פוניק 1 נכנס לראשונה למקום הראשון במדד הדיבור. פער של 0.2 נקודות מסתיר את ההובלה האמיתית.

Phonic 1 הוא כעת המודל המדורג הראשון בדיבור-לדיבור במדד ה-Speech to Speech של Artificial Analysis, עם 87.1, מירוץ של עשירית נקודה שהוא ניצח כשעקף את Grok Voice 3.0 של xAI, שעמד על 86.9. פער של 0.2 נקודה היה נחשב בדרך כלל לרעש, ובמדד הזה הוא כמעט אכן כך: שני המודלים אינם מנצחים באותם אירועים, ולפיכך התיקו המשולב מסתיר מתחתיו פער גדול בהרבה. במדד המשימות האייג'נטיות שמזין רבע מהציון הזה, Phonic 1 מגיע ל-79.9% לעומת 74.5% עבור התצורה הטובה ביותר של OpenAI.

Phonic, ספין-אוף של כעשרה אנשים שמקורו בחוקרים מ-MIT ומסטנפורד, הציגה את המודל ב-29 באוקטובר 2026 לצד סבב גיוס Series A בסך 27.5 מיליון דולר בהובלת First Round, והביאה בכך את סך המימון שלה ל-31.5 מיליון דולר. החברה מאייתת את המודל Phonic-1 בפוסט ההשקה ובתיעוד שלה; Artificial Analysis מפרטת אותו כ-Phonic 1 (High), כאשר הביטוי בסוגריים הוא הגדרת API ולא שם מוצר. שתי צורות הכתיב מצביעות על אותו endpoint ואותו מחיר מחירון של $0.07 לדקה.

מהו Phonic-1, במילותיו של הספק עצמו

זהו מודל דיבור מקצה לקצה, לא שרשרת של תמלול-ואז-חשיבה-ואז-דיבור. אודיו נכנס, אודיו יוצא, והטיעון שפוניק מעלה לטובת הארכיטקטורה הוא שתמלול הוא עותק מאבד-מידע של שיחה — טון, היסוס וחפיפה נזרקים החוצה לפני שמודל השפה רואה אותם בכלל. את הטיעון הזה העלה כל ספק דיבור-לדיבור מאז 2024; מה שפוניק בעצם מוכרת הוא תחבולת תזמון על גבי זה.

הטריק הזה הוא קריאה לכלים (tool calling) במהלך התור של המתקשר. במקום להמתין לכך שהמתקשר יפסיק לפני שהיא מתחילה חיפוש, המודל משגר קריאות לכלים בזמן שהדיבור עדיין מגיע, כך שהתוצאות מוכנות עד אשר המתקשר מפנה את התור. בהדגמה שפרסמה Phonic, המודל קרא לכל חמשת הכלים באמצע המשפט וענה 1.1 שניות לאחר שהמתקשר עצר; היא מציבה את GPT-Live-1 של OpenAI על 15.7 שניות באותו תסריט. ההשוואה הזו היא הדגמת ספק במשימה שנבחרה על ידי הספק, ולא מדד נמדד, וכדאי לקרוא אותה כדוגמה לעיצוב ולא כתוצאה של השוואה ישירה.

משטח ה-API שפורסם קונקרטי יותר מרוב פוסטי ההשקה:

• מזהי מודלים — phonic-1, כאשר phonic-0.5 עדיין מתקבל כדור הקודם. השמטת השדה משתמשת בברירת המחדל הנוכחית.

• אינטליגנציה — שדה enum בשם intelligence_level; ברירת המחדל היא standard, ו-high כאשר רוצים את המודל היכול יותר להסקה מורכבת. התיעוד מתאר את standard כהגדרה המותאמת לשיהוי נמוך יותר, כלומר התצורה שכל הבנצ'מארקים העניקו לה ציון עד כה אינה זו שפריסה הרגישה לשיהוי מקבלת כברירת מחדל.

• שפות — 51, רשומות עם קודי ISO עד לפיליפינית (fil) וקנטונזית (yue), עם החלפה בתוך השיחה ששומרת על אותה זהות דובר.

