Phonic 1 vs Cartesia Sonic 3.6 : une minute à 0,07 $ et une facture de 49 millions de caractères ne correspondent pas au même achat

Mettez Phonic 1 et Cartesia Sonic 3.6 sur une même page, et la tentation est d’aligner les colonnes de prix et d’en rester là. Deux chiffres de fournisseurs rendent cela facile : Phonic facture 0,07 $ pour une minute de conversation, Cartesia normalise à environ 49 $ par million de caractères. Tous deux ressemblent à des erreurs d’arrondi à côté de ce que vous payiez en 2025. Mais ils facturent des objets différents. Cartesia Sonic 3.6 est un moteur de synthèse vocale en streaming — vous lui donnez des mots, il vous rend une voix, et tout ce qui se trouve en amont de ces mots est votre problème. Phonic 1 est un modèle de parole à parole qui entend un appelant, décide quoi faire, appelle des outils au milieu d’une phrase et répond à voix haute, le tout dans cette minute. L’un est un composant de votre facture. L’autre est la facture entière. Les comparer sur le seul prix, c’est comparer une course de taxi à une voiture.

Ce n’est pas pour autant que la comparaison est inutile. Elle la rend plus étroite et plus honnête que ne le suggère le résultat de recherche : ces deux-là sont en concurrence pour la même ligne budgétaire dans un budget d’agent vocal, et une équipe qui construit un agent téléphonique doit décider si la couche vocale est un service qu’elle loue en bloc ou une pile qu’elle assemble à partir de composants. Cartesia vous vendra l’une ou l’autre configuration — Sonic 3.6 pour la partie rendu, Cartesia Line pour la partie assemblée — et c’est ce second produit, et non le modèle TTS, qui se trouve réellement face à Phonic 1.

Ce que chacun est réellement

Cartesia Sonic 3.6 est sorti fin août 2026, environ trois mois après Sonic 3.5, et c'est le moteur de rendu de la plus haute qualité de l'entreprise : 44 langues réparties sur 61 locales, le clonage de voix à partir d'une dizaine de secondes d'audio, une facturation à base de crédits où un crédit correspond à peu près à un caractère. Il n'a pas de couche de raisonnement, pas de couche d'outils et aucune notion de conversation. Vous l'appelez avec du texte et un identifiant de voix, vous recevez de l'audio en retour sous forme de flux, et la logique de prise de parole — quand écouter, quand interrompre, quoi faire quand l'appelant dit « en fait, non » — appartient au code que vous écrivez.

Phonic 1 a été lancé fin octobre 2026 en même temps qu’un tour de série A de 27,5 M$ mené par First Round, et son argumentaire est de forme inverse : un modèle unique qui prend en charge l’intégralité du tour de parole. La liste de fonctionnalités du fournisseur affirme que le ton et les hésitations sont perçus, que les appels d’outils se déclenchent pendant que l’appelant parle encore et que le modèle choisit parfois de ne pas répondre du tout — un comportement impossible à obtenir d’un point de terminaison TTS, car un point de terminaison TTS n’a pas d’avis sur l’opportunité de prendre la parole. Il facture un prix unique par minute de conversation et indique explicitement qu’il n’y a aucune refacturation LLM distincte et aucun frais par token.

Une petite réserve honnête avant d'aller plus loin. La couverture du lancement de Phonic le décrivait comme de bout en bout, évitant de recourir à des fournisseurs distincts de reconnaissance vocale, de LLM et de synthèse vocale. Le site du fournisseur lui-même décrit des modèles superviseurs pour le raisonnement et l'appel d'outils, et sa configuration de benchmark est étiquetée Phonic 1 (High), ce qui suggère un niveau d'intelligence sélectionnable. Les deux peuvent être vrais — un seul fournisseur peut prendre en charge tout le tour de parole tout en exécutant une couche de raisonnement interne — mais « de bout en bout » est un raccourci marketing pour « un seul contrat », et non la preuve qu'un seul réseau fait tout en une seule passe avant. Si votre revue d'architecture dépend de cette distinction, demandez directement au fournisseur ; les éléments publics ne permettent pas de trancher.

