Phonic 1 vs ElevenLabs : ce qu'un fournisseur doit vous payer pour que vous partiez en dit long sur la lutte

Le chiffre le plus révélateur de la comparaison Phonic 1 contre ElevenLabs n’est pas un benchmark. C’est une remise. L’offre de lancement de Phonic, telle que rapportée fin octobre 2026, comprend trois mois gratuits pour les équipes qui quittent ElevenLabs ou Bland, plus 250 $ de crédits pour toute personne qui s’inscrit avant le 30 novembre. Personne ne subventionne une migration face à un fournisseur qu’il compte battre sur le produit. On la subventionne face à un fournisseur dont les clients sont captifs pour autre chose que le modèle.

Ce quelque chose est tout l’intérêt d’ElevenLabs : une bibliothèque vocale de plus de 17 000 voix, plus de 90 langues, une offre de synthèse vocale qui reste la référence pour l’audio généré, et une plateforme d’agents qui l’entoure. Phonic 1 est un modèle avec une seule facture. ElevenLabs est une entreprise dans laquelle vous avez construit votre produit. La comparaison n’a de sens que si vous gardez ces deux formes à l’esprit, car sur un tableau de benchmarks la réponse est nette, tandis que dans une décision d’approvisionnement, elle ne l’est pas.

Eleven Realtime v1 Max est le modèle, et il est plus récent que vous ne le pensez.

L’offre de parole à parole d’ElevenLabs est Eleven Realtime v1 Max, annoncée le 20 octobre 2026 dans le cadre d’un déploiement progressif, aux côtés d’un v1 Mini plus petit. Cela précède de dix jours la couverture du lancement de Phonic 1 — il ne s’agit pas d’un acteur historique mature mis au défi par un nouveau venu. Ce sont deux modèles qui se connaissaient à peine au moment de leur commercialisation.

• Eleven Realtime v1 Max — indice parole à parole 77,3, raisonnement 99, dynamique conversationnelle 94,1, agentique 47,6, préférence en arène 990, réussite des tâches 87,1 %, délai avant le premier audio 0,57 s.

• Phonic 1 (High) — indice parole-vers-parole 87,1, raisonnement 99, dynamique conversationnelle non communiquée, agentique 79,9, préférence d’arène 1 012, réussite des tâches 92,3 %, délai avant le premier audio 0,61 s.

• Eleven Realtime v1 Mini — indice parole-à-parole 64,4, raisonnement 76, dynamique 95,8, agentique 46,8, arène 981, réussite des tâches 60,3 %, temps jusqu’au premier audio 0,62 s.

Tous les chiffres ci-dessus sont ceux d’Artificial Analysis, et non ceux de l’un ou l’autre fournisseur. Notez ce que la comparaison dit et ne dit pas. Phonic remporte l’indice composite de 9,8 points et la composante agentique de 32,3 — un écart tellement important qu’il s’agit du seul chiffre de cette confrontation qui devrait modifier une architecture. Il remporte la préférence de l’arène de 22 points sur une échelle où une différence Elo de 22 points est réelle mais non décisive. Il gagne 5,2 points en réussite des tâches. Sur la latence, il perd, de justesse, avec 0,61 s contre 0,57 s, et les deux se situent sous le seuil d’une seconde qui compte pour un appel téléphonique.

L’écart qui devrait réellement faire évoluer votre décision

La performance agentique, 79,9 % contre 47,6 %, est le chiffre sur lequel il faut prendre le temps de se pencher. Elle mesure si le modèle peut accomplir une tâche qui exige d’appeler des outils et d’agir sur le résultat, et pas seulement s’il peut tenir une conversation — et c’est le seul domaine où un laboratoire plus petit et plus récent a battu une entreprise forte de 17 000 voix et d’une décennie de surface produit. Si le travail de votre agent consiste à rechercher quelque chose, à réserver quelque chose ou à modifier quelque chose pendant que l’appelant attend, c’est le chiffre qui prédit si votre taux de complétion survit au contact des utilisateurs réels.

