Phonic 1 vs. Cartesia Sonic 3.6: un minuto a 0,07 $ y una factura de 49 millones de caracteres no son la misma compra

Ponga Phonic 1 y Cartesia Sonic 3.6en una misma página y la tentación es alinear las columnas de precios y darlo por zanjado. Dos cifras de proveedor lo ponen fácil: Phonic cobra $0.07 por un minuto de conversación y Cartesia normaliza a unos $49 por millón de caracteres. Ambas suenan a errores de redondeo comparadas con lo que pagaba en 2025. Pero están facturando objetos distintos. Cartesia Sonic 3.6 es un motor de síntesis de voz en streaming: usted le entrega palabras, él le devuelve una voz, y todo lo que hay antes de esas palabras es problema suyo. Phonic 1 es un modelo de voz a voz que escucha a quien llama, decide qué hacer, invoca herramientas a mitad de frase y responde en voz alta, todo dentro de ese minuto. Uno es un componente de su factura. El otro es la factura entera. Compararlos solo por el precio es como comparar la tarifa de un taxi con un coche.

Eso no hace que el enfrentamiento sea inútil. Lo hace más acotado y más honesto de lo que sugiere el resultado de búsqueda: estos dos compiten por la misma partida en el presupuesto de un agente de voz, y un equipo que construye un agente telefónico tiene que decidir si la capa de voz es un servicio que alquila entero o una pila que ensambla por partes. Cartesia te vende cualquiera de las dos configuraciones — Sonic 3.6 para la mitad de renderizado, Cartesia Line para la mitad ensamblada — y ese segundo producto, no el modelo TTS, es el que realmente está enfrente de Phonic 1.

Lo que realmente es cada uno

Cartesia Sonic 3.6 se lanzó a finales de agosto de 2026, unos tres meses después de Sonic 3.5, y es el motor de renderizado de mayor calidad de la compañía: 44 idiomas en 61 locales, clonación de voz a partir de unos diez segundos de audio y facturación basada en créditos en la que un crédito equivale aproximadamente a un carácter. No tiene capa de razonamiento, ni capa de herramientas, ni noción alguna de conversación. Lo llamas con texto y un ID de voz, recibes audio de vuelta en un flujo continuo, y la lógica de turnos —cuándo escuchar, cuándo interrumpir, qué hacer cuando quien llama dice "en realidad, no"— pertenece al código que escribes.

Phonic 1 se lanzó a finales de octubre de 2026 junto con una ronda Serie A de 27,5 millones de dólares liderada por First Round, y su propuesta tiene la forma opuesta: un único modelo que se hace cargo de todo el turno. La propia lista de funciones del proveedor afirma que se oyen el tono y la vacilación, que las llamadas a herramientas se disparan mientras quien llama todavía está hablando, y que el modelo a veces optará por no responder en absoluto — un comportamiento que no se puede obtener de un endpoint de TTS porque un endpoint de TTS no tiene opinión sobre si hablar es lo adecuado. Cobra un precio único por minuto de conversación y declara explícitamente que no hay un pass-through de LLM separado ni ningún cargo por token.

Un detalle honesto antes de continuar. La cobertura del lanzamiento de Phonic lo describió como extremo a extremo, evitando proveedores separados de reconocimiento de voz, LLM y síntesis de voz. El sitio del propio proveedor describe modelos supervisores para razonamiento e invocación de herramientas, y su configuración de benchmark está etiquetada como Phonic 1 (High), lo que implica un nivel de inteligencia seleccionable. Ambas cosas pueden ser ciertas —un único proveedor puede encargarse de todo el turno mientras sigue ejecutando una capa de razonamiento interna—, pero «extremo a extremo» es una forma abreviada de marketing para «un único contrato», no una prueba de que una sola red hace todo en una única pasada hacia adelante. Si tu revisión de arquitectura depende de esa distinción, pregúntalo directamente al proveedor; el material público no lo resuelve.

Los dos relojes miden cosas diferentes

La latencia es el punto donde esta comparación engaña con más frecuencia, porque ambos proveedores citan una cifra pequeña en milisegundos y ninguna de esas cifras es la que experimenta la persona que te llama.

• Phonic 1 — 0,61 s de tiempo medio hasta el primer audio en la medición de Artificial Analysis, el más rápido entre los cinco mejores modelos de voz a voz probados; el proveedor anuncia menos de 600 ms desde la entrada de voz hasta la salida de voz.

• Cartesia Sonic 3.6 — tiempo hasta el primer audio inferior a 90 ms, según el proveedor y excluyendo explícitamente la red; un benchmark de terceros midió 120 ms p50 desde US East contra el proveedor directamente, y una prueba de llamada real desde Sídney reportó 448 ms de mediana y 604 ms p90 de extremo a extremo.

