Phonic 1 vs. Qwen Audio 3.1: 82,0 % y 79,9 % no son el mismo número

La comparación que todo el mundo hará entre Phonic 1 y Qwen Audio 3.1 Realtime es una tabla de dos líneas: Qwen obtiene un 82,0 % en τ-Voice, Phonic obtiene un 79,9 %, por lo tanto, gana el modelo más barato. Es un relato limpio y es incorrecto, porque esas dos cifras provienen de instrumentos diferentes. El 82,0 % de Qwen procede del artículo del propio proveedor, medido en una variante adaptada y semidúplex de voz a texto del benchmark. El 79,9 % de Phonic es el componente agéntico del índice de voz a voz de Artificial Analysis, medido en el sistema real. Restar una de la otra es el mismo error que comparar la puntuación de un examen de práctica con la de un examen.

Lo que hace que el error merezca escribirse es que es la única comparación disponible. Qwen Audio 3.1 Realtime no aparece en absoluto en la tabla de voz a voz de Artificial Analysis — la tabla incluye Qwen Audio 3.0 Realtime Plus con 69,5 y Qwen Audio 3.0 Realtime Flash con 67,7, y nada más reciente. Así que el nuevo retador económico más reciente de esta categoría ha publicado sus propias cifras, en sus propias unidades, y ningún organismo independiente lo ha puntuado. Esa brecha es la historia, y el artículo honesto trata sobre todo de lo que todavía no se puede decir.

Qué es realmente Qwen Audio 3.1

Qwen-Audio-3.1 de Alibaba llegó a finales de septiembre de 2026 como una familia de cinco modelos en lugar de un único lanzamiento: ASR, ASR-Next, TTS, TTS-Next y Realtime. El que compite con Phonic 1 es Qwen Audio 3.1 Realtime y, en concreto, el nivel Realtime-Plus, que solo está disponible a través de QwenCloud mediante WebSocket: no hay pesos abiertos, a diferencia de los miembros TTS y ASR de la familia, y no se ofrece una vía de autoalojamiento en el material público.

• Contexto — 262K en total, 245K de entrada máxima y 16K de salida máxima, frente al contexto no publicado de Phonic 1.

• Límites de rendimiento — 60 solicitudes y 100K tokens por minuto de forma predeterminada en QwenCloud; Phonic no publica ningún límite de sesión equivalente.

• Funciones: llamada a funciones, búsqueda web, salidas estructuradas, almacenamiento en caché de contexto, ajuste fino y clonación de voz figuran todos para Qwen Audio 3.1 Realtime; Phonic menciona herramientas síncronas integradas, más de 50 idiomas y cambio de idioma a mitad de la conversación.

• Disponibilidad — Qwen Audio 3.1 Realtime es solo API; Phonic 1 ofrece nube, single-tenant, VPC peering y autoalojamiento.

Esas dos filas son las que importan para adquisiciones. La familia de Qwen normalmente distribuye pesos; este miembro no, lo que elimina la razón principal por la que un equipo elige Qwen sobre un proveedor alojado. La opción de autoalojamiento de Phonic es el reflejo opuesto: es la única forma en que cualquiera de estos dos modelos se ejecute en algún lugar que no sea la nube de otra persona.

El benchmark que no es el mismo benchmark

La cifra del 82,0 % aparece en el artículo de Alibaba en arXiv sobre Qwen-Audio-3.1, presentada como una mejora frente al 78,4 % de la generación anterior. En el mismo artículo se afirma explícitamente que se trata de una adaptación de τ-Voice para conversión de voz a texto en modo semidúplex, y no de la evaluación agéntica en modo full-duplex que produce las cifras de la tabla de clasificación pública. Eso no es deshonesto —se divulga—, pero significa que la cifra responde a una pregunta más limitada: dada una configuración tipo transcripción y una tarea, con qué frecuencia el modelo la completa.

El 79,9 % de Phonic 1 responde a la pregunta más amplia, y la brecha entre las dos preguntas no es pequeña. Una adaptación semidúplex elimina las partes de una llamada agéntica que son más difíciles de acertar: la interrupción, el habla superpuesta, decidir cuándo dejar de escuchar y recuperarse cuando quien llama cambia de opinión en medio de una llamada a herramienta. Cada una de esas es un punto en el que un modelo pierde tareas que, de otro modo, completaría.