Le score de 94,1 d’ElevenLabs en dynamique conversationnelle, face à celui non communiqué de Phonic, constitue la lacune honnête du tableau de bord de Phonic, et la structure même d’Artificial Analysis explique pourquoi il n’apparaît pas dans l’index principal. Le composite est une moyenne pondérée de quatre composantes — raisonnement vocal, performance agentique, préférence d’arène et taux de réussite des tâches — et la dynamique conversationnelle est indiquée aux côtés de l’index sans être l’une de ses entrées. Ainsi, le chiffre manquant de Phonic en dynamique ne lui coûte rien sur le 87,1 et vous dit quelque chose que l’index ne peut pas : personne n’a encore mesuré avec quelle aisance le modèle soutient une conversation longue, désordonnée et ponctuée d’auto-interruptions. Tant que cette colonne n’est pas remplie, les affirmations selon lesquelles Phonic sonne aussi plus naturel qu’ElevenLabs ne sont étayées ni dans un sens ni dans l’autre.

Ce que le changement vous coûte réellement, en termes de choses qui ne sont pas le modèle

Le prix est l'argument que Phonic met en avant, et sur le tarif d'appel, c'est juste. L'offre de démarrage de Phonic est à 0,07 $ par minute de conversation, sans répercussion des tokens. Eleven Realtime v1 Max est à 0,080 $ par minute d'audio connecté en plus, les tokens de modèle sont facturés à 1,80 $ par million de tokens d'entrée et 9,00 $ par million de tokens de sortie — et au-delà de votre quota de simultanéité, le tarif bondit à 0,160 $. Les frais à la minute ne sont que la moitié visible.

• Tarif phare — Phonic 1 à 0,07 $/min (offre Pro à 0,065 $ avec un minimum mensuel de 200 $), contre Eleven Realtime v1 Max à 0,080 $/min.

• Ce que le tarif exclut — Phonic 1 indique qu'aucuns frais par token ni frais de LLM ne s'appliquent ; Eleven Realtime v1 Max facture les tokens du modèle en plus des frais à la minute, ainsi que le trafic en rafale au double du tarif.

• Inventaire des voix — ElevenLabs propose plus de 17 000 voix et plus de 90 langues ; Phonic 1 revendique plus de 50 langues avec un changement en cours de conversation qui conserve la même voix.

• Déploiement — Phonic 1 propose le cloud, le mono-locataire, le peering VPC et l’auto-hébergement ; ElevenLabs est une plateforme hébergée, et ses propres notes de version signalaient que les modèles temps réel étaient indisponibles dans certains environnements de résidence des données au lancement.

• Structure de l'API — Eleven Realtime v1 Max est compatible avec OpenAI-Realtime via WebSocket, sans WebRTC au lancement ; Phonic 1 expose un point de terminaison WebSocket en PCM 24 kHz dans les deux sens, avec des déclarations d'outils intégrées.

Trois mois gratuits, c’est un chiffre bien réel, et c’est aussi une erreur d’arrondi face au coût d’un changement de plateforme. L’identité vocale est l’élément qui n’apparaît sur aucune page de comparaison. Si votre agent de production parle avec une voix de marque clonée, cette voix réside dans la bibliothèque d’ElevenLabs, sous les conditions d’ElevenLabs ; Phonic propose le clonage, mais une voix clonée n’est pas un fichier portable, et un nouveau clonage produit une voix différente, pas la même. Les équipes qui ont bâti une marque autour d’un timbre précis devraient intégrer ce coût avant de calculer le tarif à la minute.

