Phonic 1 Debut di Peringkat #1 pada Speech Index. Selisih 0,2 Poin Menyembunyikan Keunggulan Sebenarnya.

Phonic 1 kini menjadi model speech-to-speech berperingkat teratas dalam Speech to Speech Index milik Artificial Analysis dengan skor 87,1, sebuah perlombaan selisih sepersepuluh poin yang dimenangkannya dengan sedikit mengungguli xAI Grok Voice 3.0 pada 86,9. Margin 0,2 poin biasanya dianggap sekadar noise, dan pada indeks ini memang hampir demikian: kedua model tersebut tidak memenangkan kategori yang sama, sehingga skor komposit yang seri menyembunyikan perbedaan yang jauh lebih besar di baliknya. Pada tolok ukur tugas agentik yang menyumbang seperempat dari skor tersebut, Phonic 1 mencapai 79,9% berbanding 74,5% untuk konfigurasi OpenAI terbaik.

Phonic, sebuah spinout beranggotakan sekitar sepuluh orang dari peneliti MIT dan Stanford, memperkenalkan model tersebut pada 29 Oktober 2026 bersamaan dengan pendanaan Seri A senilai $27,5 juta yang dipimpin First Round, sehingga total pendanaannya mencapai $31,5 juta. Perusahaan menuliskan model Phonic-1 dalam pos peluncuran dan dokumentasinya sendiri; Artificial Analysis mencantumkannya sebagai Phonic 1 (High), di mana keterangan dalam tanda kurung tersebut merupakan pengaturan API, bukan nama produk. Kedua penulisan itu mengarah ke endpoint yang sama dan harga daftar yang sama sebesar $0,07 per menit.

Apa itu Phonic-1, dalam istilah vendor sendiri

Ini adalah model ucapan end-to-end, bukan rangkaian bertingkat transkripsi-lalu-berpikir-lalu-berbicara. Audio masuk, audio keluar, dan argumen yang diajukan Phonic untuk arsitektur ini adalah bahwa transkrip merupakan salinan percakapan yang menghilangkan sebagian informasi — nada, keraguan, dan tumpang-tindih dibuang sebelum model bahasa sempat melihatnya. Argumen itu telah diajukan oleh setiap vendor speech-to-speech sejak 2024; yang sebenarnya dijual Phonic adalah trik penjadwalan di atasnya.

Trik itu adalah pemanggilan alat selama giliran penelepon. Alih-alih menunggu penelepon berhenti sebelum memulai pencarian, model meluncurkan panggilan alat saat ucapan masih berdatangan, sehingga hasilnya sudah siap pada saat penelepon mengakhiri gilirannya. Dalam demo yang diterbitkan Phonic, model memanggil kelima alat di tengah kalimat dan menjawab 1,1 detik setelah penelepon berhenti; model itu menempatkan GPT-Live-1 dari OpenAI pada 15,7 detik untuk skrip yang sama. Perbandingan itu adalah demonstrasi vendor pada tugas yang dipilih vendor, bukan tolok ukur terukur, dan layak dibaca sebagai ilustrasi desain, bukan sebagai hasil adu langsung.

Permukaan API yang diterbitkan lebih konkret dibandingkan sebagian besar tulisan peluncuran:

• ID Model — phonic-1, dengan phonic-0.5 masih diterima sebagai generasi sebelumnya. Jika bidang ini dihilangkan, nilai default saat ini akan digunakan.

• Kecerdasan — enum intelligence_level, secara default bernilai standard, dan bernilai high saat Anda menginginkan model yang lebih mumpuni untuk penalaran kompleks. Dokumentasi mendeskripsikan standard sebagai pengaturan yang dioptimalkan untuk latensi lebih rendah, yang berarti konfigurasi yang selama ini diukur oleh setiap benchmark bukanlah konfigurasi yang didapatkan secara default oleh deployment yang sensitif terhadap latensi.