• Qué significa la diferencia: los 0,61 s de Phonic comienzan en el momento en que llega el audio e incluyen la decisión sobre qué decir. Los 90 ms de Cartesia comienzan cuando el texto ya existe y solo cubren su conversión en sonido. Si añades tu propio reconocimiento de voz y la latencia de tu propio modelo delante de Sonic, las dos cifras convergen; esa aritmética ausente es la razón por la que los números en bruto parecen una ventaja de siete a uno y no lo son.

Artificial Analysis también informa que Phonic 1 está en 0,61 s frente a 1,34 s de GPT-Live-1 y 1,35 s de Gemini 3.8 Live Extended Thinking, que es la comparación para la que la cifra es realmente buena: modelo contra modelo, mismo instrumento. Sonic 3.6 no aparece en absoluto en ese cuadro, porque no es un modelo conversacional.

La factura, elaborada a partir del mismo trabajo.

Toma una llamada entrante de soporte de diez minutos. En la ruta ensamblada con Cartesia Sonic 3.6, pagas por al menos tres cosas: el reconocimiento del audio de la persona que llama, un modelo para decidir la respuesta y la renderización de esa respuesta. La parte de Sonic es la más pequeña y predecible de las tres: alrededor de $0,28 a $0,49 por minuto de audio generado según el plan, y en la práctica es notablemente menor que eso, porque un agente no habla durante los diez minutos completos. La parte impredecible es el modelo intermedio, y es la que varía en un orden de magnitud según si enrutas un modelo pequeño para el 80 % de turnos fáciles o envías todo a un modelo de vanguardia.

Esa pata intermedia es donde el enrutamiento se gana su sitio en lugar de ser un complemento añadido. En OrcaRouter, el modelo de razonamiento que hay detrás de tu agente está en una sola clave y abarca más de 200 modelos con un 0% de recargo sobre el precio de lista del proveedor, así que cualquier bajada de precio de cualquier proveedor está activa el mismo día en lugar de esperar a una modificación del contrato, y una regla de enrutamiento puede mantener baratos los turnos baratos mientras escala solo los difíciles. La conmutación por error automática cubre el caso que de verdad rompe a los agentes de voz en producción: el proveedor del modelo falla a mitad de llamada y quien llama solo oye silencio.

En la ruta Phonic 1, la aritmética se reduce a una sola línea. Diez minutos cuestan $0.70 a la tarifa inicial de $0.07, o $0.65 a la tarifa Pro, que conlleva un mínimo mensual de $200. Ese es todo el costo de la capa del modelo —sin tokens por separado, sin factura separada por razonamiento— y es el argumento más sólido a favor de Phonic, porque una tarifa plana por minuto es una cifra que un equipo financiero puede pronosticar sin un modelo de uso.

Lee con atención esos dos totales antes de declarar un ganador. El suelo de la ruta ensamblada es más bajo —un modelo intermedio barato más el renderizado de Sonic puede superar cómodamente los $0,07 por minuto— y su techo es mucho más alto, porque un modelo de frontera en cada turno lo deja atrás con holgura. La tarifa plana de Phonic 1 es una apuesta a que la economía del proveedor se mantenga a medida que cambia tu mezcla de llamadas fáciles y difíciles. Eso es algo genuinamente útil que comprar, y también es algo que compras confiando.

Dónde Cartesia Sonic 3.6 gana sin discusión

Si la pregunta es «cuál de estos suena mejor», Cartesia no se acerca, y ningún puntaje de benchmark agéntico lo cambia. Sonic 3.6 se colocó en lo más alto de ambas arenas de voz de Artificial Analysis en el momento de su lanzamiento — un Elo de Voz de Proveedor de alrededor de 1.282–1.283 y una puntuación de Voz Controlada cercana a 1.123 — que son mediciones de preferencia sobre audio renderizado, exactamente para lo que sirve un motor TTS.

La superficie de control también es más profunda. Clonación de voz a partir de diez segundos, 44 idiomas en 61 configuraciones regionales con selección a nivel de configuración regional, cinco niveles de plan publicados, desde un sandbox gratuito de 20K créditos hasta un plan Scale de $299 con quince solicitudes simultáneas, y voces clonadas facturadas a 1,5x. Si tu producto es narración, doblaje, prompts de IVR o un asistente cuyas respuestas están guionizadas y cuya voz es la marca, Sonic 3.6 es una mejor herramienta que Phonic 1 y la comparación debería terminar ahí.

También hay una estructura de costos que vale la pena mencionar: el modelo de créditos de Cartesia implica que pagas por los caracteres que generas, así que una llamada en la que el agente dice cuatro palabras cuesta cuatro palabras. Un modelo por minuto cobra por el minuto completo, sin importar qué. En interacciones cortas y de alto volumen —confirmaciones de citas, notificaciones de entrega, una verificación de dos turnos—, el modelo de caracteres es estructuralmente más barato.

