Phonic 1 vs GPT Live 1: la demo de 1,1 segundos, la pegatina de 5 centavos y la factura que nadie mide

El dato más repetido sobre Phonic 1 es una comparación de demostración: en la propia prueba de Phonic, su agente respondió 1,1 segundos después de que la persona que llama dejara de hablar, frente a los 15,7 segundos de GPT Live 1 de OpenAI. Es una cifra espectacular, está realizada por el proveedor y es lo menos útil de esta comparación. Lo más útil es casi lo contrario: un precio de etiqueta de cinco centavos por minuto en GPT Live 1 que parece superar los siete de Phonic, justo hasta que se añade el segundo medidor que OpenAI le adjunta. Entre esos dos datos está la comparación que realmente importa, y tiene una respuesta clara: en el panel de voz a voz de Artificial Analysis, Phonic 1 (High) obtiene 87,1 y GPT-Live-1 en su configuración Astra-medium obtiene 83,2, una diferencia de 3,9 puntos concentrada casi por completo en un solo componente.

Ambos modelos son sistemas conversacionales full-duplex que invocan herramientas en mitad de la llamada, ambos llegaron a un mercado que hace dieciocho meses no contaba con ningún modelo de voz serio capaz de invocar herramientas, y ambos separan su razonamiento de la capa de habla de algún modo. Esa última similitud es lo que hace tan fácil equivocarse en la comparación de costes, y es ahí donde este artículo emplea la mayor parte de su espacio.

La demo, desglosada

La demostración de 1,1 segundos frente a 15,7 segundos de Phonic es una observación real de un comportamiento real, y también es una comparación con dos incógnitas. La primera es la configuración: la latencia de GPT-Live-1 depende en gran medida del modelo de backend al que delega, y Artificial Analysis mide el tiempo hasta el primer audio en 1,34 s para la configuración Astra-medium y en 1,24 s para Sol-low, ninguno de los cuales es de quince segundos. Una cifra de 15,7 segundos implica o bien un backend sometido a una carga intensiva de razonamiento, o bien una tarea cuya cadena de herramientas es larga. La segunda incógnita es la tarea: las dos cifras describen conversaciones distintas, y no hay ningún protocolo publicado que respalde ese par.

Sin embargo, la afirmación estructural que subyace a la demostración es sólida, y aquí vale la pena separarla de la cifra. Phonic 1 lanza llamadas a herramientas mientras quien llama todavía está hablando; su material del proveedor lo dice explícitamente y su API expone herramientas síncronas estrictas declaradas en línea durante la sesión. GPT-Live-1 es dúplex completo en el sentido de que escucha mientras habla, y delega el trabajo de herramientas a través de una frontera asíncrona a un modelo backend separado. Ambos diseños sacan el trabajo del camino crítico, mediante mecanismos diferentes. Cuál gana en tu tráfico es una medición que haces, no una demostración que ves.

GPT-Live-1 es una configuración, no una puntuación

Cada cifra pública sobre GPT-Live-1 necesita que se le añada un calificador, porque la puntuación del modelo varía según su backend. En el mismo tablero:

• GPT-Live-1 (Astra, medium) — índice de voz a voz 83,2, razonamiento 90, dinámica 94,9, agéntico 74,5, preferencia en arena 1.027, éxito en tareas 87,4 %, tiempo hasta el primer audio 1,34 s.

• GPT-Live-1 (Sol, bajo) — índice 80,1, razonamiento 89, dinámica 97,3, agéntico 59,3, arena 1.037, éxito en tareas 90,9%, tiempo hasta el primer audio 1,24 s.

• Phonic 1 (High) — índice 87,1, razonamiento 99, dinámica no reportada, agéntico 79,9, arena 1.012, éxito de tareas 92,3 %, tiempo hasta el primer audio 0,61 s.

De eso se desprenden tres cosas. Primero, la configuración Sol de menor esfuerzo puntúa mejor en dinámica, éxito en tareas y preferencia en la arena que la Astra de mayor esfuerzo, y peor en razonamiento y agencia; esto es la misma disyuntiva que presenta el Gemini de pensamiento extendido de Google, y significa que «la puntuación de GPT-Live-1» es una frase sin sentido si no se especifica una configuración.