• Bahasa — 51, terdaftar dengan kode ISO hingga Filipino (fil) dan Kanton (yue), dengan pergantian bahasa di tengah percakapan yang tetap mempertahankan identitas pembicara yang sama.

• Latensi — Phonic mengklaim waktu dari masukan suara ke keluaran suara di bawah 600 ms. Artificial Analysis mengukur 0,61 detik hingga audio pertama pada harness pengujiannya sendiri, yang konsisten dengan klaim tersebut meskipun bukan pengukuran yang sama.

• Deployment — API yang dihosting, SDK TypeScript dan Python, CLI, dan pembuat agen tanpa kode, serta opsi self-hosted dan VPC pada tier enterprise, dengan SOC 2 Type II, HIPAA BAA, retensi data nol, dan SLA uptime 99,9% di halaman ini.

Indeks, baris demi baris

Indeks Speech to Speech adalah komposit dari empat hasil berbobot sama: Big Bench Audio untuk penalaran ucapan, τ-Voice untuk perilaku layanan pelanggan agentik, arena preferensi manusia, dan tingkat keberhasilan tugas. Sebuah model harus memiliki keempatnya agar bisa dinilai sama sekali, itulah sebabnya StepAudio 3 Realtime muncul di tabel penalaran tanpa angka komposit — kolom agentik, arena, dan tingkat keberhasilan tugasnya kosong.

Empat komponen Phonic 1, menurut Artificial Analysis:

• Indeks Speech to Speech — 87,1, peringkat pertama, di atas Grok Voice 3.0 pada 86,9, GPT-Live-1 (Astra, medium) pada 83,2, Grok Voice 2.0 pada 81,3 dan GPT-Live-1 (Sol, low) pada 80,1.

• τ-Voice — 79,9%, peringkat pertama, unggul 5,4 poin atas GPT-Live-1 (Astra, medium) yang memperoleh 74,5%.

• Big Bench Audio — 98,9%, ketiga, di belakang StepAudio 3 Realtime pada 99,7% dan Qwen Audio 3.0 Realtime Plus pada 99,2%.

• Speech Agent Arena — kedelapan dari 30 pada preferensi di Elo 1012, keempat pada keberhasilan tugas di 92,3%.

Baca keempat baris itu secara berurutan dan kompositnya berhenti tampak seperti hasil imbang. Phonic 1 menang mutlak di benchmark agentik dan menempati peringkat ketiga dalam penalaran, tetapi berada di peringkat kedelapan untuk suara yang sebenarnya disukai manusia dan keempat untuk keberhasilan tugas mentah — sebuah model yang terukur lebih baik sebagai pelaksana alat, bukan sebagai percakapan favorit orang banyak. Itu adalah cerita struktural yang sama yang kami temukan pada skor 86,9 Grok Voice 3.0 dua minggu lalu, dari sisi yang berlawanan: xAI menguasai arena dan kalah dalam kolom agentik, sedangkan Phonic menguasai kolom agentik sambil merelakan arena.

Dua jam, dua pemenang

Latensi adalah titik ketika cakupan menjadi tidak rapi, karena dua instrumen yang sama-sama terpercaya berbeda pendapat soal siapa yang tercepat, dan keduanya tidak salah.

Artificial Analysis mengukur waktu hingga audio pertama — berapa lama dari akhir giliran penelepon hingga audio dimulai. Berdasarkan pengukuran itu, Phonic 1 adalah yang tercepat di antara lima teratas indeks:

• Waktu hingga audio pertama — Phonic 1 0,61 dtk; Grok Voice 3.0 0,81 dtk; GPT-Live-1 (Sol, low) 1,24 dtk; GPT-Live-1 (Astra, medium) 1,34 dtk; Qwen Audio 3.0 Realtime Plus 1,54 dtk; StepAudio 3 Realtime 8,83 dtk.

