Phonic 1 debuta en el n.º 1 del Speech Index. El margen de 0,2 puntos oculta la verdadera ventaja.

Phonic 1 es ahora el modelo de voz a voz mejor clasificado en el Speech to Speech Index de Artificial Analysis con 87,1, una carrera por una décima de punto que ganó al superar por poco a xAI Grok Voice 3.0 con 86,9. Un margen de 0,2 puntos normalmente sería ruido, y en este índice casi lo es: los dos modelos no ganan las mismas pruebas, así que el empate en la puntuación compuesta oculta una brecha mucho mayor por debajo. En el benchmark de tareas agénticas que aporta una cuarta parte de esa puntuación, Phonic 1 alcanza el 79,9% frente al 74,5% de la mejor configuración de OpenAI.

Phonic, una escisión de unas diez personas de investigadores del MIT y Stanford, presentó el modelo el 29 de octubre de 2026 junto con una ronda Serie A de 27,5 millones de dólares liderada por First Round, lo que elevó su financiación total a 31,5 millones de dólares. La empresa escribe el modelo Phonic-1 en su propia publicación de lanzamiento y documentación; Artificial Analysis lo lista como Phonic 1 (High), donde el paréntesis es un ajuste de API y no un nombre de producto. Ambas grafías apuntan al mismo endpoint y al mismo precio de lista de 0,07 dólares por minuto.

Qué es Phonic-1, en los propios términos del proveedor

Es un modelo de voz de extremo a extremo, no una cascada de transcribir, luego pensar y luego hablar. Entra audio, sale audio, y el argumento que Phonic esgrime a favor de la arquitectura es que una transcripción es una copia con pérdida de una conversación: el tono, las vacilaciones y los solapamientos se descartan antes de que el modelo de lenguaje llegue a verlos. Ese argumento lo ha esgrimido todo proveedor de voz a voz desde 2024; lo que Phonic vende en realidad es un truco de planificación sobre esa base.

Ese truco es llamar a herramientas durante el turno del interlocutor. En lugar de esperar a que el interlocutor termine antes de iniciar una búsqueda, el modelo lanza llamadas a herramientas mientras aún llega el habla, de modo que los resultados estén listos cuando el interlocutor cede el turno. En la demostración que publicó Phonic, el modelo llamó a las cinco herramientas a mitad de frase y respondió 1,1 segundos después de que el interlocutor se detuviera; sitúa a GPT-Live-1 de OpenAI en 15,7 segundos con el mismo guion. Esa comparación es una demostración de proveedor sobre una tarea seleccionada por el proveedor, no un benchmark medido, y conviene leerla como una ilustración del diseño, no como un resultado comparativo directo.

La superficie de API publicada es más concreta que la mayoría de las publicaciones de lanzamiento:

• IDs de modelo — phonic-1, y phonic-0.5 sigue aceptándose como la generación anterior. Si se omite el campo, se toma el valor predeterminado actual.

• Inteligencia: un enum intelligence_level, standard por defecto, high cuando quieres el modelo más capaz para razonamiento complejo. La documentación describe standard como la configuración optimizada para una menor latencia, lo que significa que la configuración que todos los benchmarks han evaluado hasta ahora no es la que obtiene por defecto un despliegue sensible a la latencia.

• Idiomas — 51, enumerados con códigos ISO hasta filipino (fil) y cantonés (yue), con cambio de idioma a mitad de conversación que mantiene la misma identidad del hablante.

• Latencia — Phonic afirma una latencia de menos de 600 ms de entrada de voz a salida de voz. Artificial Analysis midió 0,61 s hasta el primer audio con su propio banco de pruebas, lo que concuerda con la afirmación sin ser la misma medición.

• Despliegue: API alojada, SDKs de TypeScript y Python, una CLI y un generador de agentes sin código, además de opciones autoalojadas y de VPC en el nivel empresarial, con SOC 2 Type II, un BAA de HIPAA, retención de datos cero y un SLA de disponibilidad del 99,9 % en la página.

El índice, fila por fila

El Speech to Speech Index es un compuesto de cuatro resultados ponderados por igual: Big Bench Audio para el razonamiento sobre voz, τ-Voice para el comportamiento agéntico en atención al cliente, una arena de preferencias humanas y una tasa de éxito en tareas. Un modelo necesita los cuatro para poder obtener puntuación, y por eso StepAudio 3 Realtime aparece en la tabla de razonamiento sin un número compuesto: sus columnas de comportamiento agéntico, arena y tasa de éxito en tareas están vacías.