Les deux horloges mesurent des choses différentes.

La latence est le point où cette comparaison trompe le plus souvent, car les deux fournisseurs avancent un petit nombre de millisecondes, et aucun de ces chiffres n’est celui que ressent votre appelant.

• Phonic 1 — 0,61 s de temps moyen avant le premier audio selon la mesure d’Artificial Analysis, soit le plus rapide parmi les cinq meilleurs modèles parole-à-parole testés ; le fournisseur annonce moins de 600 ms entre l’entrée vocale et la sortie vocale.

• Cartesia Sonic 3.6 — délai jusqu’au premier audio inférieur à 90 ms, déclaré par le fournisseur et excluant explicitement le réseau ; un benchmark tiers a mesuré 120 ms en p50 depuis la côte Est des États-Unis en interrogeant directement le fournisseur, et un test d’appel réel basé à Sydney a rapporté 448 ms en médiane et 604 ms en p90 de bout en bout.

• Ce que signifie cet écart — les 0,61 s de Phonic commencent au moment où l’audio arrive et incluent la décision sur ce qu’il faut dire. Les 90 ms de Cartesia commencent une fois que le texte existe déjà et ne couvrent que sa transformation en son. Ajoutez votre propre reconnaissance vocale et la latence de votre propre modèle devant Sonic, et les deux chiffres convergent ; c’est cette arithmétique manquante qui explique pourquoi les valeurs brutes donnent l’impression d’un avantage de sept contre un, alors qu’il n’en est rien.

Artificial Analysis rapporte également Phonic 1 à 0,61 s contre 1,34 s pour GPT-Live-1 et 1,35 s pour Gemini 3.8 Live Extended Thinking, ce qui correspond à la comparaison pour laquelle ce chiffre est réellement pertinent : modèle contre modèle, même instrument de mesure. Sonic 3.6 n’apparaît pas du tout sur ce classement, car ce n’est pas un modèle conversationnel.

La facture, construite à partir de la même tâche

Prenons un appel entrant au support de dix minutes. Sur la chaîne assemblée avec Cartesia Sonic 3.6, vous payez au moins trois choses : la reconnaissance de l’audio de l’appelant, un modèle pour décider de la réponse et le rendu de cette réponse. La part de Sonic est la plus petite et la plus prévisible des trois — environ 0,28 $ à 0,49 $ par minute d’audio généré selon le forfait, et nettement moins que cela en pratique, car un agent ne parle pas pendant les dix minutes complètes. La part imprévisible, c’est le modèle au milieu, et c’est celle qui varie d’un ordre de grandeur selon que vous acheminez un petit modèle pour les 80 % de tours faciles ou que vous envoyez tout à un modèle frontière.

C'est sur ce tronçon intermédiaire que le routage gagne sa place au lieu d'être un simple ajout. Sur OrcaRouter, le modèle de raisonnement qui fait tourner votre agent repose sur une seule clé, parmi plus de 200 modèles à 0 % de marge sur le prix catalogue du fournisseur, si bien qu'une baisse de prix chez n'importe quel fournisseur est effective le jour même, sans attendre un avenant au contrat — et une règle de routage peut garder les tours peu coûteux à bas prix tout en n'escaladant que les plus difficiles. Le basculement automatique en cas de défaillance couvre le cas qui casse réellement les agents vocaux en production : le fournisseur du modèle flanche en pleine conversation et l'appelant n'entend plus que le silence.