La dirección del error es, por tanto, predecible, y es la contraria a la lectura obvia. El 82,0% de Qwen es muy probablemente un techo optimista para su comportamiento full-duplex, no una victoria comparable frente al 79,9% de Phonic. No se sabe si supera ese listón. Alibaba no ha puesto el modelo frente al evaluador que produjo el 79,9.

Lo que Qwen sí publica, y dónde sus propios números se vuelven en su contra

El lanzamiento de Alibaba es extraordinariamente franco sobre los fallos, lo que lo hace más útil que la línea de titular sobre τ-Voice. Si se lee toda la tabla, el modelo parece menos un retador decisivo y más un sólido sistema en tiempo real de segunda generación con dos puntos débiles concretos.

• Tasa de error de palabras en FLEURS — de 9,01 a 3,98, una mejora genuina en la precisión del reconocimiento en distintos idiomas.

• Promedio en 14 idiomas de Big Bench Audio — 81,7 % a 88,1 %.

• Audio MultiChallenge — 47.12 a 52.21.

• Tasa de respuesta a habla de fondo en Full-Duplex-Bench v1.5 — del 73,0% al 13,0%, lo que significa que el modelo es mucho menos propenso a responder a habla que no estaba dirigida a él.

• Latencia de parada ante interrupción: 1,116 s, frente a los 0,383 s de GPT-Realtime-2. Esta es la cifra que hay que comparar con los 0,61 s de Phonic hasta el primer audio: una mide con qué rapidez arranca un modelo, la otra con qué rapidez se detiene, y una parada lenta es lo que los usuarios describen como que les hablan por encima.

• Tasa de reanudación no deseada — 0,035 que asciende a 0,130, una regresión que el artículo señala respecto de su propio predecesor; el modelo es más propenso a volver a empezar a hablar cuando no debería.

Esas dos últimas líneas son los hechos menos reportados del lanzamiento de Qwen Audio 3.1. Un modelo que tarda 1,116 segundos en ceder y que se reanuda cuando no se desea se sentirá, en una llamada telefónica real, peor de lo que sugieren sus puntuaciones de precisión; y esa es exactamente la dimensión en la que se apoya el marketing de Phonic 1, con su afirmación de que «responde antes de que el interlocutor termine» y su latencia de voz a voz inferior a 600 ms.

El único dato comparable

Como Qwen Audio 3.1 Realtime no tiene puntuación de índice, la única forma de compararlo con Phonic 1 en el mismo instrumento es mediante su predecesor. Qwen Audio 3.0 Realtime Plus obtuvo 69,5 en el índice de voz a voz, con 54,6 % de rendimiento agéntico, 99 % de razonamiento de voz, 77,8 % de éxito en tareas, 798 de Elo en arena y 1,54 s hasta el primer audio.

• Rendimiento agéntico — Phonic 1 79.9 frente a Qwen Audio 3.0 Realtime Plus 54.6. Si 3.1 ofrece la mejora que su propio artículo implica en las tareas, cierra parte de esa brecha de 25 puntos; nadie ha medido cuánto.

• Preferencia de Arena — Phonic 1 1,012 frente a 798 de 3.0. Esta es la mayor diferencia de la comparación y la menos probable de haberse cerrado, ya que la preferencia de Arena es una medida de votos humanos que cambia lentamente entre generaciones.

• Tiempo hasta el primer audio — Phonic 1: 0,61 s frente a los 1,54 s de 3.0. El nivel en tiempo real de Qwen ha sido históricamente la familia más lenta en este aspecto, y 3.1 no publica ninguna cifra de tiempo hasta el primer audio.

• Éxito en la tarea — Phonic 1 92,3 % frente a 77,8 % de 3.0.

El patrón de tres generaciones es consistente: los modelos en tiempo real de Qwen han sido reconocedores fuertes y agentes débiles, y 3.1 es la generación que afirma corregir la mitad de agente. Si lo logró es precisamente lo que te diría la puntuación de índice que falta.

Dos unidades de precio que no convierten

Qwen Audio 3.1 Realtime factura por token: 0,80 $ por un millón de tokens de entrada de texto, 6,40 $ por entrada de audio, 6,40 $ por salida de texto y 24 $ por salida de audio en la región de Singapur, y las tarifas de Beijing son aproximadamente un 14 % más bajas en todos los conceptos. Phonic 1 cobra 0,07 $ por minuto de conversación, como tarifa plana, sin cargo por token.

