Phonic 1 vs Cartesia Sonic 3.6: Menit $0,07 dan Tagihan $49 per Juta Karakter Bukanlah Pembelian yang Sama

Letakkan Phonic 1 dan Cartesia Sonic 3.6 di satu halaman dan godaannya adalah menyelaraskan kolom harga lalu menganggapnya selesai. Dua angka dari vendor membuat itu mudah: Phonic menagih $0.07 untuk satu menit percakapan, Cartesia menormalkan menjadi sekitar $49 per satu juta karakter. Keduanya terdengar seperti kesalahan pembulatan dibandingkan dengan tarif yang Anda bayarkan pada 2025. Namun keduanya menagih untuk objek yang berbeda. Cartesia Sonic 3.6 adalah mesin text-to-speech streaming — Anda menyerahkannya kata-kata, ia mengembalikan suara, dan segala sesuatu yang mendahului kata-kata itu adalah masalah Anda. Phonic 1 adalah model speech-to-speech yang mendengar penelepon, memutuskan apa yang harus dilakukan, memanggil alat di tengah kalimat, dan menjawab secara lisan, semuanya di dalam menit itu. Satu adalah komponen pada tagihan Anda. Yang lain adalah seluruh tagihan. Membandingkan keduanya hanya berdasarkan harga sama seperti membandingkan tarif taksi dengan mobil.

Itu tidak membuat perbandingan ini sia-sia. Hal itu membuatnya lebih sempit dan lebih jujur daripada yang disiratkan oleh hasil pencarian: keduanya bersaing untuk pos anggaran yang sama dalam anggaran agen suara, dan tim yang membangun agen telepon harus memutuskan apakah lapisan suara adalah layanan yang disewa utuh atau tumpukan yang dirakit dari komponen. Cartesia akan menjual salah satu dari kedua pengaturan itu kepada Anda — Sonic 3.6 untuk separuh rendering, Cartesia Line untuk separuh yang dirakit — dan produk kedua itulah, bukan model TTS, yang sebenarnya berhadapan dengan Phonic 1.

Apa sebenarnya masing-masing itu

Cartesia Sonic 3.6 dirilis pada akhir Agustus 2026, sekitar tiga bulan setelah Sonic 3.5, dan ini adalah renderer berkualitas tertinggi dari perusahaan: 44 bahasa di 61 lokal, kloning suara dari sekitar sepuluh detik audio, penagihan berbasis kredit di mana satu kredit kira-kira setara dengan satu karakter. Ini tidak memiliki lapisan penalaran, lapisan alat, dan tidak ada konsep percakapan. Anda memanggilnya dengan teks dan ID suara, Anda mendapatkan audio kembali dalam aliran, dan logika giliran berbicara — kapan harus mendengarkan, kapan harus menyela, apa yang harus dilakukan ketika penelepon mengatakan "sebenarnya, tidak" — menjadi tanggung jawab kode yang Anda tulis.

Phonic 1 diluncurkan pada akhir Oktober 2026 bersamaan dengan pendanaan Seri A senilai $27,5 juta yang dipimpin First Round, dan proposisinya berbentuk sebaliknya: satu model yang menguasai seluruh giliran bicara. Daftar fitur dari vendor itu sendiri mengklaim bahwa nada dan keraguan dapat terdengar, panggilan alat dipicu saat penelpon masih berbicara, dan model terkadang memilih untuk tidak merespons sama sekali — perilaku yang tidak bisa Anda dapatkan dari endpoint TTS karena endpoint TTS tidak punya pendapat apakah berbicara adalah langkah yang tepat. Layanan ini menagih satu harga per menit percakapan dan menyatakan secara eksplisit bahwa tidak ada pass-through LLM terpisah dan tidak ada biaya per token.