• השהיה — Phonic טוענת לזמן של פחות מ־600 מ״ש מקלט דיבור ועד פלט דיבור. Artificial Analysis מדדה 0.61 שניות עד לאודיו הראשון בהרנס הבדיקה שלה, מה שתואם את הטענה מבלי להיות אותה מדידה.

• פריסה — API מתארח, SDKs של TypeScript ו-Python, CLI ובונה סוכנים ללא קוד, בנוסף לאפשרויות self-hosted ו-VPC ברמת הארגון, עם SOC 2 Type II, HIPAA BAA, אי-שמירת נתונים ו-SLA של 99.9% זמינות בעמוד.

האינדקס, שורה אחר שורה

ה-Speech to Speech Index הוא מדד מורכב מארבעה רכיבים בעלי משקל שווה: Big Bench Audio עבור הסקה בדיבור, τ-Voice עבור התנהגות סוכנית בשירות לקוחות, זירת העדפות אנושיות, ושיעור הצלחת משימות. מודל חייב להציג את כל ארבעתם כדי לקבל ציון כלשהו, וזו הסיבה ש-StepAudio 3 Realtime מופיע בטבלת ההסקה בלי ציון מורכב — עמודות הסוכנות, הזירה והצלחת המשימות שלו ריקות.

ארבעת הרכיבים של Phonic 1, לפי Artificial Analysis:

• מדד דיבור לדיבור — 87.1, במקום הראשון, לפני Grok Voice 3.0 עם 86.9, GPT-Live-1 (Astra, medium) עם 83.2, Grok Voice 2.0 עם 81.3 ו-GPT-Live-1 (Sol, low) עם 80.1.

• τ-Voice — 79.9%, במקום הראשון, בפער של 5.4 נקודות מ-GPT-Live-1 (Astra, medium) שעומד על 74.5%.

• Big Bench Audio — 98.9%, במקום השלישי, אחרי StepAudio 3 Realtime עם 99.7% ו-Qwen Audio 3.0 Realtime Plus עם 99.2%.

• Speech Agent Arena — מקום שמיני מתוך 30 בהעדפה ב-Elo 1012, מקום רביעי בהצלחת משימה ב-92.3%.

קראו את ארבע השורות האלה לפי הסדר, והתוצאה המשולבת מפסיקה להיראות כמו תיקו. Phonic 1 מנצח באופן מוחלט במבחן הסוכני וממוקם שלישי בהסקה, אך הוא שמיני בהעדפת הקול האנושית בפועל ורביעי בהצלחה גולמית במשימות — מודל שהוא, באופן מדיד, מפעיל כלים טוב יותר, ולא בן השיח האהוב על הקהל. זהו אותו סיפור מבני שמצאנו ב־86.9 של Grok Voice 3.0 לפני שבועיים, מהצד ההפוך: xAI החזיקה בזירה והפסידה בעמודה הסוכנית, ו־Phonic מחזיקה בעמודה הסוכנית תוך ויתור על הזירה.

שני שעונים, שני זוכים

הלאטנסי הוא התחום שבו הסיקור נהיה מרושל, משום ששני מכשירים מכובדים חולקים זה על זה בשאלה מי המהיר ביותר, ואף אחד מהם אינו טועה.

Artificial Analysis מודדת את הזמן עד לאודיו הראשון — כמה זמן עובר מסוף התור של המתקשר ועד לתחילת השמע. לפי שעון זה, Phonic 1 הוא המהיר ביותר מבין חמשת המובילים באינדקס:

• זמן עד לשמע הראשון — Phonic 1 0.61 שניות; Grok Voice 3.0 0.81 שניות; GPT-Live-1 (Sol, נמוך) 1.24 שניות; GPT-Live-1 (Astra, בינוני) 1.34 שניות; Qwen Audio 3.0 Realtime Plus 1.54 שניות; StepAudio 3 Realtime 8.83 שניות.