Donde Phonic 1 gana sin discusión

Las llamadas a herramientas que comienzan antes de que quien llama deje de hablar son la única capacidad en esta comparación que Cartesia Sonic 3.6 simplemente no tiene, porque el llamado a herramientas no es una propiedad que un renderizador pueda poseer. En un flujo de reserva en el que quien llama dice «Necesito el jueves, no, espera, el viernes por la tarde», la ruta ensamblada tiene que esperar la detección de fin de turno, ejecutar el reconocimiento, ejecutar el modelo, ejecutar la herramienta y luego renderizar: cuatro traspasos en serie frente al único que Phonic afirma tener. La propia comparación de demostración de Phonic —una respuesta 1,1 segundos después de que quien llama se detuvo, frente a 15,7 segundos de GPT-Live de OpenAI— es una demostración de proveedor y debe interpretarse como tal. Pero el punto estructural sobrevive a la salvedad: menos traspasos son menos lugares donde perder un segundo.

• Idiomas — Phonic 1 admite más de 50, con cambio a mitad de la conversación que conserva la misma voz; Cartesia Sonic 3.6 abarca 44 idiomas en 61 locales, solo para renderizado.

• Facturación — Phonic 1 tiene un precio único por minuto de conversación, sin repercutir costos de LLM; Cartesia Sonic 3.6 cobra por carácter/crédito, y el resto del stack se factura por separado.

• Capacidad agéntica — Phonic 1 obtiene 79,9 % en el componente agéntico del índice de voz a voz de Artificial Analysis, la puntuación más alta registrada allí; Sonic 3.6 no tiene puntuación agéntica porque no tiene agente.

• Calidad de voz — Cartesia Sonic 3.6 lidera ambas arenas de voz de Artificial Analysis en audio renderizado; la puntuación de preferencia en la arena de Phonic 1 es 1,012, octava de treinta.

• Implementación: Phonic 1 ofrece opciones en la nube, de inquilino único, VPC peering y autoalojamiento, con disponibilidad declarada de SOC 2 Type II y BAA de HIPAA; Sonic 3.6 es una API alojada.

La comparación que Cartesia realmente querría que hicieras

La verdadera respuesta de Cartesia a Phonic 1 es Cartesia Line, su producto de agentes de voz, que la empresa cotiza a unos 0,06 dólares por minuto y que aparece en Artificial Analysis como un pipeline de proveedor en lugar de un modelo puntuado; la combinación que lo sustenta recurre a Ink, Gemini 2.5 Flash y Sonic a la vez. Eso te dice dos cosas a la vez. La tarifa anunciada queda un centavo por debajo de Phonic 1, y la tarifa es incompleta justo en el sentido en que el marketing de Phonic acusa de incompletos a los stacks ensamblados: el tramo de Gemini 2.5 Flash factura sus propios tokens aparte.

Así que la comparación honesta cara a cara no es $0.07 frente a $0.06. Es un $0.07 fijo, todo incluido, frente a una tarifa de plataforma de $0.06 más una factura por modelos que tú controlas. Para un equipo que ya enruta sus propios modelos y quiere seguir haciéndolo, esa estructura es una ventaja. Para un equipo que quiere un número, no una hoja de cálculo, es la razón por la que existe Phonic 1.

Quién debería actuar, y quién debería esperar

Compra Cartesia Sonic 3.6 si la voz es el producto. Narración, asistentes de marca, doblaje, cualquier cosa en la que un humano juzgue el audio y nadie juzgue las llamadas a herramientas. El liderazgo en la arena es real, la clonación es rápida y la escalera de planes significa que puedes empezar gratis.

Compra Phonic 1 si la llamada tiene que hacer algo — reservar, verificar, reembolsar, escalar — y si un presupuesto de ingeniería de cinco cifras para código de pegamento es peor que una tarifa plana por minuto. Además, en el momento de escribir esto, tiene aproximadamente una semana en una API pública con una junta independiente que lo respalda y sin datos de fiabilidad a largo plazo; la forma sensata de adoptarlo es junto a tu ruta actual, no en lugar de ella.

Y si estás montando en lugar de alquilar, la decisión que realmente mueve tu factura no es Sonic frente a Phonic. Es qué modelo responde a los turnos sencillos. Ese tramo es el que se ejecuta en OrcaRouter hoy — una clave, más de 200 modelos, precio de lista pasado tal cual, con conmutación por error cuando un proveedor se cae — mientras que ni Phonic 1 ni Cartesia Sonic 3.6 están en nuestro catálogo, y cada uno debe contratarse con su propio proveedor.

La compra que parece una comparación de precios es en realidad una pregunta sobre cuánto del turno quieres poseer. Sonic 3.6 te permite poseerlo todo y te da el componente con mejor sonido sobre el que construir. Phonic 1 te lo quita de las manos y cobra una tarifa plana por ese privilegio. Ninguna de las dos está mal. Solo están mal cuando se compran por la razón de la otra.