Phonic 1 fait ses débuts à la 1re place du Speech Index. La marge de 0,2 point cache la véritable avance.

Phonic 1 est désormais le modèle parole-vers-parole le mieux classé de l'indice Speech to Speech d'Artificial Analysis, avec 87,1, une course d'un dixième de point qu'il a remportée en devançant de justesse le modèle d'xAI, Grok Voice 3.0 à 86,9. Une marge de 0,2 point serait normalement du bruit, et sur cet indice, elle l'est presque : les deux modèles ne remportent pas les mêmes épreuves, si bien que l'égalité au classement composite masque un écart bien plus important en dessous. Sur le benchmark de tâches agentiques qui compte pour un quart de ce score, Phonic 1 atteint 79,9 % contre 74,5 % pour la meilleure configuration OpenAI.

Phonic, une société d'environ dix personnes issue de chercheurs du MIT et de Stanford, a présenté le modèle le 29 octobre 2026 en même temps qu'un tour de financement de série A de 27,5 millions de dollars mené par First Round, portant son financement total à 31,5 millions de dollars. L'entreprise écrit le nom du modèle Phonic-1 dans son propre article de lancement et sa documentation ; Artificial Analysis le répertorie comme Phonic 1 (High), où la mention entre parenthèses est un paramètre d'API plutôt qu'un nom de produit. Les deux graphies désignent le même point de terminaison et le même prix catalogue de 0,07 dollar par minute.

Ce qu'est Phonic-1, selon les propres termes du fournisseur

C’est un modèle vocal de bout en bout, et non une cascade consistant à transcrire, puis réfléchir, puis parler. L’audio entre, l’audio sort, et l’argument que Phonic avance en faveur de cette architecture est qu’une transcription est une copie avec perte d’une conversation : le ton, les hésitations et les chevauchements sont éliminés avant même que le modèle de langage ne les voie. Tous les fournisseurs de parole-à-parole font valoir cet argument depuis 2024 ; ce que Phonic vend réellement, c’est une astuce d’ordonnancement par-dessus.

Cette astuce consiste à appeler des outils pendant le tour de l’appelant. Au lieu d’attendre que l’appelant s’arrête avant de lancer une recherche, le modèle déclenche des appels d’outils alors que la parole est encore en train d’arriver, de sorte que les résultats sont prêts au moment où l’appelant termine son tour. Dans la démo publiée par Phonic, le modèle a appelé les cinq outils au milieu d’une phrase et a répondu 1,1 seconde après que l’appelant s’est arrêté ; elle situe GPT-Live-1 d’OpenAI à 15,7 secondes sur le même script. Cette comparaison est une démonstration de fournisseur sur une tâche choisie par le fournisseur, et non un benchmark mesuré ; il vaut mieux la lire comme une illustration de la conception plutôt que comme un résultat comparatif direct.

La surface d'API publiée est plus concrète que la plupart des articles de lancement :

• ID de modèle — phonic-1, avec phonic-0.5 toujours accepté comme génération précédente. Omettre le champ applique la valeur par défaut actuelle.

• Intelligence — une énumération intelligence_level, standard par défaut, high lorsque vous voulez le modèle plus capable pour un raisonnement complexe. La documentation décrit standard comme le paramètre optimisé pour une latence plus faible, ce qui signifie que la configuration évaluée par tous les benchmarks jusqu’à présent n’est pas celle qu’un déploiement sensible à la latence obtient par défaut.

• Langues — 51, répertoriées avec des codes ISO, jusqu’au filipino (fil) et au cantonais (yue), avec un changement de langue en cours de conversation qui conserve la même identité de locuteur.

• Latence — Phonic revendique moins de 600 ms entre la parole en entrée et la parole en sortie. Artificial Analysis a mesuré 0,61 s jusqu’au premier audio sur son propre banc d’essai, ce qui est cohérent avec cette affirmation sans être la même mesure.

• Déploiement — API hébergée, SDK TypeScript et Python, une CLI et un constructeur d’agents sans code, ainsi que des options auto-hébergées et VPC pour l’offre entreprise, avec SOC 2 Type II, un BAA HIPAA, une rétention zéro des données et un SLA de disponibilité de 99,9 % sur la page.

L'index, ligne par ligne

Le Speech to Speech Index est un composite de quatre résultats équipondérés : Big Bench Audio pour le raisonnement vocal, τ-Voice pour le comportement agentique en service client, une arène de préférence humaine et un taux de réussite des tâches. Un modèle doit disposer des quatre pour pouvoir être noté, ce qui explique pourquoi StepAudio 3 Realtime figure dans le tableau de raisonnement sans score composite — ses colonnes agentique, arène et réussite des tâches sont vides.

