Phonic 1 לעומת Qwen Audio 3.1: 82.0% ו-79.9% אינם אותו מספר

ההשוואה שכולם יעשו בין Phonic 1 לבין Qwen Audio 3.1 Realtime היא טבלה בת שתי שורות: Qwen משיג 82.0% ב־τ-Voice, Phonic משיג 79.9%, ולכן המודל הזול יותר מנצח. זהו סיפור נקי, והוא שגוי, מפני ששני הנתונים האלה מגיעים ממכשירי מדידה שונים. הנתון 82.0% של Qwen מגיע ממאמר של הספק עצמו, ונמדד על גרסת דיבור־לטקסט מותאמת וחצי־דופלקסית של הבנצ'מרק. הנתון 79.9% של Phonic הוא המרכיב הסוכני של מדד הדיבור־לדיבור של Artificial Analysis, שנמדד על הדבר האמיתי. לחסר נתון אחד מהשני זו אותה טעות כמו להשוות ציון של מבחן תרגול לציון של המבחן עצמו.

מה שהופך את הטעות לראויה לכתיבה הוא שזו ההשוואה היחידה הזמינה. Qwen Audio 3.1 Realtime אינו מופיע כלל בלוח הדיבור-לדיבור של Artificial Analysis — הלוח מפרט את Qwen Audio 3.0 Realtime Plus ב־69.5 ואת Qwen Audio 3.0 Realtime Flash ב־67.7, ולא דבר חדש יותר. כך שהמתחרה הזול החדש ביותר בקטגוריה הזו פרסם את המספרים שלו, ביחידות שלו, ואף גוף עצמאי לא דירג אותו. הפער הזה הוא הסיפור, והמאמר הכנה עוסק בעיקר במה שעוד לא ניתן לומר.

מהו בעצם Qwen Audio 3.1

Qwen-Audio-3.1 של עליבאבא הושק בסוף ספטמבר 2026 כמערך של חמישה מודלים ולא כשחרור בודד: ASR, ‏ASR-Next, ‏TTS, ‏TTS-Next ו-Realtime. המודל שמתחרה ב-Phonic 1 הוא Qwen Audio 3.1 Realtime, ובאופן ספציפי בשכבת ה-Realtime-Plus, שזמינה רק דרך QwenCloud באמצעות WebSocket — ללא משקלים פתוחים, שלא כמו חברי המשפחה TTS ו-ASR, וללא נתיב אירוח עצמי בחומרים הפומביים.

• הקשר — 262K בסך הכול, 245K קלט מרבי ו-16K פלט מרבי, לעומת ההקשר הלא מפורסם של Phonic 1.

• מגבלות תפוקה — 60 בקשות ו-100K טוקנים בדקה כברירת מחדל ב-QwenCloud; Phonic אינה מפרסמת מגבלת סשן מקבילה.

• תכונות — קריאה לפונקציות, חיפוש באינטרנט, פלטים מובנים, מטמון הקשר, כוונון עדין ושכפול קול מופיעים כולם עבור Qwen Audio 3.1 Realtime; Phonic מפרטת כלים סינכרוניים מוטמעים, יותר מ-50 שפות והחלפת שפה בתוך השיחה.

• זמינות — Qwen Audio 3.1 Realtime זמין רק דרך API; Phonic 1 מציע ענן, דייר יחיד, VPC peering ואחסון עצמי.

שתי השורות האלה הן אלה שחשובות לרכש. המשפחה של Qwen בדרך כלל מספקת משקולות; החבר הזה לא, מה שמסיר את הסיבה העיקרית שבגללה צוות בוחר ב-Qwen על פני ספק אירוח. אפשרות האירוח העצמי של Phonic היא התמונה ההפוכה — זו הדרך היחידה שבה אחד משני המודלים האלה פועל בכל מקום אחר מלבד הענן של מישהו אחר.