Cekura, חברת הערכה לסוכני קול שמפעילה מודלים בתוך מתקן בדיקה טלפוני אמיתי מעל WebRTC, מודדת זמן תגובה חציוני לאורך שיחות שלמות. לפי השעון הזה, Grok Voice 3.0 הוא המהיר ביותר בתחום עם 1.34 שניות, ו-Phonic 1 עם 1.63 שניות — השלישי הכי מהיר, במאית השנייה אחרי Grok Voice Think Fast 2.0 עם 1.62 שניות, ולא הראשון. שני המספרים מתארים משהו אמיתי. הזמן עד לאודיו הראשון הוא עד כמה מהר המודל מתחייב לדבר; זמן התגובה החציוני הוא כמה זמן מתקשר באמת ממתין לתשובה לאורך 82 תרחישים, כולל אלו עתירי הכלים שבהם הגישה של Phonic מחזירה בדיוק את השניות שמדידת אודיו ראשון אינה יכולה לראות.

אם אתה כותב תזכיר רכש, המשפט שעליך להימנע ממנו הוא "מודל הדיבור-לדיבור המהיר ביותר", נקודה. הגרסה שאפשר להגן עליה היא "המהיר ביותר עד לאודיו ראשון ב-Artificial Analysis; שלישי במהירות לפי חציון זמן התגובה בהרנס השיחות החי של Cekura".

לוח השיחות החיות שואל שאלה קשה יותר

לוח הדירוג של Cekura לדיבור-לדיבור הוא מבחן קשה באופן משמעותי מכל אחד מארבעת מרכיבי האינדקס: 82 תרחישים — 59 שיחות לתיאום תורים במרפאה ו-23 שיחות קליטה של Medicare — שכל אחד מהם מורץ שלוש פעמים בתוך אותו סוכן Pipecat בקוד פתוח, עם אותו פרומפט ואותם כלים, ומדורג בשיטת pass-cubed, כלומר תרחיש נחשב רק אם כל שלוש ההרצות מצליחות וכל שדה נרשם כראוי.

החל מעדכון ה-22 באוקטובר 2026 שלו, כאשר Phonic 1 מוגדר ברמת אינטליגנציה גבוהה תחת מזהה המודל phonic_v1, הלוח הזה גם מציב את Phonic 1 ראשון:

• אמינות, pass-cubed — Phonic 1 90.2%; Grok Voice 3.0 81.7%; GPT Realtime 2.1 79.3%; GPT-Live 1 עם GPT-6 Sol 75.6%; Azure Realtime 70.7%.

• דיוק נתונים — Phonic 1 97.5%; GPT Realtime 2.1 92.0%; Grok Voice 3.0 87.3%.

• שיחות שבהן הסוכן שתק — Phonic 1 0.0%; Grok Voice 3.0 0.0%; GPT Realtime 2.1 3.3%.

• שיעור הצלחה בשיחות מדיקר — Phonic 1 88.4%; GPT Realtime 2.1 81.2%; Grok Voice 3.0 58.0%; GPT-Live 1 עם Sol 49.3%.

פילוח ה-Medicare הוא השורה המעניינת ביותר בכל ההשקה. שיחות קליטה ארוכות של מילוי טפסים הן המקום שבו מודלים מקצה-לקצה אמורים לקרוס, ו-Phonic 1 מחזיק ב-88.4% בעוד Grok Voice 3.0 נחתך בחצי ל-58.0%. הדיווח של Cekura עצמה עדיין מתעד מצב כשל שכדאי להכיר: הסוכן מנתק את השיחה בלי להתייחס למתקשר שאומר שיתקשר שוב מאוחר יותר, והוא לעיתים כותב הערת העברה או פרט ניתוב של Medicare בצורה שגויה. ב-90.2% pass-cubed, 74 מתוך 82 התרחישים האלה עוברים בכל ריצה ושמונה לא — זו תוצאה חזקה עבור מודל בן יומו, לא מודל גמור.

שתי הערות תיוג לפני שמישהו מצטט את הנתונים האלה. בלוח של Cekura מופיע תאריך עדכון אחרון והוא עודכן בין ריצות, כך שצילום מסך שלו אינו ציטוט; יש לצטט את המספר החי עם התאריך. ו-Cekura מתעדת עלות של $0.060 לדקה עבור Phonic 1 לעומת תעריף Starter מפורסם של $0.070 — נתון מדוד מהרנס בדיקה אחד, לא מרשימת המחירים, ואין להפחית אותו משום דבר.