Los cuatro componentes de Phonic 1, según Artificial Analysis:

• Índice de voz a voz — 87,1, en primer lugar, por delante de Grok Voice 3.0 con 86,9, GPT-Live-1 (Astra, medium) con 83,2, Grok Voice 2.0 con 81,3 y GPT-Live-1 (Sol, low) con 80,1.

• τ-Voice — 79,9 %, en primer lugar, 5,4 puntos por delante de GPT-Live-1 (Astra, medium) con 74,5 %.

• Big Bench Audio — 98.9%, en tercer lugar, por detrás de StepAudio 3 Realtime con 99.7% y Qwen Audio 3.0 Realtime Plus con 99.2%.

• Speech Agent Arena — octavo de 30 en preferencia con Elo 1012, cuarto en éxito de tareas con 92,3%.

Lee esas cuatro filas en orden y el compuesto deja de parecer un empate. Phonic 1 gana el benchmark agéntico de forma absoluta y queda tercero en razonamiento, pero es octavo en la voz que los humanos realmente prefieren y cuarto en éxito bruto en tareas: un modelo que es mediblemente mejor ejecutor de herramientas y no el conversador favorito del público. Esa es la misma historia estructural que encontramos en el 86.9 de Grok Voice 3.0 hace dos semanas, desde el lado opuesto: xAI dominó la arena y perdió la columna agéntica, y Phonic mantiene la columna agéntica mientras cede la arena.

Dos relojes, dos ganadores

La latencia es el punto en el que la cobertura se vuelve imprecisa, porque dos instrumentos respetables discrepan sobre quién es el más rápido y ninguno de los dos se equivoca.

Artificial Analysis mide el tiempo hasta el primer audio — cuánto transcurre desde el final del turno de la persona que llama hasta que comienza el audio. Según esa medición, Phonic 1 es el más rápido de los cinco primeros del índice:

• Tiempo hasta el primer audio — Phonic 1 0,61 s; Grok Voice 3.0 0,81 s; GPT-Live-1 (Sol, low) 1,24 s; GPT-Live-1 (Astra, medium) 1,34 s; Qwen Audio 3.0 Realtime Plus 1,54 s; StepAudio 3 Realtime 8,83 s.

Cekura, una empresa de evaluación de agentes de voz que ejecuta modelos dentro de un entorno real de telefonía por WebRTC, mide el tiempo de respuesta mediano a lo largo de llamadas completas. Según esa métrica, Grok Voice 3.0 es el más rápido del sector con 1,34 s y Phonic 1 es 1,63 s — el tercero más rápido, una centésima por detrás de Grok Voice Think Fast 2.0 con 1,62 s, y no el primero. Ambas cifras describen algo real. El tiempo hasta el primer audio es la rapidez con la que el modelo se compromete a hablar; el tiempo de respuesta mediano es cuánto espera realmente quien llama para recibir la respuesta en 82 escenarios, incluidos los que hacen un uso intensivo de herramientas, donde el enfoque de Phonic recupera exactamente los segundos que una medición del primer audio no puede ver.

Si estás redactando un memorándum de compras, la frase que debes evitar es «el modelo de voz a voz más rápido», y punto. La versión defendible es «el más rápido hasta el primer audio en Artificial Analysis; la tercera respuesta mediana más rápida en el banco de pruebas de llamadas en vivo de Cekura».

El panel de llamadas en vivo plantea una pregunta más difícil

El leaderboard de voz a voz de Cekura es una prueba sustancialmente más difícil que cualquiera de los cuatro componentes del índice: 82 escenarios —59 llamadas de reserva en clínica y 23 llamadas de admisión de Medicare—, cada uno ejecutado tres veces dentro del mismo agente Pipecat de código abierto, con el mismo prompt y las mismas herramientas, puntuado como pass al cubo, lo que significa que un escenario solo cuenta si las tres ejecuciones tienen éxito y todos los campos se registran correctamente.

A partir de su actualización del 22 de octubre de 2026, con Phonic 1 configurado en inteligencia alta bajo el ID de modelo phonic_v1, esa tabla también coloca a Phonic 1 en primer lugar:

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

• Precisión de los datos — Phonic 1 97,5%; GPT Realtime 2.1 92,0%; Grok Voice 3.0 87,3%.