הבנצ'מרק שאינו אותו בנצ'מרק

הנתון של 82.0% מופיע במאמר ה-arXiv של Alibaba על Qwen-Audio-3.1, ומוצג כשיפור לעומת 78.4% בדור הקודם. אותו מאמר מבהיר מפורשות כי מדובר בהתאמת half-duplex של τ-Voice מדיבור לטקסט, ולא בהערכה הסוכנית full-duplex שמפיקה את המספרים בלוח התוצאות הציבורי. זה אינו חוסר יושר — הדבר מגולה בגלוי — אך פירושו שהנתון משיב על שאלה צרה יותר: בהינתן תצורה בסגנון תמלול ומשימה, באיזו תדירות משלים אותה המודל.

הנתון של Phonic 1 — 79.9% — עונה על השאלה הרחבה יותר, והפער בין שתי השאלות אינו קטן. התאמה במצב חצי-דופלקס מסירה את החלקים של שיחה סוכנית שהכי קשה לעשות נכון: התפרצות לדיבור, דיבור חופף, החלטה מתי להפסיק להקשיב, והתאוששות כאשר המתקשר משנה את דעתו בתוך קריאת כלי. כל אחד מאלה הוא מקום שבו מודל מאבד משימות שאחרת היה משלים.

כיוון הטעות צפוי אפוא, והוא ההפך מהקריאה הברורה מאליה. 82.0% של Qwen הוא כנראה תקרה אופטימית להתנהגות ה-full-duplex שלה, ולא ניצחון בהשוואה ישירה על 79.9% של Phonic. לא ידוע אם היא עוברת את הרף הזה. Alibaba לא הציבה את המודל בפני המעריך שהפיק את 79.9.

מה Qwen כן מפרסמת, והיכן המספרים שלה עצמה פועלים נגדה

הפרסום של Alibaba יוצא דופן בפתיחותו לגבי כשלים, מה שהופך אותו לשימושי יותר משורת הכותרת של τ-Voice. קראו את כל הטבלה והמודל נראה פחות כמו מתחרה מכריע ויותר כמו מערכת זמן אמת חזקה מן הדור השני עם שתי נקודות תורפה ספציפיות.

• שיעור שגיאות המילים של FLEURS — ירד מ-9.01 ל-3.98, שיפור אמיתי בדיוק הזיהוי בשפות שונות.

• ממוצע Big Bench Audio ל-14 שפות — 81.7% עד 88.1%.

• Audio MultiChallenge — 47.12 עד 52.21.

• שיעור התגובה לדיבור רקע ב-Full-Duplex-Bench v1.5 — מ-73.0% ל-13.0%, כלומר המודל הרבה פחות סביר להגיב לדיבור שלא הופנה אליו.

• השהיית עצירה בעת הפרעה — 1.116s, לעומת 0.383s אצל GPT-Realtime-2. זהו המספר שצריך לשקול מול 0.61s של Phonic עד לאודיו הראשון: האחד מודד כמה מהר מודל מתחיל, והשני כמה מהר הוא עוצר, ועצירה איטית היא מה שפונים מתארים כ"שמדברים מעליהם".

• שיעור חידוש הדיבור הלא־רצוי — 0.035 העולה ל־0.130, רגרסיה שהמאמר מדווח עליה לעומת קודמו; הסבירות שהמודל יתחיל שוב לדבר כאשר הוא לא אמור לעשות כן גבוהה יותר.

שתי השורות האחרונות האלה הן העובדות שהכי פחות מדווחות בהשקה של Qwen Audio 3.1. מודל שנדרשות לו 1.116 שניות כדי להניב פלט וממשיך כשזה לא רצוי י�גיש, בשיחה טלפונית אמיתית, גרוע יותר ממה שציוני הדיוק שלו מרמזים — וזה בדיוק המימד שעליו נשען השיווק של Phonic 1, עם הטענה שלו ש"מגיב לפני שהמתקשר מסיים" ועם השהיית דיבור-לדיבור של מתחת ל-600 מילישניות.