No existe una conversión pública entre esas unidades. Para convertir una tarifa por token en un costo por minuto se necesita la densidad de tokens de audio —cuántos tokens ocupa un minuto de habla— y Alibaba no la publica para este modelo. Cualquiera que te cite un equivalente por minuto para Qwen Audio 3.1 o bien está adivinando la densidad o bien la toma prestada de otra familia de modelos con un códec diferente. La dirección de la respuesta no está en duda: las tarifas de audio de Qwen son lo bastante bajas como para que un minuto bien tokenizado muy probablemente quede por debajo de los siete centavos, y su recorte de precios de ~85% en el nivel Realtime fue el titular del lanzamiento. La magnitud es desconocida, y lo desconocido es lo bastante grande como para importar en una implementación de alto volumen.

• Audio de entrada — Qwen $6.40 / 1M tokens (Singapur) frente a Phonic $0.07 por minuto de conversación, sin tasa de cambio publicada entre ambos.

• Audio de salida — Qwen $24 / 1M de tokens; el precio plano por minuto de Phonic cubre el audio de salida.

• Precios regionales — la región de Pekín de Qwen es aproximadamente un 14 % más barata que Singapur; Phonic publica un único tarifario global.

• Mínimos — El nivel Pro de Phonic tiene un mínimo mensual de $200; QwenCloud publica límites de frecuencia predeterminados en lugar de un mínimo de plataforma.

La diferencia de forma es la parte que sobrevive a la conversión ausente. Una factura por token rastrea cuánto hace realmente el modelo: las transcripciones largas, las respuestas verbosas y los turnos con mucho uso de herramientas cuestan más. Una factura por minuto rastrea cuánto tiempo estuvo abierta la línea telefónica. Para un agente que pasa la mayor parte de una llamada escuchando, el modelo por token es el más favorable; para un agente que responde extensamente, no lo es.

¿A qué pregunta estás respondiendo?

Si estás eligiendo un modelo para implementar en tu propia infraestructura, esta comparación no es para ti: Qwen Audio 3.1 Realtime no tiene pesos, y Phonic 1 se puede autoalojar, lo que convierte a Phonic en la única opción aquí que abandona por completo la nube del proveedor. Esa es una respuesta de una sola línea, y es fácil pasarla por alto entre tanto comentario sobre benchmarks.

Si está eligiendo un modelo en tiempo real alojado en función del costo, Qwen Audio 3.1 es la apuesta más interesante: drásticamente más económico por unidad, un salto bien documentado en la precisión de reconocimiento y un proveedor con un profundo ecosistema de pesos abiertos detrás. El riesgo es que su componente de agente no está medido y su comportamiento ante interrupciones retrocedió en la propia tabla del proveedor.

Si eliges basándote en el rendimiento agéntico medido, Phonic 1 es el único de los dos que realmente puedes clasificar, porque es el único que ha sido clasificado. Esa afirmación es más débil que «Phonic es mejor», y es la verdadera.

Y si ejecutas los modelos de texto de Qwen junto con una capa de voz, esa mitad del stack ya es enrutable — Qwen3.8-Max está en OrcaRouter entre más de 200 modelos con una sola clave al precio de lista del proveedor y sin recargo, así que un recorte de precios por parte de Alibaba se aplica el mismo día. El endpoint de audio no está en nuestro catálogo, y Phonic 1 tampoco; cada uno procede de su propio proveedor. Lo que te aporta un router en un mercado tan incipiente es la capacidad de mantener una ruta de voz operativa mientras otra más nueva y barata se abre camino — la conmutación por error automática significa que probar Qwen Audio 3.1 con tu propio tráfico te cuesta una regla de enrutamiento, no una migración.

La conclusión honesta es que este enfrentamiento actualmente es indecidible en el eje sobre el que ambos proveedores quieren que se decida. Alibaba ha publicado una cifra que favorece a su modelo midiendo una tarea más sencilla. Phonic ha publicado una cifra que está medida correctamente, pero en una sola placa, una sola configuración y una semana de disponibilidad. Lo primero que hay que observar no es un recorte de precio ni un benchmark — es la aparición de Qwen Audio 3.1 Realtime en una placa que puntúe ambos modelos de la misma manera. Hasta entonces, la única afirmación defendible es que Phonic 1 es la opción conocida y Qwen Audio 3.1 es el desconocido barato, lo cual es una razón perfectamente válida para probar el segundo detrás de una regla de conmutación por error en lugar de delante de tus clientes.