Phonic 1 vs ElevenLabs: Lo que un proveedor tiene que pagarte para que te vayas te dice mucho sobre la contienda

El dato más revelador en la Phonic 1 frente a ElevenLabs no es un benchmark. Es un descuento. La oferta de lanzamiento de Phonic, según lo informado a finales de octubre de 2026, incluye tres meses gratis para los equipos que se pasen desde ElevenLabs o Bland, más $250 en créditos para cualquiera que se registre antes del 30 de noviembre. Nadie subvenciona una migración contra un proveedor al que espera superar en producto. La subvencionan contra un proveedor cuyos clientes están atrapados por algo distinto del modelo.

Ese algo es justamente la esencia de ElevenLabs: una biblioteca de voces con más de 17.000 voces, más de 90 idiomas, una línea de texto a voz que sigue siendo la referencia para el audio renderizado y una plataforma de agentes construida a su alrededor. Phonic 1 es un modelo con una única factura. ElevenLabs es una empresa dentro de la cual has construido tu producto. La comparación solo tiene sentido si tienes presentes esas dos formas, porque en una tabla comparativa la respuesta es clara y en una decisión de adquisición no lo es.

Eleven Realtime v1 Max es el modelo, y es más nuevo de lo que crees.

La entrada de ElevenLabs en voz a voz es Eleven Realtime v1 Max, anunciado el 20 de octubre de 2026 en un lanzamiento por etapas junto a un v1 Mini más pequeño. Eso es diez días antes de la cobertura del lanzamiento de Phonic 1: no se trata de un incumbente maduro al que desafía un recién llegado. Son dos modelos que apenas se conocían entre sí cuando se lanzaron.

• Eleven Realtime v1 Max — índice de voz a voz 77,3, razonamiento 99, dinámica conversacional 94,1, capacidad agéntica 47,6, preferencia en arena 990, éxito en tareas 87,1 %, tiempo hasta el primer audio 0,57 s.

• Phonic 1 (High) — índice de voz a voz 87.1, razonamiento 99, dinámica conversacional no reportada, agéntico 79.9, preferencia de Arena 1,012, éxito en tareas 92.3%, tiempo hasta el primer audio 0.61s.

• Eleven Realtime v1 Mini — índice de voz a voz 64,4, razonamiento 76, dinámica 95,8, agéntico 46,8, arena 981, éxito en tareas 60,3 %, tiempo hasta el primer audio 0,62 s.

Todas las cifras anteriores son de Artificial Analysis, no de ninguno de los dos proveedores. Conviene tener en cuenta lo que la comparación dice y lo que no dice. Phonic gana el índice compuesto por 9,8 puntos y el componente agéntico por 32,3 — una diferencia tan grande que es el único número de esta comparación que debería cambiar una arquitectura. Gana en preferencia de la arena por 22 puntos en una escala en la que una diferencia de 22 puntos de Elo es real pero no decisiva. Gana en éxito de tareas por 5,2 puntos. En latencia pierde, por poco, con 0,61 s frente a 0,57 s, y ambas están por debajo del umbral de un segundo que importa para una llamada telefónica.

La brecha que realmente debería influir en tu decisión

El rendimiento agéntico, 79,9 % frente a 47,6 %, es la cifra con la que hay que quedarse. Mide si el modelo puede completar una tarea que exige invocar herramientas y actuar sobre el resultado, y no solo si puede mantener una conversación, y es el único punto en el que un laboratorio más pequeño y más reciente ha superado a una empresa con 17.000 voces y una década de superficie de producto. Si el trabajo de su agente consiste en buscar algo, reservar algo o cambiar algo mientras quien llama espera, esta es la cifra que predice si su tasa de finalización sobrevive al contacto con usuarios reales.

La puntuación de 94,1 de ElevenLabs en dinámica conversacional frente a la no reportada de Phonic es el hueco honesto en el marcador de Phonic, y la propia estructura de Artificial Analysis explica por qué no aparece en el índice principal. El compuesto es una media ponderada de cuatro componentes —razonamiento del habla, rendimiento agéntico, preferencia en la arena y tasa de éxito en tareas— y la dinámica conversacional se reporta junto al índice sin ser una de sus entradas. Así que la cifra ausente de dinámica de Phonic no le cuesta nada en el 87,1 y te dice algo que el índice no puede: nadie ha medido todavía qué tan bien el modelo sostiene una conversación larga, desordenada y con interrupciones propias. Hasta que se complete esa columna, las afirmaciones de que Phonic también suena más natural que ElevenLabs no tienen respaldo en ninguno de los dos sentidos.

Lo que el cambio realmente te cuesta, en cosas que no son el modelo

El precio es el argumento con el que Phonic lidera, y en la tarifa anunciada tiene razón. El nivel inicial de Phonic cuesta $0.07 por minuto de conversación, sin repercutir el costo de los tokens. Eleven Realtime v1 Max cuesta $0.080 por minuto de audio conectado más tokens del modelo a $1.80 por millón de entrada y $9.00 por millón de salida — y por encima de tu límite de concurrencia, la tarifa se dispara a $0.160. La tarifa por minuto es la mitad visible.

• Tarifa destacada — Phonic 1 $0.07/min (nivel Pro $0.065 con un mínimo mensual de $200) frente a Eleven Realtime v1 Max $0.080/min.

• Qué no incluye la tarifa — Phonic 1 indica que no hay cargos por token ni por LLM; Eleven Realtime v1 Max factura los tokens del modelo además de la tarifa por minuto, y el tráfico en ráfaga a doble tarifa.