Les quatre composants de Phonic 1, selon Artificial Analysis :

Indice Speech to Speech — 87,1, en tête, devant Grok Voice 3.0 à 86,9, GPT-Live-1 (Astra, medium) à 83,2, Grok Voice 2.0 à 81,3 et GPT-Live-1 (Sol, low) à 80,1.

τ-Voice — 79,9 %, premier, 5,4 points d’avance sur GPT-Live-1 (Astra, medium) à 74,5 %.

• Big Bench Audio — 98,9 %, troisième, derrière StepAudio 3 Realtime à 99,7 % et Qwen Audio 3.0 Realtime Plus à 99,2 %.

• Speech Agent Arena — huitième sur 30 pour la préférence à l’Elo 1012, quatrième pour la réussite des tâches à 92,3 %.

Lisez ces quatre lignes dans l’ordre et le score composite cesse de ressembler à une égalité. Phonic 1 remporte haut la main le benchmark agentique et se classe troisième sur le raisonnement, mais il est huitième sur la voix que les humains préfèrent réellement et quatrième sur la réussite brute aux tâches — un modèle mesurablement meilleur à l’exécution d’outils, et non l’interlocuteur préféré du public. C’est la même histoire structurelle que nous avons trouvée dans le 86,9 de Grok Voice 3.0 il y a deux semaines, mais sous l’angle inverse : xAI tenait l’arène et perdait la colonne agentique, tandis que Phonic tient la colonne agentique tout en cédant l’arène.

Deux horloges, deux gagnants

C'est sur la latence que la couverture devient approximative, car deux instruments respectables ne s'accordent pas sur qui est le plus rapide, et aucun des deux n'a tort.

Artificial Analysis mesure le temps jusqu’au premier audio — combien de temps s’écoule entre la fin de la réplique de l’appelant et le début de l’audio. Sur ce chronomètre, Phonic 1 est le plus rapide des cinq premiers de l’indice :

• Délai avant le premier audio — Phonic 1 0,61 s ; Grok Voice 3.0 0,81 s ; GPT-Live-1 (Sol, faible) 1,24 s ; GPT-Live-1 (Astra, moyen) 1,34 s ; Qwen Audio 3.0 Realtime Plus 1,54 s ; StepAudio 3 Realtime 8,83 s.

Cekura, une société d’évaluation d’agents vocaux qui exécute des modèles dans un véritable banc d’essai téléphonique via WebRTC, mesure le temps de réponse médian sur l’ensemble des appels. Selon ce chronomètre, Grok Voice 3.0 est le plus rapide du secteur à 1,34 s et Phonic 1 à 1,63 s — troisième plus rapide, à un centième derrière Grok Voice Think Fast 2.0 à 1,62 s, et non premier. Les deux chiffres décrivent quelque chose de réel. Le temps jusqu’au premier audio correspond à la rapidité avec laquelle le modèle se décide à parler ; le temps de réponse médian correspond au temps qu’un appelant attend réellement pour la réponse sur 82 scénarios, y compris ceux fortement outillés où l’approche de Phonic récupère exactement les secondes qu’une mesure du premier audio ne peut pas voir.

Si vous rédigez une note de procurement, la phrase à éviter est « le modèle parole-parole le plus rapide », point final. La version défendable est « le plus rapide jusqu’au premier audio sur Artificial Analysis ; troisième temps de réponse médian le plus rapide sur le banc d’essai d’appels en direct de Cekura ».

Le tableau des appels en direct pose une question plus difficile

Le classement speech-to-speech de Cekura est un test nettement plus difficile que n'importe laquelle des quatre composantes de l'indice : 82 scénarios — 59 appels de réservation en clinique et 23 appels d'admission Medicare — chacun exécuté trois fois au sein du même agent Pipecat open source, avec le même prompt et les mêmes outils, et noté en « pass-cubed » (réussite au cube), ce qui signifie qu'un scénario ne compte que si les trois exécutions réussissent et que chaque champ est enregistré correctement.

Depuis sa mise à jour du 22 octobre 2026, avec Phonic 1 configuré au niveau d'intelligence « élevé » sous l'identifiant de modèle phonic_v1, ce classement place lui aussi Phonic 1 en première position :

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

• Exactitude des données — Phonic 1 97,5 % ; GPT Realtime 2.1 92,0 % ; Grok Voice 3.0 87,3 %.

