Phonic 1 vs Qwen Audio 3.1: 82,0% dan 79,9% Bukan Angka yang Sama

Perbandingan yang akan dibuat semua orang antara Phonic 1 dan Qwen Audio 3.1 Realtime adalah tabel dua baris: Qwen memperoleh 82,0% pada τ-Voice, Phonic memperoleh 79,9%, jadi model yang lebih murah menang. Itu cerita yang rapi dan itu salah, karena kedua angka tersebut berasal dari instrumen yang berbeda. Angka 82,0% Qwen berasal dari makalah milik vendor sendiri, diukur pada varian benchmark speech-to-text half-duplex yang diadaptasi. Angka 79,9% Phonic adalah komponen agentik dari indeks speech-to-speech Artificial Analysis, diukur pada hal yang sebenarnya. Mengurangkan satu dari yang lain adalah kesalahan yang sama seperti membandingkan nilai ujian dari kertas latihan dengan nilai dari ujian sebenarnya.

Yang membuat kesalahan itu layak ditulis adalah karena itulah satu-satunya perbandingan yang tersedia. Qwen Audio 3.1 Realtime sama sekali tidak muncul di papan speech-to-speech Artificial Analysis — papan tersebut mencantumkan Qwen Audio 3.0 Realtime Plus di 69,5 dan Qwen Audio 3.0 Realtime Flash di 67,7, dan tidak ada yang lebih baru. Jadi penantang murah terbaru di kategori ini telah menerbitkan angkanya sendiri, dalam satuannya sendiri, dan belum ada badan independen yang menilainya. Celah itulah inti ceritanya, dan artikel yang jujur sebagian besar membahas apa yang belum bisa dikatakan.

Apa sebenarnya Qwen Audio 3.1

Qwen-Audio-3.1 dari Alibaba hadir pada akhir September 2026 sebagai rangkaian lima model, bukan satu rilis tunggal: ASR, ASR-Next, TTS, TTS-Next, dan Realtime. Model yang bersaing dengan Phonic 1 adalah Qwen Audio 3.1 Realtime, khususnya tier Realtime-Plus, yang hanya tersedia melalui QwenCloud lewat WebSocket—tanpa bobot terbuka, tidak seperti anggota keluarga TTS dan ASR, dan tanpa jalur self-host dalam materi publik.

Konteks — total 262K, maks input 245K dan maks output 16K, dibandingkan dengan konteks Phonic 1 yang belum dipublikasikan.

• Batas throughput — 60 permintaan dan 100K token per menit secara default di QwenCloud; Phonic tidak mempublikasikan batas sesi yang setara.

• Fitur — pemanggilan fungsi, pencarian web, output terstruktur, cache konteks, fine-tuning, dan kloning suara semuanya tercantum untuk Qwen Audio 3.1 Realtime; Phonic mencantumkan alat sinkron inline, 50+ bahasa, dan pergantian bahasa di tengah percakapan.

• Ketersediaan — Qwen Audio 3.1 Realtime hanya tersedia melalui API; Phonic 1 menawarkan cloud, single-tenant, VPC peering, dan self-host.

Dua baris itu adalah yang penting untuk pengadaan. Keluarga Qwen biasanya menyertakan bobot model; anggota ini tidak, yang menghilangkan alasan utama sebuah tim memilih Qwen dibandingkan vendor terkelola. Opsi self-host Phonic adalah kebalikannya — itu satu-satunya cara agar kedua model ini berjalan di mana pun selain cloud milik pihak lain.

Benchmark yang bukan benchmark yang sama.

Angka 82,0% muncul dalam makalah arXiv Alibaba tentang Qwen-Audio-3.1, yang disajikan sebagai peningkatan dari 78,4% pada generasi sebelumnya. Makalah yang sama secara eksplisit menyatakan bahwa ini adalah adaptasi half-duplex dan speech-to-text dari τ-Voice, bukan evaluasi agentik full-duplex yang menghasilkan angka-angka pada papan peringkat publik. Itu bukan tidak jujur — ini diungkapkan — tetapi berarti angka tersebut menjawab pertanyaan yang lebih sempit: dengan pengaturan bergaya transkrip dan suatu tugas, seberapa sering model menyelesaikannya.

Angka 79,9% Phonic 1 menjawab pertanyaan yang lebih luas, dan selisih antara kedua pertanyaan itu tidaklah kecil. Adaptasi half-duplex menghilangkan bagian-bagian dari panggilan agentik yang paling sulit dilakukan dengan benar: barge-in, ucapan yang tumpang tindih, memutuskan kapan berhenti mendengarkan, dan pulih ketika penelepon berubah pikiran di tengah tool-call. Masing-masing adalah titik ketika model kehilangan tugas yang seharusnya dapat diselesaikannya.

Arah kesalahan itu dapat diprediksi, dan berlawanan dengan pembacaan yang tampak jelas. 82.0% milik Qwen kemungkinan besar merupakan batas atas yang optimistis untuk perilaku full-duplex-nya, bukan kemenangan setara atas 79.9% milik Phonic. Apakah Qwen melewati ambang tersebut masih belum diketahui. Alibaba belum menempatkan model itu di hadapan evaluator yang menghasilkan 79.9.