Cekura, perusahaan evaluasi agen suara yang menjalankan model di dalam harness telepon nyata melalui WebRTC, mengukur waktu respons median di seluruh panggilan. Berdasarkan tolok ukur itu, Grok Voice 3.0 adalah yang tercepat di bidang ini dengan 1,34 detik dan Phonic 1 dengan 1,63 detik — tercepat ketiga, tertinggal 0,01 detik di belakang Grok Voice Think Fast 2.0 dengan 1,62 detik, dan bukan peringkat pertama. Kedua angka menggambarkan sesuatu yang nyata. Waktu hingga audio pertama adalah seberapa cepat model mulai berbicara; waktu respons median adalah berapa lama pemanggil benar-benar menunggu balasan di 82 skenario, termasuk skenario yang banyak menggunakan tool, di mana pendekatan Phonic menghemat persis detik-detik yang tidak dapat dilihat oleh pengukuran audio pertama.

Jika Anda menulis memo pengadaan, kalimat yang harus dihindari adalah "model speech-to-speech tercepat", titik. Versi yang dapat dipertahankan adalah "tercepat hingga audio pertama di Artificial Analysis; respons median tercepat ketiga pada harness panggilan langsung Cekura".

Papan panggilan langsung mengajukan pertanyaan yang lebih sulit

Papan peringkat speech-to-speech Cekura adalah uji yang jauh lebih sulit daripada komponen indeks mana pun dari keempat komponen: 82 skenario — 59 panggilan pemesanan klinik dan 23 panggilan intake Medicare — masing-masing dijalankan tiga kali di dalam agen Pipecat sumber terbuka yang sama dengan prompt dan alat yang sama, dinilai pass-cubed, artinya sebuah skenario dihitung hanya jika ketiga proses berhasil dengan setiap bidang tercatat dengan benar.

Per pembaruannya pada 22 Oktober 2026, dengan Phonic 1 dikonfigurasi pada intelligence high di bawah ID model phonic_v1, board tersebut juga menempatkan Phonic 1 di posisi pertama:

• Keandalan, pass-cubed — Phonic 1 90,2%; Grok Voice 3.0 81,7%; GPT Realtime 2.1 79,3%; GPT-Live 1 dengan GPT-6 Sol 75,6%; Azure Realtime 70,7%.

• Akurasi data — Phonic 1 97,5%; GPT Realtime 2.1 92,0%; Grok Voice 3.0 87,3%.

• Panggilan saat agen tidak bersuara — Phonic 1 0,0%; Grok Voice 3.0 0,0%; GPT Realtime 2.1 3,3%. Wait — should I change decimal separators? Numbers should probably be preserved exactly. Better keep as-is: 0.0%, 3.3%.• Panggilan saat agen terdiam — Phonic 1 0.0%; Grok Voice 3.0 0.0%; GPT Realtime 2.1 3.3%.

• Keberhasilan panggilan Medicare — Phonic 1 88,4%; GPT Realtime 2.1 81,2%; Grok Voice 3.0 58,0%; GPT-Live 1 dengan Sol 49,3%.

Split Medicare adalah baris paling menarik dalam keseluruhan peluncuran. Panggilan intake pengisian formulir yang panjang adalah tempat model end-to-end seharusnya ambruk, dan Phonic 1 mempertahankan 88,4% sementara Grok Voice 3.0 turun menjadi separuhnya, 58,0%. Tulisan Cekura sendiri masih mencatat mode kegagalan yang perlu diketahui: agen menutup telepon tanpa mengonfirmasi penelepon yang mengatakan akan menelepon kembali nanti, dan kadang salah menulis catatan serah-terima Medicare atau detail perutean. Pada pass-cubed 90,2%, 74 dari 82 skenario tersebut lolos di setiap eksekusi dan delapan tidak — itu hasil yang kuat untuk model yang baru berumur sehari, bukan model yang sudah matang.

