Phonic 1 vs Qwen Audio 3.1 : 82,0 % et 79,9 % ne sont pas le même nombre

La comparaison que tout le monde fera entre Phonic 1 et Qwen Audio 3.1 Realtime tient en un tableau à deux lignes : Qwen obtient 82,0 % sur τ-Voice, Phonic obtient 79,9 %, donc le modèle moins cher gagne. C'est une histoire séduisante, et elle est fausse, car ces deux chiffres proviennent d'instruments différents. Les 82,0 % de Qwen viennent de la publication du fournisseur lui-même, mesurés sur une variante adaptée, semi-duplex, de transcription vocale du benchmark. Les 79,9 % de Phonic correspondent à la composante agentique de l'indice parole-vers-parole d'Artificial Analysis, mesurée sur la version réelle. Soustraire l'un de l'autre est la même erreur que comparer une note d'examen tirée d'un sujet d'entraînement avec une note tirée de l'examen.

Ce qui rend cette erreur digne d’être mentionnée, c’est qu’elle constitue la seule comparaison disponible. Qwen Audio 3.1 Realtime n’apparaît pas du tout dans le classement parole-parole d’Artificial Analysis — ce classement recense Qwen Audio 3.0 Realtime Plus à 69,5 et Qwen Audio 3.0 Realtime Flash à 67,7, et rien de plus récent. Ainsi, le plus récent challenger bon marché de cette catégorie a publié ses propres chiffres, dans ses propres unités, et aucun organisme indépendant ne l’a évalué. C’est cet écart qui fait l’histoire, et l’article honnête porte essentiellement sur ce qu’il est encore impossible d’affirmer.

Ce qu'est réellement Qwen Audio 3.1

Qwen-Audio-3.1 d’Alibaba est arrivé fin septembre 2026 sous la forme d’une pile de cinq modèles plutôt que d’une version unique : ASR, ASR-Next, TTS, TTS-Next et Realtime. Celui qui concurrence Phonic 1 est Qwen Audio 3.1 Realtime, et plus précisément le niveau Realtime-Plus, qui n’est disponible que via QwenCloud par WebSocket — pas de poids ouverts, contrairement aux membres TTS et ASR de la famille, et aucune option d’auto-hébergement dans la documentation publique.

• Contexte — 262 K au total, 245 K d’entrée maximale et 16 K de sortie maximale, contre le contexte non publié de Phonic 1.

• Limites de débit — {{1}}60 requêtes et 100 K jetons par minute{{/1}} par défaut sur QwenCloud ; Phonic ne publie aucun plafond de session équivalent.

• Fonctionnalités — appel de fonctions, recherche web, sorties structurées, mise en cache du contexte, fine-tuning et clonage vocal sont tous indiqués pour Qwen Audio 3.1 Realtime ; Phonic répertorie des outils synchrones intégrés, plus de 50 langues et le changement de langue en cours de conversation.

• Disponibilité — Qwen Audio 3.1 Realtime est disponible uniquement via API ; Phonic 1 propose le cloud, le mono-tenant, le VPC peering et l’auto-hébergement.

Ces deux lignes sont celles qui comptent pour les achats. La famille Qwen livre généralement les poids ; ce membre-ci ne le fait pas, ce qui élimine la principale raison pour laquelle une équipe choisit Qwen plutôt qu'un fournisseur hébergé. L'option d'auto-hébergement de Phonic est l'image inversée — c'est le seul moyen pour l'un ou l'autre de ces deux modèles de fonctionner ailleurs que dans le cloud de quelqu'un d'autre.

Le benchmark qui n'est pas le même benchmark

Le chiffre de 82,0 % apparaît dans l’article arXiv d’Alibaba sur Qwen-Audio-3.1, présenté comme une amélioration par rapport à 78,4 % dans la génération précédente. Le même article précise explicitement qu’il s’agit d’une adaptation semi-duplex, de parole à texte, de τ-Voice, et non de l’évaluation agentique en duplex intégral qui produit les chiffres du classement public. Ce n’est pas malhonnête — c’est divulgué — mais cela signifie que le chiffre répond à une question plus étroite : dans un cadre de type transcription et pour une tâche donnée, à quelle fréquence le modèle l’accomplit-il.

Les 79,9 % de Phonic 1 répondent à la question plus large, et l’écart entre les deux questions n’est pas mince. Une adaptation semi-duplex supprime les parties d’un appel agentique qu’il est le plus difficile de réussir : l’interruption par la voix (barge-in), le chevauchement de la parole, le choix du moment où arrêter d’écouter et la récupération lorsque l’appelant change d’avis en cours d’appel d’outil. Chacun de ces points est un endroit où un modèle perd des tâches qu’il aurait sinon menées à bien.