En segundo lugar, la brecha agéntica entre Phonic 1 y la mejor configuración de GPT-Live-1 es de 5,4 puntos. Eso es menor de lo que implica el material de lanzamiento de Phonic —la ventaja de 8,3 puntos que afirma tener es frente a Grok Voice 3.0, no a OpenAI— y lo suficientemente pequeña como para que una combinación de tareas distinta pudiera cerrarla de forma plausible.

En tercer lugar, GPT-Live-1 lidera la preferencia en la arena en ambas configuraciones, por 15 y 25 Elo respectivamente, y aventaja a Phonic en dinámica conversacional por una cifra que Phonic no ha publicado. En el eje que quien llama describiría como «suena como una persona», OpenAI está por delante y la diferencia no se mide en ambos lados.

La calcomanía de cinco centavos y el segundo medidor

GPT-Live-1 tiene un precio de $0.05 por minuto de voz, facturado por segundo sin redondeo al alza, y un cargo de iniciación de sesión de quince segundos que se abona de vuelta. Phonic 1 cuesta $0.07 por minuto de conversación, $0.065 en el nivel Pro. En esos dos conceptos, OpenAI es un 29% más económica y el caso está cerrado.

No es un precio cerrado, porque la tarifa por minuto de GPT-Live-1 cubre únicamente la capa de voz. El razonamiento del backend, las llamadas a herramientas y la búsqueda web se facturan por separado según las tarifas estándar por token del modelo de backend —la propia guía de OpenAI sugiere un modelo pequeño para turnos de alto volumen y un modelo de frontera para razonamiento complejo. Artificial Analysis midió totales reales de $4,47 a $5,83 por hora de audio de entrada, en función de la configuración de razonamiento, frente a $4,20 para Phonic 1.

• Capa de voz — GPT-Live-1 $0.05/min frente a Phonic 1 $0.07/min, $0.065 Pro.

• Qué otros conceptos se facturan: GPT-Live-1 añade tokens del modelo de backend, llamadas a herramientas y búsqueda web; Phonic 1 declara una tarifa plana por minuto, sin repercusión de costes de LLM.

• Costo de entrada por hora medido: GPT-Live-1 $4.47–$5.83 frente a Phonic 1 $4.20, según Artificial Analysis.

• Previsibilidad de costos — el total de GPT-Live-1 depende de cómo enrute el backend; el de Phonic 1, no.

Esa inversión es todo el argumento de costos, y corta en sentido opuesto al precio de lista. Un equipo que mantiene baratos sus turnos de backend puede superar cómodamente los $4,20 por hora en GPT-Live-1; un equipo que envía cada turno a un modelo de frontera quedará por encima de ese umbral. La tarifa plana de Phonic es un precio fijo para una carga de trabajo variable, lo cual resulta valioso o sobrevalorado según la mezcla que realmente ejecutes.

El tramo del backend es donde OrcaRouter encaja sin pretender ser algo que no es. Ni Phonic 1 ni GPT Live 1 están en nuestro catálogo — cada uno está disponible a través de la propia API de su proveedor — pero el modelo que responde a los turnos difíciles de GPT-Live-1 es un modelo de texto normal, y esos son los 200+ modelos que enrutamos con una sola clave a un 0% de margen sobre el precio de lista del proveedor. Ambos backends que OpenAI nombra, GPT-5.6 Luna y GPT-6 Astra, tienen páginas de modelo aquí. Una regla de enrutamiento puede mantener los turnos fáciles en el backend barato y escalar solo los que lo necesiten, con failover automático si un proveedor fluctúa a mitad de la llamada — que es precisamente el control que convierte la factura variable de GPT-Live-1 en una acotada.

Lo que OpenAI tiene y Phonic no

La diferencia de madurez no es un argumento de marketing, es un argumento de producción. GPT-Live-1 está en ChatGPT desde el 8 de julio de 2026, en la API desde el 10 de septiembre, y recibió una actualización incremental, GPT-Live-1.1, el 15 de octubre. Ha funcionado a una escala que ningún modelo de una semana de antigüedad ha alcanzado, y su historia de transporte lo refleja: sesiones en vivo sobre WebRTC, WebSocket o SIP, con la telefonía gestionada en lugar de dejada al integrador.

La adopción es la otra señal. Perplexity trasladó su modo de voz a GPT-Live-1 el 28 de octubre de 2026, y Yelp y Speak figuran como socios iniciales. No son pruebas de calidad, pero sí son pruebas de que el modelo sobrevive al contacto con el tráfico de consumidores.