Dua catatan pelabelan sebelum siapa pun mengutip angka-angka ini. Papan Cekura mencantumkan tanggal terakhir diperbarui dan telah direvisi di antara run, jadi tangkapan layarnya bukan kutipan; kutip angka langsungnya dengan tanggal yang disertakan. Dan Cekura mencatat biaya $0,060 per menit untuk Phonic 1 dibandingkan tarif Starter yang dipublikasikan sebesar $0,070 — angka hasil pengukuran dari satu harness, bukan daftar harga, dan bukan sesuatu yang perlu dikurangkan dari apa pun.

Benchmark vendor, disimpan di kotaknya sendiri

Tulisan peluncuran Phonic memuat tiga hasilnya sendiri, dan hasil-hasil itu layak diketahui justru karena bukan angka-angka di atas. Pada varian dupleks penuh multibahasa τ³-Voice milik Sierra, perusahaan melaporkan Phonic-1 sebesar 83.2 berbanding GPT-Live-1 79.9 dan Gemini 3.8 Live 68.5. Perhatikan benturannya: 79.9 adalah skor Phonic pada τ-Voice milik Artificial Analysis dan juga skor GPT-Live-1 pada uji τ³-Voice milik Phonic sendiri. Digitnya sama, barisnya berbeda, varian benchmark-nya berbeda — jangan pernah memindahkan sebuah angka dari satu kolom ke kolom lainnya.

Dua lainnya adalah uji buta manusia yang dijalankan oleh Podonos, layanan pengujian pendengar pihak ketiga. Phonic-1 lebih disukai daripada GPT-Live-1 dengan 61,5% berbanding 32,0%, daripada Grok Voice 3 dengan 66,5% berbanding 26,5%, dan daripada Eleven v4 Turbo dengan 78,0% berbanding 14,0%. Hasil yang Phonic sendiri tonjolkan adalah hasil yang justru kalah: aktor suara manusia lebih disukai daripada Phonic-1 dengan 57,0% berbanding 32,0%. Keempatnya dipesan dan dilaporkan oleh vendor; tidak satu pun telah direplikasi secara independen.

Berapa biaya sebulan untuk itu

Penetapan harga adalah satu angka per menit tanpa biaya per token dan tanpa penerusan biaya LLM terpisah, yang tidak biasa dalam kategori di mana "model suara" sering kali hanya pembungkus tipis atas tiga layanan yang ditagih. Tingkatannya:

• Starter — $0,07 per menit, tanpa minimum, 10 panggilan bersamaan, 10 agen, 3 kursi ruang kerja.

• Pro — $0.065 per menit dengan minimum bulanan $200, yang menurut halaman harga setara dengan sekitar 3.100 menit, dengan 50 panggilan bersamaan, 50 agen, dan 30 kursi.

• Enterprise — khusus, dengan diskon volume, deployment VPC atau on-prem, DPA, SLA, dan BAA HIPAA.

Pendaftaran sebelum 30 November mendapat kredit senilai $250. Coba hitung untuk bulan dengan 10.000 menit, dan harga daftar pesaing terdekat akan cepat menjadi jelas:

• 10.000 menit — Phonic 1 Starter $700; Grok Voice 3.0 $800 dengan tarif $0,08/menit; GPT-Live-1 (Sol, rendah) $750 dengan tarif $0,075; GPT-Live-1 (Astra, sedang) $970 dengan tarif $0,097.

• 10,000 menit yang sama di Pro — $650, tetapi hanya di atas sekitar 3,100 menit minimum $200 berhenti menjadi batasan yang mengikat.

Angka yang tidak tertampung di daftar harga adalah konkurensi. Sepuluh panggilan simultan pada Starter adalah batas maksimum nyata bagi apa pun yang menyerupai antrean dukungan, dan itulah alasan lompatan ke Pro layak $50 sebulan pada skala volume: perubahan tier itu memberikan 50 panggilan konkuren, jauh lebih besar daripada setengah sen. Blog rekayasa Phonic sendiri berpendapat bahwa batas konkurensi adalah pajak tersembunyi dalam AI suara, sebuah pembingkaian yang jujur dari pihak yang menetapkannya.