Sur la voie Phonic 1, l’arithmétique se résume à une seule ligne. Dix minutes coûtent $0.70 au tarif de départ de $0.07, ou $0.65 au tarif Pro, qui implique un minimum mensuel de $200. C’est tout le coût de la couche modèle — pas de tokens séparés, pas de facture de raisonnement distincte — et c’est l’argument le plus fort en faveur de Phonic, car un tarif forfaitaire à la minute est un chiffre qu’une équipe financière peut prévoir sans modèle d’usage.

Lisez attentivement ces deux totaux avant de déclarer un gagnant. Le plancher du parcours assemblé est plus bas — un modèle intermédiaire bon marché plus le rendu de Sonic peut battre confortablement les 0,07 $ la minute — et son plafond est bien plus élevé, car un modèle de pointe à chaque tour le dépasse largement. Le tarif forfaitaire de Phonic 1 est un pari sur le fait que l'économie du fournisseur reste viable à mesure que votre proportion d'appels faciles et difficiles évolue. C'est une chose véritablement utile à acheter, et c'est aussi une chose que vous achetez en faisant confiance.

Là où Cartesia Sonic 3.6 l’emporte sans discussion

Si la question est « lequel de ceux-ci sonne mieux », Cartesia est loin derrière, et aucun score de benchmark agentique ne changera cela. Sonic 3.6 a pris la tête des deux arènes vocales d’Artificial Analysis lors de sa sortie — un Provider Voice Elo d’environ 1 282–1 283 et un score Controlled Voice proche de 1 123 — des mesures de préférence portant sur l’audio restitué, exactement ce à quoi sert un moteur TTS.

La surface de contrôle est également plus étendue. Clonage vocal à partir de dix secondes, 44 langues réparties sur 61 locales avec une sélection au niveau de la locale, cinq niveaux de forfait publiés, depuis un bac à sable gratuit de 20 K crédits jusqu'à un forfait Scale à 299 $ avec quinze requêtes simultanées, et des voix clonées facturées à 1,5x. Si votre produit est de la narration, du doublage, des invites IVR, ou un assistant dont les réponses sont scriptées et dont la voix est la marque, Sonic 3.6 est un meilleur outil que Phonic 1 et la comparaison devrait s'arrêter là.

Il y a aussi une structure de coûts qu’il vaut la peine de nommer : le modèle de crédits de Cartesia signifie que vous payez pour les caractères que vous synthétisez, de sorte qu’un appel où l’agent dit quatre mots coûte quatre mots. Un modèle à la minute facture la minute entière, quoi qu’il arrive. Pour les interactions courtes et à fort volume — confirmations de rendez-vous, notifications de livraison, une vérification en deux tours — le modèle par caractère est structurellement moins cher.

Là où Phonic 1 gagne sans discussion

Les appels d’outils qui démarrent avant que l’appelant ait fini de parler sont la seule capacité de ce comparatif dont Cartesia Sonic 3.6 ne dispose simplement pas, car l’appel d’outils n’est pas une propriété qu’un moteur de rendu peut posséder. Dans un parcours de réservation où l’appelant dit « il me faut jeudi, non attendez, vendredi après-midi », la chaîne assemblée doit attendre la détection de fin de tour, lancer la reconnaissance, lancer le modèle, lancer l’outil, puis effectuer le rendu — quatre relais en série contre un seul revendiqué par Phonic. La comparaison de démonstration de Phonic elle-même, une réponse 1,1 seconde après que l’appelant s’est arrêté contre 15,7 secondes pour GPT-Live d’OpenAI, est une démonstration de fournisseur et doit être lue comme telle. Mais le point structurel survit à cette réserve : moins de relais, c’est moins d’endroits où perdre une seconde.

• Langues — Phonic 1 en prend en charge plus de 50, avec un changement de langue en cours de conversation qui conserve la même voix ; Cartesia Sonic 3.6 couvre 44 langues réparties sur 61 locales, pour le rendu uniquement.

• Facturation — Phonic 1 applique un tarif unique par minute de conversation, sans répercussion des coûts LLM ; Cartesia Sonic 3.6 facture au caractère/au crédit, et le reste de la pile est facturé séparément.