• Transporte: GPT-Live-1 ofrece WebRTC, WebSocket y SIP; Phonic 1 ofrece un endpoint WebSocket, con webhooks, un socket mantenido abierto o LiveKit como estilos de integración.

• Concurrencia: GPT-Live-1 publica límites de sesiones concurrentes por niveles (aproximadamente 25–50 en el Nivel 1, hasta 500 en el nivel superior) y no tiene nivel gratuito; Phonic 1 no publica ningún límite de sesiones en su material público.

• Límites — GPT-Live-1 no acepta imágenes ni videos como entrada y no ofrece salidas estructuradas en la capa de voz; Phonic 1 es nativo de audio y las llamadas a herramientas son su superficie estructurada.

• Despliegue: Phonic 1 ofrece opciones en la nube, de inquilino único, VPC peering y autoalojamiento, con disponibilidad de SOC 2 Tipo II y de BAA de HIPAA; GPT-Live-1 es una API alojada por OpenAI.

Qué tiene Phonic 1 que OpenAI no tiene

Velocidad, en la misma prueba que la mide de forma idéntica: 0,61 s hasta el primer audio frente a 1,34 s y 1,24 s. Esa es la única diferencia medida en este enfrentamiento lo bastante grande para que quien llama la perciba en lugar de inferirla de una gráfica, y es coherente con la afirmación de Phonic de menos de 600 ms de entrada de voz a salida de voz.

Agencia, en un sentido más estricto: 79,9 % frente a 74,5 % en la mejor configuración de OpenAI. Y una sola factura, que es menos una capacidad que una propiedad de adquisición — pero para una empresa que ha estado llevando una hoja de cálculo con una línea de voz, una línea de backend y una línea de herramientas, colapsar tres medidores en uno vale algo real.

• Tiempo hasta el primer audio — Phonic 1 0,61 s frente a GPT-Live-1 1,34 s (Astra, medio) y 1,24 s (Sol, bajo), según Artificial Analysis.

• Rendimiento agéntico — Phonic 1 79.9 frente a 74.5 (Astra, medio) y 59.3 (Sol, bajo).

• Preferencia en la arena — GPT-Live-1 1.027 y 1.037 frente a Phonic 1 1.012.

• Éxito en la tarea — Phonic 1 92,3% frente a 87,4% (Astra) y 90,9% (Sol).

Las propias afirmaciones de rendimiento de OpenAI merecen su propio etiquetado, ya que ninguna ha sido reproducida de forma independiente: 80,1 % en Full Duplex Bench v1.5 frente al 45,4 % de GPT-Realtime-2.1, una latencia de cambio de turno de 0,798 s frente a 1,41 s, y alrededor del 87 % de éxito en la invocación de herramientas. Esas son cifras del proveedor. Son plausibles y no están verificadas, y la misma frase debe escribirse sobre la comparación de 15,7 segundos de Phonic.

La decisión, planteada como una apuesta

Elija GPT Live 1 si sus llamadas son más conversacionales que transaccionales, si quiere que el transporte y la telefonía estén gestionados, y si está dispuesto a encargarse del enrutamiento del backend que hace que su factura sea competitiva. El déficit agéntico de 5,4 puntos es real, pero no fatal para un agente que principalmente responde preguntas y ocasionalmente realiza una consulta, y la línea más amplia de configuraciones múltiples de OpenAI, desde voz de esfuerzo mínimo hasta backends de vanguardia, le ofrece más opciones de ajuste de las que Phonic publica actualmente.

Elige Phonic 1 si la llamada tiene que completar una transacción, si un tercio de segundo hasta el primer audio cambia tu tasa de abandono y si una tarifa plana por minuto vale más para ti que los ahorros teóricos de un backend bien ajustado. Acepta que estás comprando un modelo de hace una semana con una única placa independiente, sin límites de sesión publicados y sin historial de despliegue a escala de consumidor.

Lo que lo zanjaría no es que ninguno de los proveedores publique nada. Son dos semanas de tus propias llamadas, repartidas entre ambos, con la tasa de finalización de la misma tarea medida en paralelo. La ventaja agéntica de 5,4 puntos de Phonic es exactamente del tamaño de la brecha que un solo dominio de tareas puede revertir — lo que es un argumento a favor de medir, no de elegir al líder de la tabla.