Apa yang benar-benar dipublikasikan Qwen, dan di mana angka-angkanya sendiri justru berbalik melawannya

Rilis Alibaba secara tidak biasa terbuka tentang kegagalan, yang membuatnya lebih berguna daripada klaim utama τ-Voice. Baca seluruh tabel, dan model tersebut tampak kurang seperti penantang yang menentukan dan lebih seperti sistem realtime generasi kedua yang kuat dengan dua titik lemah spesifik.

• Tingkat kesalahan kata FLEURS — dari 9,01 turun menjadi 3,98, peningkatan yang nyata dalam akurasi pengenalan lintas bahasa.

• Rata-rata Big Bench Audio 14 bahasa — 81,7% hingga 88,1%.

• Audio MultiChallenge — 47.12 hingga 52.21.

• Tingkat respons terhadap ucapan latar belakang pada Full-Duplex-Bench v1.5 — dari 73,0% menjadi 13,0%, yang berarti model jauh lebih kecil kemungkinannya untuk menjawab ucapan yang tidak ditujukan kepadanya.

• Latensi penghentian saat interupsi — 1,116 detik, dibandingkan dengan 0,383 detik untuk GPT-Realtime-2. Inilah angka yang perlu dibandingkan dengan 0,61 detik milik Phonic hingga audio pertama: yang satu mengukur seberapa cepat model mulai, yang lain seberapa cepat model berhenti, dan penghentian yang lambat itulah yang digambarkan penelepon sebagai ditimpa pembicaraan.

• Tingkat melanjutkan pembicaraan yang tidak diinginkan — 0,035 naik menjadi 0,130, regresi yang dilaporkan makalah dibandingkan pendahulunya sendiri; model lebih mungkin mulai berbicara lagi ketika seharusnya tidak.

Dua baris terakhir itu adalah fakta yang paling kurang diliput dalam peluncuran Qwen Audio 3.1. Model yang butuh 1,116 detik untuk memberi giliran dan melanjutkan saat tidak diinginkan akan terasa, dalam panggilan telepon sungguhan, lebih buruk daripada yang disiratkan skor akurasinya — dan itulah tepatnya dimensi yang menjadi tumpuan pemasaran Phonic 1, dengan klaimnya bahwa ia "merespons sebelum penelepon selesai" dan latensi speech-to-speech-nya di bawah 600 ms.

Satu-satunya titik data yang dapat dibandingkan

Karena Qwen Audio 3.1 Realtime tidak memiliki skor indeks, satu-satunya cara untuk membandingkannya dengan Phonic 1 pada instrumen yang sama adalah melalui pendahulunya. Qwen Audio 3.0 Realtime Plus meraih 69,5 pada indeks speech-to-speech, dengan kinerja agentic 54,6%, penalaran ucapan 99%, keberhasilan tugas 77,8%, 798 Elo arena, dan 1,54 detik hingga audio pertama.

• Kinerja agentik — Phonic 1 79,9 vs Qwen Audio 3.0 Realtime Plus 54,6. Jika 3.1 memberikan peningkatan seperti yang disiratkan makalahnya sendiri pada tugas-tugas, ini menutup sebagian dari selisih 25 poin tersebut; belum ada yang mengukur seberapa besarnya.

• Preferensi arena — Phonic 1 1.012 vs 798 milik 3.0. Ini adalah kesenjangan terbesar dalam perbandingan dan yang paling tidak mungkin sudah tertutup, karena preferensi arena adalah ukuran berbasis suara manusia yang bergerak lambat antargenerasi.

• Waktu hingga audio pertama — Phonic 1 0,61 dtk vs 1,54 dtk milik 3.0. Tier realtime Qwen secara historis merupakan keluarga yang lebih lambat di sini, dan 3.1 tidak memublikasikan angka waktu hingga audio pertama.

• Keberhasilan tugas — Phonic 1 92,3% vs 77,8% milik 3.0.

Pola tiga generasi itu konsisten: model real-time Qwen selama ini merupakan pengenal yang kuat tetapi agen yang lemah, dan 3.1 adalah generasi yang mengklaim memperbaiki sisi agen tersebut. Apakah ia berhasil, justru itulah yang akan diberitahukan oleh skor indeks yang hilang.

Dua unit harga yang tidak dapat dikonversi

Qwen Audio 3.1 Realtime menagih per token: $0.80 untuk satu juta token input teks, $6.40 untuk input audio, $6.40 untuk output teks, dan $24 untuk output audio di wilayah Singapura, dengan tarif Beijing sekitar 14% lebih rendah secara keseluruhan. Phonic 1 menagih $0.07 per menit percakapan, tetap, tanpa biaya token.

