Phonic 1 debutta al primo posto nello Speech Index. Il margine di 0,2 punti nasconde il vero vantaggio.

Phonic 1 è ora il modello speech-to-speech meglio classificato nell'Indice Speech to Speech di Artificial Analysis con 87,1, una gara decisa da un decimo di punto, vinta superando di misura Grok Voice 3.0 di xAI a 86,9. Un margine di 0,2 punti sarebbe normalmente rumore, e su questo indice lo è quasi del tutto: i due modelli non vincono le stesse prove, quindi la parità nel punteggio complessivo nasconde un divario molto più ampio al di sotto. Nel benchmark dei compiti agentici che contribuisce per un quarto a quel punteggio, Phonic 1 si attesta al 79,9%, contro il 74,5% della migliore configurazione OpenAI.

Phonic, uno spinout di circa dieci persone composto da ricercatori del MIT e di Stanford, ha presentato il modello il 29 ottobre 2026 insieme a un round Series A da 27,5 milioni di dollari guidato da First Round, portando il finanziamento totale a 31,5 milioni di dollari. L'azienda indica il modello come Phonic-1 nel proprio post di lancio e nella documentazione; Artificial Analysis lo elenca come Phonic 1 (High), dove il testo tra parentesi è un'impostazione API e non un nome di prodotto. Entrambe le grafie rimandano allo stesso endpoint e allo stesso prezzo di listino di 0,07 dollari al minuto.

Che cos'è Phonic-1, secondo la terminologia del fornitore stesso

È un modello vocale end-to-end, non una cascata di trascrivi-poi-pensa-poi-parla. L'audio entra, l'audio esce, e l'argomento che Phonic porta a favore dell'architettura è che una trascrizione è una copia con perdite di una conversazione — tono, esitazione e sovrapposizione vengono gettati via prima che il modello linguistico li veda mai. Quell'argomento è stato portato da ogni fornitore speech-to-speech dal 2024; ciò che Phonic vende in realtà è un trucco di pianificazione costruito sopra di esso.

Quel trucco è il tool calling durante il turno del chiamante. Invece di aspettare che il chiamante smetta di parlare prima di avviare una ricerca, il modello lancia chiamate agli strumenti mentre il parlato è ancora in arrivo, così i risultati sono pronti nel momento in cui il chiamante passa la parola. Nella demo pubblicata da Phonic, il modello ha chiamato tutti e cinque gli strumenti a metà frase e ha risposto 1,1 secondi dopo che il chiamante si era fermato; colloca OpenAI GPT-Live-1 a 15,7 secondi sullo stesso copione. Quel confronto è una dimostrazione del fornitore su un compito scelto dal fornitore, non un benchmark misurato, e va letto come un'illustrazione del design più che come un risultato di un confronto testa a testa.

La superficie API pubblicata è più concreta rispetto alla maggior parte dei post di lancio:

• ID modello — phonic-1, con phonic-0.5 ancora accettato come generazione precedente. Se si omette il campo, viene applicato il valore predefinito corrente.

• Intelligence — un enum intelligence_level, standard per impostazione predefinita, high quando si desidera il modello più capace per ragionamenti complessi. La documentazione descrive standard come l'impostazione ottimizzata per una latenza inferiore, il che significa che la configurazione con cui sono stati valutati finora tutti i benchmark non è quella che un deployment sensibile alla latenza ottiene per impostazione predefinita.

• Lingue — 51, elencate con codici ISO fino a filippino (fil) e cantonese (yue), con cambio a metà conversazione che mantiene la stessa identità del parlante.

• Latenza — Phonic dichiara meno di 600 ms dall'ingresso vocale all'uscita vocale. Artificial Analysis ha misurato 0,61 s fino al primo audio con il proprio harness, il che è coerente con la dichiarazione senza costituire la stessa misurazione.

• Distribuzione — API ospitata, SDK per TypeScript e Python, una CLI e un builder di agenti no-code, oltre a opzioni self-hosted e VPC nel piano enterprise, con SOC 2 Type II, un BAA HIPAA, conservazione zero dei dati e un SLA di uptime del 99,9% sulla pagina.

L'indice, riga per riga

Il Speech to Speech Index è un indice composito di quattro risultati ugualmente ponderati: Big Bench Audio per il ragionamento vocale, τ-Voice per il comportamento agentico nel servizio clienti, un’arena di preferenze umane e un tasso di successo delle attività. Un modello deve avere tutti e quattro per essere valutato, ed è per questo che StepAudio 3 Realtime compare nella tabella del ragionamento senza un numero composito — le sue colonne relative al comportamento agentico, all’arena e al tasso di successo delle attività sono vuote.

I quattro componenti di Phonic 1, secondo Artificial Analysis:

• Indice Speech to Speech — 87,1, primo, davanti a Grok Voice 3.0 a 86,9, GPT-Live-1 (Astra, medium) a 83,2, Grok Voice 2.0 a 81,3 e GPT-Live-1 (Sol, low) a 80,1.

• τ-Voice — 79,9%, primo, 5,4 punti di vantaggio su GPT-Live-1 (Astra, medium) al 74,5%.

• Big Bench Audio — 98,9%, terzo posto, dietro StepAudio 3 Realtime al 99,7% e Qwen Audio 3.0 Realtime Plus al 99,2%.