מדדי הביצוע של הספק, שמורים בקופסה משלהם

פוסט ההשקה של Phonic נושא שלוש תוצאות משל עצמו, וכדאי להכיר אותן דווקא משום שהן לא המספרים שלמעלה. בגרסת τ³-Voice הרב-לשונית בעלת דופלקס מלא של Sierra, החברה מדווחת על Phonic-1 עם 83.2 מול GPT-Live-1 עם 79.9 ו-Gemini 3.8 Live עם 68.5. שימו לב להתנגשות: 79.9 הוא הציון של Phonic ב-τ-Voice של Artificial Analysis, וגם הציון של GPT-Live-1 בהרצת τ³-Voice של Phonic עצמה. אותן ספרות, שורות שונות, גרסאות מבחן שונות — לעולם אין להעביר מספר מעמודה אחת לאחרת.

שני האחרים הם מבחנים אנושיים עיוורים שנערכו על ידי Podonos, שירות בדיקת מאזינים של צד שלישי. Phonic-1 הועדף על פני GPT-Live-1 ב-61.5% לעומת 32.0%, על פני Grok Voice 3 ב-66.5% לעומת 26.5%, ועל פני Eleven v4 Turbo ב-78.0% לעומת 14.0%. התוצאה ש-Phonic עצמה מובילה איתה היא זו שבה היא מפסידה: שחקני קול אנושיים הועדפו על פני Phonic-1 ב-57.0% לעומת 32.0%. כל ארבעתם הוזמנו ודווחו על ידי הספקים; אף אחד מהם לא שוחזר באופן עצמאי.

כמה עולה חודש ממנו

התמחור הוא מספר אחד אחד לדקה, ללא חיובים לפי טוקן וללא תשלום נפרד עבור LLM, דבר שאינו שגרתי בקטגוריה שבה "מודל הקול" הוא לעתים קרובות מעטפת דקה סביב שלושה שירותים בתשלום. השכבות:

• Starter — 0.07 $ לדקה, ללא מינימום, 10 שיחות במקביל, 10 סוכנים, 3 מושבי סביבת עבודה.

• Pro — ‏$0.065 לדקה, בכפוף למינימום חודשי של $200, שעמוד התמחור משווה לכ־3,100 דקות, עם 50 שיחות במקביל, 50 נציגים ו־30 מקומות.

• Enterprise — מותאם אישית, עם הנחות לפי היקף, פריסה ב-VPC או on-prem, DPAs, SLAs ו-HIPAA BAAs.

נרשמים לפני 30 בנובמבר מקבלים 250$ בקרדיטים. עשו את החשבון על חודש של 10,000 דקות, ומחירי המחירון של המתחרים הקרובים ביותר מתבהרים במהירות:

• 10,000 דקות — Phonic 1 Starter $700; Grok Voice 3.0 $800 בתעריף $0.08 לדקה; GPT-Live-1 (Sol, low) $750 בתעריף $0.075; GPT-Live-1 (Astra, medium) $970 בתעריף $0.097.

• אותן 10,000 דקות ב-Pro — $650, אך רק מעל כ-3,100 דקות מפסיק המינימום של $200 להיות האילוץ המחייב.

המספר שלא נכנס לגיליון מחירים הוא מקביליות. עשר שיחות בו-זמניות ב-Starter הן תקרה אמיתית לכל דבר שמזכיר תור תמיכה, וזו הסיבה שהקפיצה ל-Pro שווה 50 דולר לחודש בנפח גבוה: שינוי המסלול קונה 50 שיחות מקבילות הרבה יותר משהוא קונה את חצי הסנט. הבלוג ההנדסי של Phonic עצמו טוען שמגבלות מקביליות הן המס הנסתר ב-AI קולי, וזה מסגור כן מצד הגורם שקובע אותן.