Satu catatan jujur sebelum kita melangkah lebih jauh. Liputan peluncuran Phonic menggambarkannya sebagai end-to-end, sehingga menghindari vendor terpisah untuk pengenalan suara, LLM, dan sintesis suara. Situs vendor itu sendiri mendeskripsikan model supervisor untuk penalaran dan tool calling, dan konfigurasi benchmark-nya diberi label Phonic 1 (High), yang menyiratkan tingkat kecerdasan yang dapat dipilih. Keduanya bisa benar — satu vendor dapat memiliki seluruh giliran percakapan sekaligus tetap menjalankan lapisan penalaran internal — tetapi "end-to-end" adalah singkatan pemasaran untuk "satu kontrak", bukan bukti bahwa satu jaringan melakukan semuanya dalam satu forward pass. Jika tinjauan arsitektur Anda bergantung pada perbedaan itu, tanyakan langsung kepada vendor; materi publik tidak memberi jawaban pasti.

Kedua jam itu mengukur hal yang berbeda.

Latensi adalah aspek yang paling sering menyesatkan dalam perbandingan ini, karena kedua vendor menyebutkan angka milidetik yang kecil, dan tidak satu pun dari angka itu yang merupakan angka yang dialami penelepon Anda.

• Phonic 1 — waktu rata-rata 0,61 detik hingga audio pertama pada pengukuran Artificial Analysis, tercepat di antara lima model speech-to-speech teratas yang diuji; vendor mengiklankan waktu di bawah 600 md dari ucapan masuk hingga ucapan keluar.

• Cartesia Sonic 3.6 — waktu hingga audio pertama di bawah 90ms, dinyatakan oleh vendor dan secara eksplisit tidak termasuk jaringan; benchmark pihak ketiga mengukur 120ms p50 dari US East langsung terhadap vendor, dan uji panggilan nyata yang berbasis di Sydney melaporkan 448ms median dan 604ms p90 secara end-to-end.

• Apa arti selisih itu — 0,61 dtk Phonic dimulai saat audio tiba dan mencakup keputusan tentang apa yang akan dikatakan. 90ms Cartesia dimulai setelah teks sudah ada dan hanya mencakup mengubahnya menjadi suara. Tambahkan pengenalan ucapan Anda sendiri dan latensi model Anda sendiri di depan Sonic, dan kedua angka itu akan mendekat; aritmetika yang hilang itulah sebabnya angka mentah tampak seperti kemenangan tujuh banding satu padahal bukan.

Artificial Analysis juga melaporkan Phonic 1 pada 0,61 detik dibandingkan 1,34 detik untuk GPT-Live-1 dan 1,35 detik untuk Gemini 3.8 Live Extended Thinking, dan itulah perbandingan yang membuat angka tersebut benar-benar bermakna: model dengan model, instrumen yang sama. Sonic 3.6 tidak muncul di papan itu sama sekali, karena ia bukan model percakapan.

Tagihan itu, dibuat dari pekerjaan yang sama

Ambil panggilan dukungan masuk selama sepuluh menit. Pada jalur yang telah dirakit dengan Cartesia Sonic 3.6, Anda membayar setidaknya tiga hal: pengenalan audio penelepon, model untuk memutuskan balasan, dan rendering balasan tersebut. Porsi Sonic adalah yang terkecil dan paling mudah diprediksi di antara ketiganya — sekitar $0,28 hingga $0,49 per menit audio yang dihasilkan tergantung paket, dan dalam praktiknya jauh lebih sedikit karena agen tidak berbicara selama sepuluh menit penuh. Porsi yang tidak dapat diprediksi adalah model di tengah, dan inilah bagian yang bervariasi hingga satu orde besaran tergantung apakah Anda merutekan model kecil untuk 80% giliran yang mudah atau mengirim semuanya ke model frontier.

Bagian tengah itulah tempat routing membuktikan nilainya, bukan sekadar tempelan. Di OrcaRouter, model penalaran di balik agen Anda berada pada satu kunci di seluruh 200+ model dengan markup 0% di atas harga daftar penyedia, sehingga pemotongan harga dari vendor mana pun langsung berlaku pada hari yang sama alih-alih menunggu amendemen kontrak — dan sebuah aturan routing dapat menjaga giliran yang murah tetap murah sambil mengeskalasi hanya yang sulit. Failover otomatis menangani kasus yang benar-benar melumpuhkan agen suara di produksi: penyedia model tiba-tiba bermasalah di tengah panggilan dan penelepon hanya mendengar keheningan.