• Appels où l'agent est resté silencieux — Phonic 1 0,0 % ; Grok Voice 3.0 0,0 % ; GPT Realtime 2.1 3,3 %.

• Réussite des appels Medicare — Phonic 1 88,4 % ; GPT Realtime 2.1 81,2 % ; Grok Voice 3.0 58,0 % ; GPT-Live 1 avec Sol 49,3 %.

Le split Medicare est la ligne la plus intéressante de tout le lancement. Les longs appels d'accueil où il faut remplir des formulaires sont précisément là où les modèles de bout en bout sont censés s'effondrer, et Phonic 1 tient à 88,4 % là où Grok Voice 3.0 chute de moitié, à 58,0 %. Le propre compte rendu de Cekura consigne encore un mode de défaillance qu'il vaut la peine de connaître : l'agent raccroche sans accuser réception auprès d'un appelant qui dit qu'il rappellera plus tard, et il lui arrive d'écrire de travers une note de transfert Medicare ou un détail de routage. À 90,2 % en pass-cubed, 74 de ces 82 scénarios réussissent à chaque exécution et huit n'y parviennent pas — c'est un résultat solide pour un modèle qui n'a qu'un jour d'existence, pas pour un modèle abouti.

Deux notes d’étiquetage avant que quiconque cite ces chiffres. Le tableau de Cekura comporte une date de dernière mise à jour et a été révisé entre les exécutions ; une capture d’écran de celui-ci ne constitue donc pas une citation : citez le chiffre actuel avec la date associée. Et Cekura enregistre un coût de $0.060 par minute pour Phonic 1, contre un tarif Starter publié de $0.070 — un chiffre mesuré sur un seul banc d’essai, non issu de la grille tarifaire, et qui n’est pas à soustraire de quoi que ce soit.

Les benchmarks des fournisseurs, conservés dans leur propre case.

L’article de lancement de Phonic présente trois résultats qui lui sont propres, et ils valent la peine d’être connus précisément parce qu’ils ne sont pas les chiffres ci-dessus. Sur la variante multilingue full-duplex τ³-Voice de Sierra, l’entreprise rapporte Phonic-1 à 83,2 contre GPT-Live-1 à 79,9 et Gemini 3.8 Live à 68,5. Notez la collision : 79,9 est le score de Phonic sur τ-Voice d’Artificial Analysis et aussi le score de GPT-Live-1 sur l’exécution τ³-Voice propre à Phonic. Mêmes chiffres, lignes différentes, variantes de benchmark différentes — ne déplacez jamais un chiffre d’une colonne à l’autre.

Les deux autres sont des tests humains à l’aveugle menés par Podonos, un service tiers de test d’écoute. Phonic-1 a été préféré à GPT-Live-1 par 61,5 % contre 32,0 %, à Grok Voice 3 par 66,5 % contre 26,5 %, et à Eleven v4 Turbo par 78,0 % contre 14,0 %. Le résultat que Phonic met elle-même en avant est celui qu’elle perd : les comédiens de doublage humains ont été préférés à Phonic-1 par 57,0 % contre 32,0 %. Les quatre ont été commandés et rapportés par les fournisseurs ; aucun n’a été répliqué de manière indépendante.

Combien coûte un mois de cela

La tarification tient en un seul chiffre par minute, sans frais par token ni refacturation distincte des LLM, ce qui est inhabituel dans une catégorie où le « modèle vocal » n’est souvent qu’une fine enveloppe autour de trois services facturés. Les paliers :

• Starter — 0,07 $ par minute, sans minimum, 10 appels simultanés, 10 agents, 3 sièges d’espace de travail.

• Pro — 0,065 $ par minute contre un minimum mensuel de 200 $, ce qui, selon la page de tarification, correspond à environ 3 100 minutes, avec 50 appels simultanés, 50 agents et 30 sièges.

• Entreprise — sur mesure, avec remises sur volume, déploiement VPC ou sur site, DPA, SLA et BAA HIPAA.

Les inscriptions avant le 30 novembre donnent droit à 250 $ de crédits. Faites le calcul sur un mois de 10 000 minutes et les prix catalogue des concurrents les plus proches s’ordonnent vite d’eux-mêmes :

• 10 000 minutes — Phonic 1 Starter 700 $ ; Grok Voice 3.0 800 $ à 0,08 $/minute ; GPT-Live-1 (Sol, low) 750 $ à 0,075 $/minute ; GPT-Live-1 (Astra, medium) 970 $ à 0,097 $/minute.