היכן זה פועל, ומה ניתוב יכול ולא יכול לעשות כאן

Phonic 1 אינו נמצא בקטלוג של OrcaRouter, והקטע הזה לא יעמיד פנים אחרת: כיום מגיעים אליו דרך ה-API של Phonic עצמה, ה-SDKs שלה, ה-CLI או ה-builder ללא קוד, ושום מקום אחר. זו גם החולשה המבנית הכנה של רכישת מודל קולי מקצה לקצה במקום ארכיטקטורת קסקייד — ספק יחיד, נקודת קצה יחידה, ואין ספק שני שאליו אפשר לעבור כאשר ה-websocket נופל באמצע שיחה.

מה שהניתוב אכן מכסה הוא החלופה. צינור תמלול–חשיבה–דיבור הוא קו הבסיס שעליו לוח התוצאות של Cekura עצמה ממשיך לגבור על מודלים מקצה-לקצה, והשלב האמצעי שלו הוא הסקת טקסט רגילה — וזו בדיוק השכבה שבה API אחד ל-200+ מודלים עם 0% תוספת חלה. חלק התמלול וחלק ההיסק יכולים לשבת מאחורי מפתח יחיד, וה-DSL של הניתוב יכול לשלוח את קריאות חילופי התורות הזולות ואת קריאות הסקת המדיניות היקרות למודלים שונים באותה קריאה, בלי חוזה נוסף לכל ספק בסטאק. מחיר המחירון של הספק מועבר ללא שינוי, כך שהורדת מחיר של ספק מגיעה לחלק הזה באותו יום שבו היא מוכרזת ולא בחידוש החוזה הבא.

כדאי לומר את הפשרה בבירור, משום שלוחות התוצאות שלמעלה אינם מתמחרים אותה. מקצה לקצה מנצח בניהול תורות, בקטיעות ובקריאות לכלים באמצע אמירה; קסקייד מנצח ביכולת להחליף רכיב אחד כלשהו — ובעובדה שקו הבסיס של הקסקייד של Cekura עדיין מדורג מעל כל מודל זמן אמת שהיא בחנה באמינות pass-cubed. אם זה נשמע כמו סיבה להישאר עם קסקייד, הרי שבחלק מהמובן זה אכן כך. הסיבה לעבור היא עמודת Medicare: 88.4% לעומת 58.0% הוא סוג הפער שמכריע אם שיחת קליטה ארוכה תסתיים בכלל.

מה שאף אחד עדיין לא מדד

לפני שמישהו משכתב פרומפט ייצור סביב 87.1, יש שלושה פערים שראוי לציין.

• התצורה שנמדדה אינה ברירת המחדל. כל ציון כאן — 87.1 של Artificial Analysis, ‏90.2% של Cekura — הופק בהגדת ה-intelligence הגבוהה. ה-API מוגדר כברירת מחדל ל-standard, המתועד כמצב בעל השהיה נמוכה יותר. איש לא פרסם את המספרים בהגדת ה-standard, ולכן נתוני ההשהיה שלעיל אינם מתארים את מה שחווה אינטגרציה שאינה מוגדרת.

• התנהגות בערוץ עם רעש אינה נבדקת על ידי האינדקס. Cekura מדווחת ש-Grok Voice 3.0 עובר כל שיחה עם רעשי רקע ותקלות אודיו; היא לא מוסרת דבר דומה לגבי Phonic 1, ו-Big Bench Audio פועל על אודיו נקי.

יציבות לאורך שיחה ארוכה היא הדגמה, לא מדידה. השיחה בת 44 הדקות של Phonic עם 123 קריאות כלים באנגלית ובפורטוגזית היא הראיה הקונקרטית ביותר לטווח ארוך שפורסמה, והיא שיחה בודדת שהספק בחר להציג.

הסיכום שניתן לעמוד מאחוריו לאחר יום אחד: Phonic 1 הוא מודל הדיבור-לדיבור האגנטי החזק ביותר בשני הכלים הבלתי-תלויים שדירגו אותו, הוא אינו המהיר ביותר — תלוי באיזה שעון קוראים — וה-0.07 דולר לדקה שלו הופך את היתרון האגנטי לזול מספיק כדי לבדוק אותו במקום להתווכח עליו.