Di jalur Phonic 1, aritmetikanya menyusut menjadi satu baris. Sepuluh menit adalah $0.70 pada tarif pemula $0.07, atau $0.65 pada tarif Pro, yang berlaku minimum bulanan $200. Itulah keseluruhan biaya lapisan model — tidak ada token terpisah, tidak ada tagihan penalaran terpisah — dan itu adalah argumen terkuat di kolom Phonic, karena tarif tetap per menit adalah angka yang dapat diperkirakan tim keuangan tanpa model penggunaan.

Baca kedua total itu dengan cermat sebelum menyatakan pemenang. Batas bawah jalur yang dirakit lebih rendah — model menengah murah ditambah rendering Sonic dapat dengan mudah mengalahkan $0,07 per menit — dan batas atasnya jauh lebih tinggi, karena model frontier pada setiap giliran melampauinya dengan jauh. Tarif tetap Phonic 1 adalah taruhan bahwa ekonomi penyedia tetap bertahan saat campuran panggilan mudah dan sulit Anda berubah. Itu benar-benar hal yang berguna untuk dibeli, dan itu juga sesuatu yang Anda beli berdasarkan kepercayaan.

Di mana Cartesia Sonic 3.6 unggul tanpa perlu diperdebatkan

Jika pertanyaannya adalah "mana yang terdengar lebih baik", Cartesia jauh dari itu, dan sebanyak apa pun skor benchmark agentik tidak akan mengubahnya. Sonic 3.6 menduduki puncak kedua arena ucapan Artificial Analysis saat dirilis — Provider Voice Elo sekitar 1,282–1,283 dan skor Controlled Voice mendekati 1,123 — yang merupakan pengukuran preferensi atas audio yang dirender, tepat hal yang menjadi tujuan mesin TTS.

Permukaan kontrolnya juga lebih dalam. Kloning suara dari sepuluh detik, 44 bahasa di 61 lokal dengan pemilihan tingkat lokal, lima tingkat paket yang dipublikasikan dari sandbox gratis 20K kredit hingga paket Scale seharga $299 dengan lima belas permintaan bersamaan, dan suara hasil kloning ditagih sebesar 1,5x. Jika produk Anda adalah narasi, dubbing, prompt IVR, atau asisten yang balasannya ditulis dan suaranya adalah merek, Sonic 3.6 adalah alat yang lebih baik daripada Phonic 1 dan perbandingannya harus berhenti di situ.

Ada juga bentuk biaya yang perlu disebutkan: model kredit Cartesia berarti Anda membayar untuk karakter yang Anda render, jadi panggilan ketika agen mengucapkan empat kata hanya dikenai biaya empat kata. Model per menit menagih seluruh menit tanpa peduli. Pada interaksi singkat bervolume tinggi — konfirmasi janji temu, notifikasi pengiriman, verifikasi dua putaran — model karakter secara struktural lebih murah.

Di mana Phonic 1 menang tanpa perdebatan

Panggilan alat yang dimulai sebelum penelepon berhenti berbicara adalah satu-satunya kemampuan dalam perbandingan ini yang tidak dimiliki Cartesia Sonic 3.6, karena pemanggilan alat bukanlah properti yang bisa dimiliki renderer. Dalam alur pemesanan ketika penelepon mengatakan "Saya perlu Kamis, eh tunggu, Jumat sore", jalur yang dirangkai harus menunggu deteksi akhir giliran bicara, menjalankan pengenalan, menjalankan model, menjalankan alat, lalu merender — empat serah-terima serial dibandingkan dengan satu yang diklaim Phonic. Perbandingan demo Phonic sendiri, respons 1,1 detik setelah penelepon berhenti berbicara versus 15,7 detik untuk GPT-Live milik OpenAI, adalah demonstrasi vendor dan harus dibaca sebagai demikian. Namun poin strukturalnya tetap bertahan di balik catatan itu: lebih sedikit serah-terima berarti lebih sedikit tempat kehilangan satu detik.

• Bahasa — Phonic 1 mendukung 50+ bahasa dengan pengalihan di tengah percakapan yang mempertahankan suara yang sama; Cartesia Sonic 3.6 mencakup 44 bahasa di 61 lokal untuk rendering saja.

• Penagihan — Phonic 1 adalah satu harga per menit percakapan tanpa pass-through LLM; Cartesia Sonic 3.6 menagih per karakter/kredit, dan bagian lain dari stack ditagih secara terpisah.