• Inventario de voces — ElevenLabs ofrece más de 17.000 voces y más de 90 idiomas; Phonic 1 afirma tener más de 50 idiomas con cambio a mitad de conversación que conserva la misma voz.

• Implementación — Phonic 1 ofrece nube, inquilino único, interconexión de VPC y autohospedaje; ElevenLabs es una plataforma alojada, y sus propias notas de versión señalaron que los modelos en tiempo real no estaban disponibles en algunos entornos de residencia de datos en el lanzamiento.

• Estructura de la API — Eleven Realtime v1 Max es compatible con OpenAI-Realtime sobre WebSocket, sin WebRTC en el lanzamiento; Phonic 1 ejecuta un endpoint WebSocket con PCM a 24kHz en ambas direcciones con declaraciones de herramientas en línea.

Tres meses gratis es una cifra real, y también es un error de redondeo en comparación con el coste de la migración. La identidad de la voz es el elemento que no aparece en ninguna página de comparación. Si tu agente de producción habla con una voz de marca clonada, esa voz reside en la biblioteca de ElevenLabs bajo los términos de ElevenLabs; Phonic ofrece clonación, pero una voz clonada no es un archivo portátil y volver a clonarla produce una voz diferente, no la misma. Los equipos que han construido una marca en torno a un timbre específico deberían incluir ese coste antes de fijar la tarifa por minuto.

Hay un segundo problema de portabilidad, más silencioso. Un agente de ElevenLabs es una pila tecnológica: la voz, el prompt, las herramientas, el flujo de conversación. Cambiar de modelo implica reconstruir el flujo, y las definiciones de herramientas no vienen con él. Ese pegamento es donde suele fracasar una migración, y también es la capa que conviene tener tú mismo en lugar de alquilarla a un solo proveedor. La parte de razonamiento y llamada de herramientas de un agente es la que hoy se ejecuta en OrcaRouter — una sola clave para más de 200 modelos a precio de lista y sin recargo, una regla de enrutamiento que mantiene económicos los turnos económicos, y conmutación automática por fallo para que un fallo momentáneo de un proveedor no se convierta en silencio en una llamada en vivo. Ni Phonic 1 ni Eleven Realtime v1 Max están en nuestro catálogo; cada uno sigue procediendo de su propio proveedor. La diferencia está en lo que conservas al irte.

Dónde ElevenLabs sigue siendo la opción correcta

La línea TTS de ElevenLabs sigue siendo la opción predeterminada mejor argumentada para todo lo que no sea un agente en vivo. Su modelo de voz Eleven v4 se sitúa en torno a 1.157 Elo en la arena de voces controladas de Artificial Analysis, a unos 80 $ por millón de caracteres, y Eleven v3 a 100 $ por millón de caracteres —ambos muy por encima de los 49 $ normalizados de Cartesia Sonic 3.6, y ambos lo justifican para narración, audiolibros, doblaje y anuncios de marca donde el audio es el producto.

Si tu caso de uso es «leer este texto de forma hermosa con la voz de nuestra marca», la comparación entre ElevenLabs y Phonic 1 no resulta competitiva. Phonic no vende un motor de narración general; vende un agente conversacional. Comprar un modelo de voz a voz para dar voz a texto guionizado es pagar por un razonamiento que nunca usarás y obtener una calidad de voz que no ha sido puntuada de forma independiente por encima de la de ElevenLabs en la arena que mide exactamente eso.

También está el asunto de la amplitud y la madurez. Más de 90 idiomas frente a más de 50, más de 17.000 voces frente a un conjunto curado, y una plataforma con un producto de agente, un SDK y un changelog que tu equipo ya lee. Eso es algo que un modelo de la semana de lanzamiento no ha tenido tiempo de acumular.

Para quién es realmente el descuento

La oferta para cambiar de proveedor tiene sentido para un comprador muy concreto: un equipo cuyo agente realiza trabajo transaccional real, cuya identidad de voz es genérica o es suya para volver a clonar, y cuyo stack actual es ElevenAgents de principio a fin. Para ese equipo, la brecha agéntica es un problema de producto, los tres meses gratis son una cobertura real frente a una migración que podría fracasar, y la factura plana por minuto elimina un ejercicio de modelización que su equipo financiero venía realizando mensualmente.

Todos los demás deberían esperar y observar qué publica Phonic a continuación. Dos cosas resolverían esto: una puntuación de dinámica conversacional en el mismo ranking, para que el cuarto componente del índice deje de ser una suposición, y una medición independiente de la afirmación del proveedor sobre llamadas a herramientas mientras se habla fuera de una demostración. Ninguna de las dos existe todavía. Un modelo que tiene una semana de vida, que solo cuenta con un ranking en su haber y que nunca ha pasado por un Black Friday no es algo sobre lo que migrar una línea de ingresos, pero es exactamente el tipo de cosa que poner detrás de una ruta de conmutación por error y medir frente a tu propio tráfico durante un mes.

El resumen honesto es asimétrico. Phonic 1 es mejor en lo que es más difícil de construir y más fácil de medir: terminar una tarea agéntica. ElevenLabs es mejor en todo lo que lo rodea y más difícil de medir: la identidad de voz, la cobertura de idiomas y un producto que tu equipo ya conoce. Los tres meses gratis no son un veredicto sobre ninguno de los dos. Es la admisión de un proveedor de que las cosas que los rodean son lo que retiene a los clientes, y una apuesta a que suficientes de ellas pueden reconstruirse en noventa días.