• Llamadas en las que el agente se quedó en silencio: Phonic 1 0,0 %; Grok Voice 3.0 0,0 %; GPT Realtime 2.1 3,3 %.

• Éxito de llamadas de Medicare — Phonic 1 88,4%; GPT Realtime 2.1 81,2%; Grok Voice 3.0 58,0%; GPT-Live 1 con Sol 49,3%.

El desglose de Medicare es la línea más interesante de todo el lanzamiento. Las largas llamadas de admisión en las que hay que rellenar formularios son justo donde se supone que los modelos de extremo a extremo se hunden, y Phonic 1 se mantiene en el 88,4 % mientras que Grok Voice 3.0 cae a la mitad, hasta el 58,0 %. El propio informe de Cekura sigue registrando un modo de fallo que conviene conocer: el agente cuelga sin dar acuse de recibo a un usuario que dice que volverá a llamar más tarde, y en ocasiones escribe mal una nota de transferencia de Medicare o un detalle de enrutamiento. Con un 90,2 % en pass-cubed, 74 de esos 82 escenarios se superan en todas las ejecuciones y ocho no: es un resultado sólido para un modelo que apenas tiene un día de vida, no para uno acabado.

Dos notas de etiquetado antes de que alguien cite estas cifras. El panel de Cekura incluye una fecha de última actualización y ha cambiado entre ejecuciones, así que una captura de pantalla de este no es una cita; cite el número en vivo con la fecha adjunta. Y Cekura registra un costo de $0.060 por minuto para Phonic 1 frente a una tarifa Starter publicada de $0.070 — una cifra medida de un solo banco de pruebas, no la lista de precios, y no es algo que deba restarse de nada.

Los benchmarks del proveedor, conservados en su propia caja

El anuncio de lanzamiento de Phonic incluye tres resultados propios, y merece la pena conocerlos precisamente porque no son las cifras anteriores. En la variante multilingüe full-duplex τ³-Voice de Sierra, la empresa reporta Phonic-1 con 83,2 frente a GPT-Live-1 con 79,9 y Gemini 3.8 Live con 68,5. Nótese la colisión: 79,9 es la puntuación de Phonic en τ-Voice de Artificial Analysis y también la puntuación de GPT-Live-1 en la propia ejecución de τ³-Voice de Phonic. Los mismos dígitos, filas distintas, variantes de benchmark distintas: nunca mueva una cifra de una columna a la otra.

Las otras dos son pruebas ciegas con personas realizadas por Podonos, un servicio independiente de pruebas de escucha. Phonic-1 fue preferido frente a GPT-Live-1 por 61,5% frente a 32,0%, frente a Grok Voice 3 por 66,5% frente a 26,5%, y frente a Eleven v4 Turbo por 78,0% frente a 14,0%. El resultado que Phonic destaca es justamente el que pierde: los actores de voz humanos fueron preferidos frente a Phonic-1 por 57,0% frente a 32,0%. Los cuatro están encargados y reportados por el proveedor; ninguno ha sido replicado de forma independiente.

Cuánto cuesta un mes de eso

El precio es un único número por minuto, sin cargos por token ni un traspaso de costes de LLM por separado, lo cual es inusual en una categoría donde el "modelo de voz" suele ser una capa fina sobre tres servicios facturados. Los niveles:

• Starter — $0.07 por minuto, sin mínimo, 10 llamadas simultáneas, 10 agentes, 3 asientos de espacio de trabajo.

• Pro — 0,065 $ por minuto frente a un mínimo mensual de 200 $, que la página de precios equipara a aproximadamente 3.100 minutos, con 50 llamadas simultáneas, 50 agentes y 30 asientos.

• Enterprise — personalizado, con descuentos por volumen, implementación en VPC o en instalaciones propias, DPA, SLA y BAA de HIPAA.

Las inscripciones antes del 30 de noviembre reciben $250 en créditos. Haz los cálculos para un mes de 10.000 minutos y los precios de lista de los rivales más cercanos quedarán claros rápidamente por sí solos:

• 10,000 minutos — Phonic 1 Starter $700; Grok Voice 3.0 $800 a $0.08/minuto; GPT-Live-1 (Sol, bajo) $750 a $0.075; GPT-Live-1 (Astra, medio) $970 a $0.097.