Di mana ini dijalankan, dan apa yang bisa dan tidak bisa dilakukan routing di sini

Phonic 1 tidak ada dalam katalog OrcaRouter, dan tulisan ini tidak akan berpura-pura sebaliknya: saat ini Anda hanya bisa mengaksesnya melalui API Phonic sendiri, SDK-nya, CLI, atau builder tanpa kode, dan tidak melalui jalur lain. Itu juga merupakan kelemahan struktural yang jujur dari membeli model suara end-to-end alih-alih arsitektur kaskade — satu vendor, satu endpoint, dan tidak ada penyedia kedua sebagai cadangan ketika websocket terputus di tengah panggilan.

Yang ditawarkan routing adalah alternatifnya. Pipeline transkripsi-berpikir-berbicara adalah baseline yang terus dikalahkan model end-to-end oleh dewan Cekura sendiri, dan tahap tengahnya adalah inferensi teks biasa — yang justru merupakan lapisan tempat satu API untuk 200+ model dengan markup 0% berlaku. Jalur transkripsi dan jalur penalaran dapat berada di balik satu kunci, dan DSL routing dapat mengirim panggilan giliran bicara yang murah dan panggilan penalaran kebijakan yang mahal ke model berbeda dalam panggilan yang sama, tanpa kontrak kedua untuk setiap vendor di tumpukan. Harga daftar penyedia diteruskan tanpa perubahan, sehingga penurunan harga vendor mencapai jalur tersebut pada hari yang sama saat diumumkan, bukan pada pembaruan kontrak berikutnya.

Pertukaran ini layak dinyatakan secara gamblang, karena papan skor di atas tidak memperhitungkan nilainya. End-to-end menang dalam pengambilan giliran, interupsi, dan pemanggilan alat di tengah ujaran; kaskade menang dalam kemampuan mengganti komponen mana pun — dan dalam fakta bahwa baseline kaskade Cekura masih mengungguli setiap model realtime yang diujinya dalam hal keandalan pass-cubed. Jika itu terdengar seperti alasan untuk tetap memakai kaskade, sebagian memang demikian. Alasan untuk beralih adalah kolom Medicare: 88,4% berbanding 58,0% adalah jenis selisih yang menentukan apakah panggilan intake yang panjang selesai sama sekali.

Apa yang belum diukur oleh siapa pun

Sebelum siapa pun menulis ulang prompt produksi berdasarkan 87.1, ada tiga celah yang layak disebutkan.

• Konfigurasi yang diukur bukanlah default. Setiap skor di sini — 87,1 milik Artificial Analysis, 90,2% milik Cekura — dihasilkan pada pengaturan kecerdasan tinggi. API secara default menggunakan standar, yang didokumentasikan sebagai mode latensi lebih rendah. Tidak ada yang memublikasikan angka pengaturan standar, jadi angka latensi di atas tidak menggambarkan apa yang dialami integrasi yang belum dikonfigurasi.

• Perilaku saluran bising belum diuji oleh indeks. Cekura melaporkan Grok Voice 3.0 lulus setiap panggilan dengan kebisingan latar dan gangguan audio; laporan itu tidak menyebut hal serupa tentang Phonic 1, dan Big Bench Audio berjalan pada audio bersih.

• Stabilitas sesi panjang adalah demo, bukan pengukuran. Panggilan Phonic selama 44 menit dengan 123 pemanggilan alat dalam bahasa Inggris dan Portugis adalah bukti horizon panjang paling konkret yang dipublikasikan, dan itu adalah satu panggilan yang dipilih vendor untuk ditampilkan.

Ringkasan yang dapat dipertahankan setelah satu hari: Phonic 1 adalah model speech-to-speech agentik terkuat pada dua instrumen independen yang telah menilainya, ia bukan yang tercepat tergantung tolok ukur waktu mana yang Anda gunakan, dan $0,07/menit membuat keunggulan agentiknya cukup murah untuk diuji daripada diperdebatkan.