• Les mêmes 10 000 minutes sur Pro — 650 $, mais ce n'est qu'au-delà d'environ 3 100 minutes que le minimum de 200 $ cesse d'être la contrainte active.

Le chiffre qui ne figure pas sur une grille tarifaire, c’est la simultanéité. Dix appels simultanés sur Starter constituent un véritable plafond pour quoi que ce soit qui ressemble à une file d’attente d’assistance, et c’est la raison pour laquelle le passage à Pro vaut 50 $ par mois à volume : le changement de forfait apporte 50 appels simultanés bien plus qu’il n’apporte le demi-centime. Le blog d’ingénierie de Phonic lui-même soutient que les limites de simultanéité sont la taxe cachée de l’IA vocale, un cadrage honnête de la part de celui qui les fixe.

Où il s’exécute, et ce que le routage peut et ne peut pas faire ici

Phonic 1 ne figure pas au catalogue d'OrcaRouter, et cet article ne prétendra pas le contraire : aujourd'hui, on y accède uniquement via l'API propre à Phonic, ses SDK, la CLI ou le constructeur no-code, et nulle part ailleurs. C'est aussi la faiblesse structurelle assumée de l'achat d'un modèle vocal de bout en bout plutôt qu'une cascade — un seul fournisseur, un seul point de terminaison, et aucun fournisseur de secours vers qui basculer quand le websocket lâche en pleine conversation.

Ce que le routage couvre, en revanche, c'est l'alternative. Un pipeline transcrire-réfléchir-parler est la base sur laquelle le propre classement de Cekura continue de battre les modèles de bout en bout, et son étage intermédiaire est de l'inférence textuelle ordinaire — précisément la couche où une API pour plus de 200 modèles avec 0 % de marge s'applique. Le volet transcription et le volet raisonnement peuvent tenir derrière une seule clé, et le DSL de routage peut envoyer les appels peu coûteux de gestion des tours de parole et les appels coûteux de raisonnement de politique à des modèles différents sur le même appel, sans un second contrat pour chaque fournisseur de la pile. Le prix catalogue du fournisseur est répercuté sans modification, de sorte qu'une baisse de prix d'un fournisseur atteint ce volet le jour même où elle est annoncée, et non à la prochaine renégociation de contrat.

Le compromis mérite d’être énoncé clairement, car les tableaux de bord ci-dessus n’en reflètent pas le coût. La solution bout-en-bout l’emporte sur la gestion des tours de parole, les interruptions et les appels d’outils au milieu d’un énoncé ; une cascade l’emporte sur la possibilité de remplacer n’importe quel composant — et sur le fait que la référence cascade de Cekura surclasse encore tous les modèles temps réel qu’elle a testés en matière de fiabilité pass-cubed. Si cela ressemble à une raison de rester sur une cascade, c’est en partie le cas. La raison de changer, c’est la colonne Medicare : 88,4 % contre 58,0 %, soit le type d’écart qui détermine si un long appel d’admission aboutit tout court.

Ce que personne n'a encore mesuré

Avant que quiconque réécrive un prompt de production autour d’un 87,1, trois lacunes méritent d’être nommées.

• La configuration mesurée n’est pas celle par défaut. Chaque score ici — le 87,1 d’Artificial Analysis, les 90,2 % de Cekura — a été produit avec le réglage haute intelligence. L’API utilise par défaut le réglage standard, documenté comme le mode à plus faible latence. Personne n’a publié les chiffres du réglage standard, donc les valeurs de latence ci-dessus ne décrivent pas ce que vit une intégration non configurée.

• Le comportement en canal bruité n’est pas testé par l’indice. Cekura rapporte que Grok Voice 3.0 réussit chaque appel avec du bruit de fond et des glitches audio ; il ne dit rien de comparable à propos de Phonic 1, et Big Bench Audio fonctionne sur un audio propre.

• La stabilité sur les sessions longues relève de la démonstration, pas de la mesure. L'appel de 44 minutes de Phonic, avec 123 appels d'outils en anglais et en portugais, constitue la preuve la plus concrète publiée sur le long terme — et il s'agit d'un seul appel, que le fournisseur a choisi de montrer.

Le résumé défendable après une journée : Phonic 1 est le modèle parole-vers-parole agentique le plus performant sur les deux instruments indépendants qui l'ont évalué, il n'est pas le plus rapide selon l'horloge que l'on consulte, et son tarif de 0,07 $/minute rend son avance agentique assez bon marché pour qu'on la teste plutôt que d'en débattre.