La direction de l’erreur est donc prévisible, et elle est à l’opposé de la lecture évidente. Les 82,0 % de Qwen constituent très probablement un plafond optimiste pour son comportement en duplex intégral, et non une victoire à périmètre comparable sur les 79,9 % de Phonic. Reste à savoir s’il franchit ce seuil. Alibaba n’a pas soumis le modèle à l’évaluateur qui a produit le 79,9.

Ce que Qwen publie effectivement, et où ses propres chiffres le desservent

La publication d’Alibaba est inhabituellement transparente sur les échecs, ce qui la rend plus utile que la ligne phare τ-Voice. Lisez l’intégralité du tableau, et le modèle apparaît moins comme un challenger décisif que comme un solide système temps réel de deuxième génération, avec deux points faibles bien précis.

• Taux d'erreur sur les mots de FLEURS — de 9,01 à 3,98, une véritable amélioration de la précision de reconnaissance entre les langues.

• Moyenne du Big Bench Audio sur 14 langues — de 81,7 % à 88,1 %.

• Audio MultiChallenge — 47.12 à 52.21.

• Taux de réponse aux paroles d’arrière-plan sur Full-Duplex-Bench v1.5 — de 73,0 % à 13,0 %, ce qui signifie que le modèle est bien moins susceptible de répondre à des paroles qui ne lui étaient pas adressées.

• Latence d’arrêt sur interruption — 1,116 s, contre 0,383 s pour GPT-Realtime-2. C’est le chiffre à mettre en regard des 0,61 s jusqu’au premier audio de Phonic : l’un mesure la vitesse à laquelle un modèle démarre, l’autre la vitesse à laquelle il s’arrête, et un arrêt lent correspond à ce que les appelants décrivent comme se faire parler par-dessus.

• Taux de reprise indésirable — 0,035 passant à 0,130, une régression que l’article signale par rapport à son propre prédécesseur ; le modèle est plus susceptible de se remettre à parler alors qu’il ne le devrait pas.

Ces deux dernières lignes sont les faits les plus sous-estimés du lancement de Qwen Audio 3.1. Un modèle qui met 1,116 seconde à produire une réponse et qui reprend la parole lorsqu'on ne le souhaite pas paraîtra, lors d'un véritable appel téléphonique, moins bon que ne le laissent penser ses scores de précision — et c'est précisément sur ce terrain que le marketing de Phonic 1 insiste, avec son argument « répond avant que l'appelant ait fini de parler » et sa latence parole-parole inférieure à 600 ms.

Le seul point de données comparable

Qwen Audio 3.1 Realtime n’a pas de score d’indice ; le seul moyen de le comparer à Phonic 1 sur le même instrument est de passer par son prédécesseur. Qwen Audio 3.0 Realtime Plus a obtenu 69,5 sur l’indice parole-à-parole, avec 54,6 % de performance agentique, 99 % de raisonnement vocal, 77,8 % de réussite des tâches, 798 Elo dans l’arène et 1,54 s jusqu’au premier audio.

• Performance agentique — Phonic 1 79,9 contre Qwen Audio 3.0 Realtime Plus 54,6. Si la version 3.1 apporte l'amélioration que son propre article laisse entendre sur les tâches, elle comble une partie de cet écart de 25 points ; personne n'a mesuré dans quelle proportion.

• Préférence d'arène — Phonic 1 : 1 012 contre 798 pour la 3.0. C'est le plus grand écart de la comparaison et celui qui est le moins susceptible de s'être résorbé, car la préférence d'arène est une mesure fondée sur le vote humain qui évolue lentement d'une génération à l'autre.

• Délai avant le premier audio — Phonic 1 : 0,61 s contre 1,54 s pour 3.0. L’offre temps réel de Qwen a historiquement été la famille la plus lente sur ce point, et 3.1 ne publie aucun chiffre de délai avant le premier audio.

• Réussite des tâches — Phonic 1 92,3 % contre 77,8 % pour 3.0.

Le schéma sur trois générations est constant : les modèles temps réel de Qwen ont toujours été de bons systèmes de reconnaissance et de piètres agents, et la 3.1 est la génération qui prétend corriger la partie agent. Savoir si elle y est parvenue est précisément ce que vous indiquerait le score d’index manquant.

Deux unités de prix qui ne se convertissent pas

Qwen Audio 3.1 Realtime facture par token : 0,80 $ pour un million de tokens d’entrée texte, 6,40 $ pour l’entrée audio, 6,40 $ pour la sortie texte et 24 $ pour la sortie audio dans la région de Singapour, les tarifs de Pékin étant inférieurs d’environ 14 % sur l’ensemble. Phonic 1 facture 0,07 $ par minute de conversation, en forfait, sans frais de tokens.