נקודת הנתונים היחידה להשוואה

מכיוון של-Qwen Audio 3.1 Realtime אין ציון אינדקס, הדרך היחידה להעמיד אותו מול Phonic 1 באותו כלי מדידה היא באמצעות קודמו. Qwen Audio 3.0 Realtime Plus קיבל ציון 69.5 באינדקס דיבור-לדיבור, עם 54.6% ביצועים אג'נטיים, 99% הסקת דיבור, 77.8% הצלחת משימות, 798 Elo בארנה ו-1.54 שניות עד לאודיו הראשון.

• ביצועים סוכניים — Phonic 1 79.9 לעומת Qwen Audio 3.0 Realtime Plus 54.6. אם 3.1 מספק את השיפור שהמאמר שלו עצמו מרמז עליו במשימות, הוא סוגר חלק מאותו פער של 25 נקודות; אף אחד לא מדד כמה.

• העדפת Arena — Phonic 1 עם 1,012 לעומת 798 של 3.0. זהו הפער הגדול ביותר בהשוואה, וזה שהסיכוי הקטן ביותר שנסגר, שכן העדפת Arena היא מדד של הצבעות אנושיות שמשתנה לאט בין דורות.

• זמן עד לאודיו ראשון — Phonic 1: 0.61 שניות לעומת 1.54 שניות ב-3.0. השכבה בזמן אמת של Qwen הייתה היסטורית המשפחה האיטית יותר כאן, ו-3.1 אינה מפרסמת נתון זמן-עד-לאודיו-ראשון.

• הצלחה במשימה — Phonic 1 92.3% לעומת 77.8% של 3.0.

דפוס שלושת הדורות עקבי: מודלי הזמן-אמת של Qwen היו מזהים חזקים וסוכנים חלשים, ו-3.1 הוא הדור שמצהיר שהוא מתקן את חצי הסוכן. האם הוא אכן עשה זאת הוא בדיוק מה שציון האינדקס החסר היה אומר לך.

שתי יחידות מחיר שאינן ניתנות להמרה

Qwen Audio 3.1 Realtime מחייב לפי טוקנים: $0.80 עבור מיליון טוקנים של קלט טקסט, $6.40 עבור קלט אודיו, $6.40 עבור פלט טקסט ו-$24 עבור פלט אודיו באזור סינגפור, כאשר תעריפי בייג'ינג נמוכים בכ-14% באופן גורף. Phonic 1 מחייב $0.07 לדקת שיחה, באופן אחיד, ללא חיובי טוקנים.

אין המרה פומבית בין היחידות הללו. כדי להמיר תעריף טוקנים לעלות לדקה, יש צורך בצפיפות הטוקנים של האודיו — כלומר כמה טוקנים תופסת דקת דיבור — ואליבבא אינה מפרסמת אותה עבור המודל הזה. כל מי שמציע לך שווה-ערך לדקה עבור Qwen Audio 3.1 או מנחש את הצפיפות או שואל אותה ממשפחת מודלים אחרת עם קודק אחר. כיוון התשובה אינו מוטל בספק: תעריפי האודיו של Qwen נמוכים מספיק עד כדי כך שדקה עם טוקניזציה טובה תסתיים קרוב לוודאי מתחת לשבעה סנטים, והקיצוץ של ~85% במחיר בשכבת ה-Realtime היה הכותרת של ההשקה. הגודל אינו ידוע, והלא-ידוע גדול מספיק כדי להיות בעל משמעות בפריסה בנפח גבוה.

• אודיו קלט — Qwen $6.40 / 1M טוקנים (סינגפור) לעומת Phonic $0.07 לדקת שיחה, ללא שער חליפין מפורסם ביניהם.

• פלט אודיו — Qwen‏ $24 / 1M טוקנים; "הדקה הקבועה" של Phonic מכסה פלט אודיו.

• תמחור אזורי — אזור בייג'ינג של Qwen זול בכ-14% מאשר סינגפור; Phonic מפרסמת מחירון גלובלי אחד.

