröffentlicht Standard-Rate-Limits statt eines Plattform-Mindestumsatzes.

Der Formunterschied ist der Teil, der die fehlende Umrechnung übersteht. Eine Abrechnung nach Token erfasst, wie viel das Modell tatsächlich leistet – lange Transkripte, ausführliche Antworten und Turns mit vielen Tool-Aufrufen kosten alle mehr. Eine Abrechnung nach Minuten erfasst, wie lange die Telefonleitung offen war. Für einen Agenten, der den größten Teil eines Anrufs mit Zuhören verbringt, ist das Token-Modell das freundlichere; für einen Agenten, der ausführlich antwortet, nicht.

Auf welche Frage antwortest du?

Wenn Sie ein Modell auswählen, das Sie in Ihrer eigenen Infrastruktur bereitstellen möchten, ist dieser Vergleich nichts für Sie: Qwen Audio 3.1 Realtime hat keine Gewichte, und Phonic 1 lässt sich selbst hosten, was Phonic hier zur einzigen Option macht, die überhaupt die Cloud des Anbieters verlässt. Das ist eine Antwort in einem Satz, und sie ist im Benchmark-Gerede leicht zu übersehen.

Wenn Sie ein gehostetes Echtzeitmodell nach den Kosten auswählen, ist Qwen Audio 3.1 die interessantere Wette – drastisch günstiger pro Einheit, ein gut dokumentierter Sprung bei der Erkennungsgenauigkeit und ein Anbieter mit einem tiefen Open-Weight-Ökosystem dahinter. Das Risiko besteht darin, dass seine Agenten-Hälfte nicht gemessen ist und sich sein Unterbrechungsverhalten in der eigenen Tabelle des Anbieters verschlechtert hat.

Wenn Sie sich anhand gemessener agentischer Leistung entscheiden, ist Phonic 1 von den beiden das einzige, das Sie tatsächlich einordnen können, denn es ist das einzige, das eingestuft wurde. Das ist eine schwächere Aussage als „Phonic ist besser“, und sie ist die zutreffende.

Und wenn Sie Qwens Textmodelle zusammen mit einer Sprachschicht betreiben, ist diese Hälfte des Stacks bereits routbar – Qwen3.8-Max liegt auf OrcaRouter unter 200+ Modellen mit einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preissenkung seitens Alibaba noch am selben Tag live ist. Der Audio-Endpunkt ist nicht in unserem Katalog, und Phonic 1 auch nicht; beide stammen von ihren jeweiligen Anbietern. Was ein Router Ihnen in einem so jungen Markt bietet, ist die Möglichkeit, einen funktionierenden Sprachpfad beizubehalten, während sich ein neuerer, günstigerer seinen Platz verdient – automatisches Failover bedeutet, dass das Testen von Qwen Audio 3.1 mit Ihrem eigenen Traffic Sie eine Routing-Regel kostet, keine Migration.

Die ehrliche Schlussfolgerung ist, dass dieser Vergleich derzeit auf der Achse, auf der beide Anbieter ihn entschieden sehen wollen, nicht entscheidbar ist. Alibaba hat eine Zahl veröffentlicht, die das eigene Modell schmeichelt, indem sie eine einfachere Aufgabe misst. Phonic hat eine Zahl veröffentlicht, die ordnungsgemäß gemessen wurde, aber auf einem einzigen Board, einer einzigen Konfiguration und einer Woche Verfügbarkeit. Das Erste, worauf man achten sollte, ist keine Preissenkung und kein Benchmark — es ist das Auftauchen von Qwen Audio 3.1 Realtime auf einem Board, das beide Modelle auf dieselbe Weise bewertet. Bis dahin ist die einzige vertretbare Aussage, dass Phonic 1 die bekannte Größe und Qwen Audio 3.1 die günstige Unbekannte ist, was ein vollkommen guter Grund ist, die zweite hinter einer Failover-Regel auszuprobieren statt vor Ihren Kunden.