• Mismos 10.000 minutos en Pro — $650, pero solo por encima de unos 3.100 minutos el mínimo de $200 deja de ser la restricción vinculante.

El número que no cabe en una hoja de precios es la concurrencia. Diez llamadas simultáneas en Starter es un techo real para cualquier cosa que se parezca a una cola de soporte, y es la razón por la que el salto a Pro vale 50 dólares al mes en volumen: el cambio de nivel compra 50 llamadas concurrentes mucho más de lo que compra el medio centavo. El propio blog de ingeniería de Phonic sostiene que los límites de concurrencia son el impuesto oculto en la IA de voz, lo cual es un planteamiento honesto por parte de quien los establece.

Dónde se ejecuta y qué puede y no puede hacer el enrutamiento aquí

Phonic 1 no está en el catálogo de OrcaRouter, y este artículo no pretenderá lo contrario: hoy se llega a él a través de la propia API de Phonic, sus SDKs, la CLI o el constructor sin código, y en ningún otro sitio. Esa es también la debilidad estructural honesta de comprar un modelo de voz de extremo a extremo en lugar de una cascada: un único proveedor, un único endpoint y ningún segundo proveedor al que conmutar por error cuando el websocket se cae a mitad de la llamada.

Lo que el enrutamiento sí cubre es la alternativa. Un pipeline transcribir-pensar-hablar es la base sobre la que el propio ranking de Cekura sigue superando a los modelos de extremo a extremo, y su etapa intermedia es inferencia de texto ordinaria — que es exactamente la capa donde una API para más de 200 modelos con 0% de margen aplica. El tramo de transcripción y el tramo de razonamiento pueden estar detrás de una única clave, y el DSL de enrutamiento puede enviar las llamadas económicas de toma de turnos y las llamadas costosas de razonamiento de políticas a modelos diferentes en la misma llamada, sin un segundo contrato para cada proveedor de la pila. El precio de lista del proveedor se transfiere sin cambios, por lo que una reducción del precio de un proveedor llega a ese tramo el mismo día en que se anuncia, y no en la próxima renovación del contrato.

Vale la pena decir claramente la disyuntiva, porque los cuadros de resultados anteriores no la valoran. La opción de extremo a extremo gana en gestión de turnos, interrupciones y llamadas a herramientas a mitad de intervención; una cascada gana en la posibilidad de cambiar cualquier componente, y en que la línea base en cascada de Cekura sigue superando a todos los modelos en tiempo real que probó en fiabilidad pass-cubed. Si eso suena a una razón para quedarse con una cascada, en parte lo es. La razón para cambiar es la columna de Medicare: 88,4% frente a 58,0% es el tipo de diferencia que decide si una llamada larga de admisión llega a completarse.

Lo que nadie ha medido todavía

Antes de que alguien reescriba un prompt de producción en torno a un 87,1, merece la pena nombrar tres lagunas.

• La configuración medida no es la predeterminada. Cada puntuación aquí — el 87,1 de Artificial Analysis, el 90,2 % de Cekura — se obtuvo con el ajuste de alta inteligencia. La API usa de forma predeterminada el modo estándar, documentado como el modo de menor latencia. Nadie ha publicado las cifras correspondientes al ajuste estándar, por lo que las cifras de latencia anteriores no describen lo que experimenta una integración sin configurar.

• El comportamiento en canales ruidosos no ha sido probado por el índice. Cekura informa que Grok Voice 3.0 aprueba todas las llamadas con ruido de fondo y fallos de audio; no dice nada comparable sobre Phonic 1, y Big Bench Audio se ejecuta con audio limpio.

• La estabilidad en sesiones largas es una demostración, no una medición. La llamada de 44 minutos de Phonic con 123 llamadas a herramientas en inglés y portugués es la evidencia de largo horizonte más concreta publicada, y se trata de una sola llamada que el proveedor eligió mostrar.

El resumen defendible tras un día: Phonic 1 es el modelo agéntico de voz a voz más potente en los dos instrumentos independientes que lo han evaluado; no es el más rápido, según qué reloj se mire, y su $0.07/minute hace que el liderazgo agéntico sea lo bastante barato como para probarlo en vez de discutirlo.