• Capacité agentique — Phonic 1 obtient 79,9 % sur la composante agentique de l’indice parole-parole d’Artificial Analysis, le score le plus élevé enregistré dans cet indice ; Sonic 3.6 n’a pas de score agentique car il ne dispose d’aucun agent.

• Qualité vocale — Cartesia Sonic 3.6 domine les deux arènes vocales d'Artificial Analysis sur l'audio rendu ; le score de préférence d'arène de Phonic 1 est de 1 012, soit huitième sur trente.

• Déploiement — Phonic 1 propose le cloud, le mono-tenant, le VPC peering et l'auto-hébergement, avec la disponibilité de SOC 2 Type II et d'un BAA HIPAA indiquée ; Sonic 3.6 est une API hébergée.

La comparaison que Cartesia aimerait vraiment que vous réalisiez

La vraie réponse de Cartesia à Phonic 1 est Cartesia Line, son produit d'agent vocal, que l'entreprise facture environ 0,06 dollar la minute et qui apparaît sur Artificial Analysis comme un pipeline de fournisseur plutôt qu'un modèle noté — la gamme sur laquelle il repose s'appuie conjointement sur Ink, Gemini 2.5 Flash et Sonic. Cela dit deux choses à la fois. Le tarif annoncé est inférieur d'un cent à celui de Phonic 1, et ce tarif est incomplet exactement de la manière dont le marketing de Phonic accuse les piles assemblées de l'être : le volet Gemini 2.5 Flash facture ses propres tokens en sus.

Donc la comparaison directe honnête n’est pas 0,07 $ contre 0,06 $. C’est un 0,07 $ fixe et tout compris contre des frais de plateforme de 0,06 $ plus une facture de modèle que vous contrôlez. Pour une équipe qui achemine déjà ses propres modèles et veut continuer à le faire, cette structure est un avantage. Pour une équipe qui veut un chiffre, pas une feuille de calcul, c’est la raison d’être de Phonic 1.

Qui devrait agir, et qui devrait attendre

Achetez Cartesia Sonic 3.6 si la voix est le produit. Narration, assistants de marque, doublage, tout domaine où un humain jugera l'audio et où personne ne jugera les appels d'outils. La première place dans l'arène est bien réelle, le clonage est rapide, et la gradation des offres signifie que vous pouvez commencer gratuitement.

Achetez Phonic 1 si l’appel doit faire quelque chose — réserver, vérifier, rembourser, faire remonter — et si un budget d’ingénierie à cinq chiffres pour du code de liaison est pire qu’un tarif forfaitaire à la minute. Il est également, à l’heure où nous écrivons, disponible depuis environ une semaine sur une API publique, avec un seul conseil indépendant derrière lui et aucune donnée de fiabilité à long terme ; la façon raisonnable de l’adopter est en parallèle de votre parcours actuel, et non à sa place.

Et si vous assemblez plutôt que de louer, la décision qui fait réellement bouger votre facture n'est pas Sonic contre Phonic. C'est le modèle qui répond aux tours de parole simples. Ce maillon est celui qui tourne sur OrcaRouter aujourd'hui — une seule clé, plus de 200 modèles, prix catalogue répercuté, bascule automatique en cas de défaillance d'un fournisseur — alors que ni Phonic 1 ni Cartesia Sonic 3.6 ne figurent dans notre catalogue, et que chacun doit être contractualisé auprès de son propre fournisseur.

Cet achat qui ressemble à une comparaison de prix pose en réalité une question : quelle part du travail voulez-vous assumer ? Sonic 3.6 vous permet de l'assumer entièrement et vous offre le composant au meilleur rendu sonore sur lequel bâtir. Phonic 1 vous en décharge et facture un forfait pour ce privilège. Ni l'un ni l'autre n'a tort. Ils n'ont tort que lorsqu'on achète l'un pour la raison de l'autre.