Tidak ada konversi publik antara satuan-satuan tersebut. Untuk mengubah tarif token menjadi biaya per menit, Anda memerlukan kepadatan token audio — berapa banyak token yang ditempati oleh satu menit ucapan — dan Alibaba tidak mempublikasikannya untuk model ini. Siapa pun yang memberi Anda angka setara per menit untuk Qwen Audio 3.1 entah sedang menebak kepadatannya atau meminjamnya dari keluarga model lain dengan codec yang berbeda. Arah jawabannya tidak diragukan: tarif audio Qwen cukup rendah sehingga satu menit yang ditokenisasi dengan baik sangat mungkin berada di bawah tujuh sen, dan pemotongan harga sekitar 85% pada tier Realtime menjadi berita utama peluncurannya. Besarannya tidak diketahui, dan ketidakpastian itu cukup besar untuk berpengaruh pada penerapan bervolume tinggi.

Input audio — Qwen $6,40 / 1 juta token (Singapura) dibandingkan Phonic $0,07 per menit percakapan, tanpa nilai tukar yang dipublikasikan di antara keduanya.

• Audio keluaran — Qwen $24 / 1 juta token; tarif per menit tetap Phonic mencakup audio keluaran.

• Penetapan harga regional — wilayah Beijing Qwen sekitar 14% lebih murah dibanding Singapura; Phonic menerbitkan satu daftar tarif global.

• Batas minimum — Tingkat Pro Phonic memiliki minimum bulanan $200; QwenCloud menerbitkan batas laju default, bukan minimum platform.

Perbedaan bentuk itulah bagian yang tetap bertahan saat konversi tidak tersedia. Tagihan per token melacak seberapa banyak model benar-benar bekerja — transkrip panjang, balasan bertele-tele, dan giliran yang padat penggunaan alat semuanya lebih mahal. Tagihan per menit melacak berapa lama saluran telepon terbuka. Bagi agen yang menghabiskan sebagian besar panggilan untuk mendengarkan, model token lebih bersahabat; bagi agen yang menjawab panjang lebar, tidak.

Pertanyaan mana yang sedang Anda jawab?

Jika Anda memilih model untuk diterapkan pada infrastruktur Anda sendiri, perbandingan ini bukan untuk Anda: Qwen Audio 3.1 Realtime tidak memiliki bobot, dan Phonic 1 dapat di-host sendiri, yang menjadikan Phonic satu-satunya opsi di sini yang sama sekali keluar dari cloud vendor. Itu jawaban satu baris dan mudah terlewat di bawah pembahasan benchmark.

Jika Anda memilih model realtime yang dihosting berdasarkan biaya, Qwen Audio 3.1 adalah pilihan yang lebih menarik — jauh lebih murah per unit, peningkatan akurasi pengenalan yang terdokumentasi dengan baik, dan vendor dengan ekosistem open-weight yang mendalam di belakangnya. Risikonya adalah sisi agennya belum terukur dan perilaku interupsinya mengalami regresi dalam tabel milik vendor sendiri.

Jika Anda memilih berdasarkan kinerja agentic yang terukur, Phonic 1 adalah satu-satunya dari keduanya yang benar-benar dapat Anda peringkatkan, karena hanya itu yang telah diperingkatkan. Itu klaim yang lebih lemah daripada "Phonic lebih baik" dan itulah yang benar.

Dan jika Anda menjalankan model teks Qwen bersama lapisan suara, separuh tumpukan itu sudah dapat dirutekan — Qwen3.8-Max ada di OrcaRouter di antara 200+ model dengan satu kunci pada harga daftar penyedia tanpa markup, jadi pemotongan harga di sisi Alibaba langsung berlaku pada hari yang sama. Endpoint audio tidak ada di katalog kami dan Phonic 1 juga tidak; masing-masing berasal dari vendornya sendiri. Yang Anda dapatkan dari router di pasar yang masih muda ini adalah kemampuan mempertahankan jalur suara yang berfungsi sementara jalur yang lebih baru dan lebih murah membuktikan kelayakannya — failover otomatis berarti menguji Qwen Audio 3.1 terhadap trafik Anda sendiri hanya membutuhkan aturan routing, bukan migrasi.

Kesimpulan jujurnya adalah bahwa perbandingan ini saat ini tidak dapat diputuskan pada sumbu yang ingin dijadikan dasar keputusan oleh kedua vendor. Alibaba telah menerbitkan angka yang membuat modelnya tampak lebih unggul dengan mengukur tugas yang lebih mudah. Phonic telah menerbitkan angka yang diukur dengan benar, tetapi pada satu board, satu konfigurasi, satu minggu ketersediaan. Hal pertama yang perlu diperhatikan bukanlah pemotongan harga atau tolok ukur — melainkan kemunculan Qwen Audio 3.1 Realtime pada board yang menilai kedua model dengan cara yang sama. Hingga saat itu, satu-satunya klaim yang dapat dipertahankan adalah bahwa Phonic 1 adalah kuantitas yang sudah diketahui dan Qwen Audio 3.1 adalah kuantitas tak dikenal yang murah, yang merupakan alasan yang sangat baik untuk mencoba yang kedua di balik aturan failover alih-alih di depan pelanggan Anda.