Il n’existe aucune conversion publique entre ces unités. Pour transformer un tarif par token en coût par minute, il faut la densité de tokens audio — combien de tokens occupe une minute de parole — et Alibaba ne la publie pas pour ce modèle. Quiconque vous cite un équivalent par minute pour Qwen Audio 3.1 soit devine la densité, soit l’emprunte à une autre famille de modèles dotée d’un codec différent. La direction de la réponse ne fait aucun doute : les tarifs audio de Qwen sont suffisamment bas pour qu’une minute bien tokenisée tombe très probablement sous les sept cents, et sa réduction de prix d’environ 85 % sur l’offre Realtime a été le point fort du lancement. L’ampleur reste inconnue, et cette inconnue est suffisamment grande pour compter dans un déploiement à fort volume.

• Audio d'entrée — Qwen 6,40 $ / 1M de tokens (Singapour) contre Phonic 0,07 $ par minute de conversation, sans taux de change publié entre les deux.

• Audio de sortie — Qwen 24 $ / 1 M de tokens ; le tarif forfaitaire à la minute de Phonic couvre l’audio de sortie.

• Tarification régionale — la région de Pékin de Qwen est environ 14 % moins chère que Singapour ; Phonic publie une grille tarifaire mondiale unique.

• Minimums — Le niveau Pro de Phonic impose un minimum mensuel de 200 $ ; QwenCloud publie des limites de débit par défaut plutôt qu'un minimum de plateforme.

La différence de forme est ce qui subsiste malgré l’absence de conversion. Une facturation par token mesure ce que le modèle fait réellement — les longues transcriptions, les réponses verbeuses et les tours à forte utilisation d’outils coûtent tous plus cher. Une facturation à la minute mesure la durée pendant laquelle la ligne téléphonique est restée ouverte. Pour un agent qui passe l’essentiel d’un appel à écouter, le modèle par token est le plus favorable ; pour un agent qui répond longuement, il ne l’est pas.

À quelle question répondez-vous ?

Si vous cherchez un modèle à déployer sur votre propre infrastructure, cette comparaison ne vous concerne pas : Qwen Audio 3.1 Realtime ne fournit aucun poids, et Phonic 1 peut être auto-hébergé, ce qui fait de Phonic la seule option ici qui quitte tant soit peu le cloud du fournisseur. C’est une réponse en une ligne, et il est facile de la manquer dans le discours sur les benchmarks.

Si vous choisissez un modèle temps réel hébergé sur critère de coût, Qwen Audio 3.1 est le pari le plus intéressant — nettement moins cher à l'unité, un gain de précision de reconnaissance bien documenté, et un fournisseur doté d'un écosystème open-weight profond derrière lui. Le risque, c'est que sa moitié « agent » ne soit pas mesurée et que son comportement en cas d'interruption se soit dégradé dans le tableau du fournisseur lui-même.

Si vous choisissez sur la base des performances agentiques mesurées, Phonic 1 est le seul des deux que vous pouvez réellement classer, car c’est le seul qui ait été classé. C’est une affirmation moins forte que « Phonic est meilleur », et c’est celle qui est vraie.

Et si vous utilisez les modèles textuels de Qwen en parallèle d'une couche vocale, cette moitié de la pile est déjà routable — Qwen3.8-Max est disponible sur OrcaRouter parmi plus de 200 modèles avec une seule clé, au tarif catalogue du fournisseur et sans marge, de sorte qu'une baisse de prix côté Alibaba est effective le jour même. Le point de terminaison audio ne figure pas dans notre catalogue, et Phonic 1 non plus ; chacun provient de son propre fournisseur. Ce qu'un routeur vous apporte sur un marché aussi jeune, c'est la possibilité de maintenir un chemin vocal fonctionnel pendant qu'une option plus récente et moins coûteuse fait ses preuves — le basculement automatique signifie que tester Qwen Audio 3.1 sur votre propre trafic ne vous coûte qu'une règle de routage, pas une migration.

La conclusion honnête est que ce duel est actuellement indécidable sur l’axe sur lequel les deux fournisseurs veulent qu’il soit tranché. Alibaba a publié un chiffre qui flatte son modèle en mesurant une tâche plus facile. Phonic a publié un chiffre mesuré correctement, mais sur une seule carte, une seule configuration et une semaine de disponibilité. La première chose à surveiller n’est pas une baisse de prix ni un benchmark — c’est l’apparition de Qwen Audio 3.1 Realtime sur une carte qui évalue les deux modèles de la même manière. D’ici là, la seule affirmation défendable est que Phonic 1 est la valeur connue et que Qwen Audio 3.1 est l’inconnu bon marché, ce qui est une très bonne raison d’essayer le second derrière une règle de basculement plutôt que devant vos clients.