Il existe un second problème de portabilité, plus discret. Un agent ElevenLabs est un empilement : la voix, le prompt, les outils, le flux de conversation. Changer de modèle signifie reconstruire le flux, et les définitions d’outils ne l’accompagnent pas. C’est dans cette colle qu’une migration échoue généralement, et c’est aussi la couche qu’il vaut la peine de posséder soi-même plutôt que de louer auprès d’un seul fournisseur. Le volet raisonnement et appel d’outils d’un agent est la partie qui tourne sur OrcaRouter aujourd’hui — une seule clé pour 200+ modèles au prix catalogue, sans majoration, une règle de routage qui maintient à bas coût les tours économiques, et un basculement automatique pour qu’une micro-coupure d’un fournisseur ne devienne pas un silence radio lors d’un appel en direct. Ni Phonic 1 ni Eleven Realtime v1 Max ne figurent dans notre catalogue ; chacun provient toujours de son propre fournisseur. La différence réside dans ce que vous conservez lorsque vous partez.

Là où ElevenLabs reste la bonne réponse

La gamme TTS d'ElevenLabs reste le choix par défaut le plus rationnel pour tout ce qui n'est pas un agent en direct. Son modèle vocal Eleven v4 se situe autour de 1 157 Elo dans l'arène de voix contrôlée d'Artificial Analysis, à environ 80 $ par million de caractères, et Eleven v3 à 100 $ par million de caractères — tous deux bien au-dessus des 49 $ normalisés de Cartesia Sonic 3.6, et tous deux justifient ce choix pour la narration, les livres audio, le doublage et les annonces de marque où l'audio est le produit.

Si votre cas d'usage consiste à « lire ce texte avec beauté dans la voix de notre marque », la question ElevenLabs contre Phonic 1 ne relève pas de la concurrence. Phonic ne vend pas un moteur de narration généraliste ; il vend un agent conversationnel. Acheter un modèle parole-vers-parole pour restituer un texte scripté, c'est payer pour du raisonnement que vous n'utiliserez jamais, et obtenir une qualité de voix qui n'a pas été notée indépendamment au-dessus de celle d'ElevenLabs sur l'arène qui mesure exactement cela.

Il y a aussi la question de l’étendue et de la maturité. Plus de 90 langues contre plus de 50, plus de 17 000 voix contre un ensemble sélectionné, et une plateforme dotée d’un produit d’agent, d’un SDK et d’un journal des modifications que votre équipe lit déjà. Ce sont là des choses qu’un modèle de semaine de lancement n’a pas eu le temps d’accumuler.

À qui la réduction est réellement destinée

L’offre de changement de fournisseur n’a de sens que pour un acheteur bien précis : une équipe dont l’agent effectue de véritables tâches transactionnelles, dont l’identité vocale est soit générique, soit la sienne mais à recloner, et dont la pile actuelle repose entièrement sur ElevenAgents. Pour cette équipe, l’écart en matière d’agentique est un problème produit, trois mois gratuits constituent une vraie protection contre une migration susceptible d’échouer, et la facturation forfaitaire à la minute supprime un exercice de modélisation que son équipe financière réalisait chaque mois.

Tous les autres devraient attendre et observer ce que Phonic publiera ensuite. Deux éléments permettraient de trancher : un score de dynamique conversationnelle dans le même classement, afin que la quatrième composante de l’indice cesse d’être une hypothèse, et une mesure indépendante, hors démonstration, de la capacité revendiquée par le fournisseur d’appeler des outils tout en parlant. Ni l’un ni l’autre n’existe encore. Un modèle qui a une semaine, qui n’a qu’un seul classement à son actif et qui n’a jamais affronté un Black Friday n’est pas quelque chose sur quoi migrer une ligne de revenus — mais c’est exactement le genre de chose à placer derrière un chemin de basculement et à mesurer face à votre propre trafic pendant un mois.

Le résumé honnête est asymétrique. Phonic 1 est meilleur sur ce qui est le plus difficile à construire et le plus facile à mesurer : achever une tâche agentique. ElevenLabs est meilleur sur tout ce qui l'entoure et qui est plus difficile à mesurer : l'identité vocale, la couverture linguistique et un produit que votre équipe connaît déjà. Les trois mois gratuits ne sont pas un verdict sur l'un ou l'autre. C'est l'aveu d'un fournisseur : ce sont les éléments périphériques qui fidélisent les clients, et le pari que suffisamment d'entre eux peuvent être reconstruits en quatre-vingt-dix jours.