• מינימומים — שכבת ה-Pro של Phonic כוללת מינימום חודשי של $200; QwenCloud מפרסמת מגבלות קצב ברירת מחדל ולא מינימום פלטפורמה.

ההבדל בצורה הוא החלק ששורד את ההמרה החסרה. חיוב לפי טוקן עוקב אחר כמה המודל באמת עושה — תמלולים ארוכים, תשובות מפורטות וסבבים עתירי כלים כולם עולים יותר. חיוב לפי דקה עוקב אחר משך הזמן שבו קו הטלפון היה פתוח. עבור סוכן שמבלה את רוב השיחה בהקשבה, מודל הטוקנים הוא הידידותי יותר; עבור סוכן שעונה באריכות, הוא לא.

על איזו שאלה אתה עונה?

אם אתם בוחרים מודל להטמעה בתשתית שלכם, ההשוואה הזו אינה מיועדת לכם: ל-Qwen Audio 3.1 Realtime אין משקלים, ו-Phonic 1 תומך באירוח עצמי, מה שהופך את Phonic לאפשרות היחידה כאן שיוצאת בכלל מהענן של הספק. זו תשובה של שורה אחת, וקל לפספס אותה מתחת לשיח על הבנצ'מרקים.

אם אתם בוחרים מודל זמן אמת באירוח לפי עלות, Qwen Audio 3.1 הוא ההימור המעניין יותר — זול בהרבה ליחידה, קפיצה מתועדת היטב בדיוק הזיהוי, וספק עם מערכת אקולוגית עמוקה של משקלים פתוחים מאחוריו. הסיכון הוא שהחלק הסוכני שלו אינו נמדד ושהתנהגות הקטיעה שלו התדרדרה בטבלה של הספק עצמו.

אם אתם בוחרים על סמך ביצועים סוכניים מדודים, Phonic 1 הוא היחיד מבין השניים שאפשר למעשה לדרג, מפני שהוא היחיד שדורג. זו טענה חלשה יותר מ"Phonic עדיף", והיא הטענה הנכונה.

ואם אתם מריצים את מודלי הטקסט של Qwen לצד שכבת קול, החצי הזה של הסטאק כבר ניתן לניתוב — Qwen3.8-Max יושב על OrcaRouter בין יותר מ-200 מודלים במפתח אחד במחיר המחירון של הספק וללא תוספת, כך שהורדת מחיר מצד Alibaba נכנסת לתוקף באותו יום. נקודת הקצה של האודיו אינה בקטלוג שלנו, וכך גם Phonic 1; כל אחד מהם מגיע מהספק שלו. מה שנתב מעניק לכם בשוק כה צעיר הוא היכולת להשאיר נתיב קול פעיל במקומו בזמן שנתיב חדש וזול יותר מבסס את מקומו — מעבר אוטומטי לגיבוי פירושו שבדיקת Qwen Audio 3.1 מול התעבורה שלכם עולה לכם כלל ניתוב אחד, ולא הגירה.

המסקנה הכנה היא שהעימות הזה אינו ניתן להכרעה כרגע על הציר שעליו שני הספקים רוצים להכריע אותו. עליבאבא פרסמה מספר שמחמיא למודל שלה בכך שהיא מודדת משימה קלה יותר. Phonic פרסמה מספר שנמדד כראוי, אבל על לוח אחד, תצורה אחת, ושבוע זמינות אחד. הדבר הראשון שכדאי לעקוב אחריו אינו הורדת מחיר או בנצ'מרק — אלא הופעתו של Qwen Audio 3.1 Realtime על לוח שמדרג את שני המודלים באותה צורה. עד אז, הטענה היחידה שאפשר להגן עליה היא ש-Phonic 1 הוא הערך הידוע ו-Qwen Audio 3.1 הוא הלא-נודע הזול, וזו סיבה מצוינת לנסות את השני מאחורי כלל מעבר לגיבוי ולא מול הלקוחות שלך.