• Kemampuan agentik — Phonic 1 mencetak 79,9% pada komponen agentik dari indeks speech-to-speech Artificial Analysis, tertinggi yang tercatat di sana; Sonic 3.6 tidak memiliki skor agentik karena tidak memiliki agen.

Kualitas suara — Cartesia Sonic 3.6 memimpin kedua arena ucapan Artificial Analysis pada audio yang dirender; skor preferensi arena Phonic 1 adalah 1.012, kedelapan dari tiga puluh.

• Penyebaran — Phonic 1 menawarkan cloud, single-tenant, VPC peering, dan self-host, dengan ketersediaan SOC 2 Type II dan HIPAA BAA yang dinyatakan; Sonic 3.6 adalah API yang dihosting.

Perbandingan yang sebenarnya ingin Cartesia agar Anda jalankan

Jawaban sesungguhnya dari Cartesia untuk Phonic 1 adalah Cartesia Line, produk agen suaranya, yang diberi harga oleh perusahaan sekitar $0,06 per menit dan yang muncul di Artificial Analysis sebagai pipeline penyedia alih-alih model yang diberi skor — komposisi di baliknya memanfaatkan Ink, Gemini 2.5 Flash, dan Sonic secara bersamaan. Itu memberi tahu Anda dua hal sekaligus. Tarif unggulannya lebih rendah satu sen daripada Phonic 1, dan tarif itu tidak lengkap persis seperti tuduhan pemasaran Phonic bahwa tumpukan rakitan bersifat tidak lengkap: komponen Gemini 2.5 Flash menagih tokennya sendiri sebagai tambahan.

Jadi perbandingan langsung yang jujur bukanlah $0.07 versus $0.06. Melainkan $0.07 tetap dan all-in versus biaya platform $0.06 ditambah tagihan model yang Anda kendalikan. Bagi tim yang sudah merutekan modelnya sendiri dan ingin terus melakukannya, struktur itu adalah keuntungan. Bagi tim yang menginginkan satu angka, bukan spreadsheet, itulah alasan Phonic 1 ada.

Siapa yang harus bertindak, dan siapa yang harus menunggu

Beli Cartesia Sonic 3.6 jika suaranya adalah produknya. Narasi, asisten berbranding, dubbing, apa pun yang audionya akan dinilai manusia dan tidak ada yang menilai tool call. Keunggulan di arena itu nyata, kloningnya cepat, dan tingkatan paketnya berarti Anda bisa mulai gratis.

Beli Phonic 1 jika panggilan tersebut harus melakukan sesuatu — memesan, memverifikasi, mengembalikan dana, mengeskalasi — dan jika anggaran rekayasa lima digit untuk kode perekat lebih buruk daripada tarif tetap per menit. Pada saat penulisan ini, produk ini juga baru berusia sekitar satu minggu pada API publik dengan satu dewan independen yang mendukungnya dan tanpa data keandalan jangka panjang; cara bijak untuk mengadopsinya adalah di samping jalur Anda saat ini, bukan sebagai penggantinya.

Dan jika Anda merakit sendiri alih-alih menyewa, keputusan yang benar-benar memengaruhi tagihan Anda bukanlah Sonic versus Phonic. Melainkan model mana yang menjawab giliran mudah. Bagian itulah yang berjalan di OrcaRouter hari ini — satu kunci, 200+ model, harga daftar diteruskan, failover saat penyedia terputus — sementara Phonic 1 maupun Cartesia Sonic 3.6 tidak ada di katalog kami, dan masing-masing harus dikontrak dari vendornya sendiri.

Pembelian yang terlihat seperti perbandingan harga sebenarnya adalah pertanyaan tentang berapa banyak dari giliran itu yang ingin Anda miliki. Sonic 3.6 memungkinkan Anda memiliki semuanya dan memberi Anda komponen dengan suara terbaik untuk dijadikan fondasi. Phonic 1 mengambilnya dari tangan Anda dan mengenakan tarif tetap untuk keistimewaan itu. Keduanya tidak salah. Keduanya menjadi salah hanya ketika dibeli untuk alasan yang seharusnya menjadi milik yang lain.