• Speech Agent Arena — ottavo su 30 per preferenza con Elo 1012, quarto per successo nell'attività al 92,3%.

Leggi quelle quattro righe in ordine e il composito smette di sembrare un pareggio. Phonic 1 vince nettamente il benchmark agentico e si piazza terzo sul ragionamento, ma è ottavo quanto alla voce che gli esseri umani preferiscono davvero e quarto sul successo grezzo nei compiti — un modello che è misurabilmente il miglior esecutore di strumenti e non il conversatore preferito dal pubblico. È la stessa storia strutturale che abbiamo riscontrato nell'86,9 di Grok Voice 3.0 due settimane fa, dal lato opposto: xAI teneva l'arena e ha perso la colonna agentica, mentre Phonic tiene la colonna agentica e rinuncia all'arena.

Due orologi, due vincitori

La latenza è il punto in cui la copertura diventa approssimativa, perché due strumenti rispettabili non concordano su chi sia il più veloce e nessuno dei due ha torto.

Artificial Analysis misura il tempo al primo audio — quanto passa dalla fine del turno del chiamante all'inizio dell'audio. Su questo parametro, Phonic 1 è il più veloce tra i primi cinque dell'indice:

• Tempo al primo audio — Phonic 1 0,61 s; Grok Voice 3.0 0,81 s; GPT-Live-1 (Sol, basso) 1,24 s; GPT-Live-1 (Astra, medio) 1,34 s; Qwen Audio 3.0 Realtime Plus 1,54 s; StepAudio 3 Realtime 8,83 s.

Cekura, un'azienda di valutazione di agenti vocali che esegue modelli all'interno di un harness telefonico reale su WebRTC, misura il tempo di risposta mediano sull'intera durata delle chiamate. Su questa misura Grok Voice 3.0 è il più rapido del settore a 1,34 s e Phonic 1 è a 1,63 s — terzo per rapidità, un centesimo dietro Grok Voice Think Fast 2.0 a 1,62 s, e non primo. Entrambi i numeri descrivono qualcosa di reale. Il tempo al primo audio è la rapidità con cui il modello si impegna a parlare; il tempo di risposta mediano è quanto chi chiama attende davvero la risposta in 82 scenari, inclusi quelli ad alto uso di strumenti, dove l'approccio di Phonic recupera esattamente i secondi che una misurazione del primo audio non può vedere.

Se stai scrivendo un memo di approvvigionamento, la frase da evitare è "il modello speech-to-speech più veloce", punto. La versione difendibile è "il più veloce al primo audio su Artificial Analysis; terzo più veloce per risposta mediana sull'harness per chiamate live di Cekura".

La board delle chiamate in tempo reale pone una domanda più difficile.

La classifica speech-to-speech di Cekura è un test sostanzialmente più difficile di ciascuno dei quattro componenti dell'indice: 82 scenari — 59 chiamate di prenotazione in clinica e 23 chiamate di intake Medicare — ciascuno eseguito tre volte all'interno dello stesso agente open source Pipecat, con lo stesso prompt e gli stessi strumenti, valutato con pass-cubed, il che significa che uno scenario conta solo se tutte e tre le esecuzioni riescono con ogni campo registrato correttamente.

A partire dal suo aggiornamento del 22 ottobre 2026, con Phonic 1 configurato su intelligence high con l'ID modello phonic_v1, quella scheda mette inoltre Phonic 1 al primo posto:

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

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

• Chiamate in cui l'agente è rimasto in silenzio — Phonic 1 0,0%; Grok Voice 3.0 0,0%; GPT Realtime 2.1 3,3%.

Successo delle chiamate Medicare — Phonic 1 88,4%; GPT Realtime 2.1 81,2%; Grok Voice 3.0 58,0%; GPT-Live 1 con Sol 49,3%.

La suddivisione Medicare è la riga più interessante dell'intero lancio. Le lunghe chiamate di intake con compilazione di moduli sono il punto in cui i modelli end-to-end dovrebbero crollare, e Phonic 1 tiene l'88,4% dove Grok Voice 3.0 si dimezza al 58,0%. Il write-up di Cekura registra comunque una modalità di errore che vale la pena conoscere: l'agente chiude la chiamata senza dare riscontro a un chiamante che dice che richiamerà più tardi, e occasionalmente scrive in modo errato una nota di passaggio Medicare o un dettaglio di instradamento. Con il 90,2% di pass-cubed, 74 di quei 82 scenari superano ogni esecuzione e otto no: è un risultato forte per un modello vecchio di un giorno, non per un modello finito.

Due note di etichettatura prima che qualcuno citi questi dati. Il pannello di Cekura riporta una data di ultimo aggiornamento ed è stato modificato tra un'esecuzione e l'altra, quindi uno screenshot non è una citazione; citate il valore live allegando la data. E Cekura registra un costo di $0.060 al minuto per Phonic 1 rispetto a una tariffa Starter pubblicata di $0.070: un dato misurato da un singolo harness, non il listino prezzi, e non qualcosa da sottrarre da alcunché.

I benchmark del fornitore, mantenuti nella loro casella

Il post di lancio di Phonic riporta tre risultati propri, che vale la pena conoscere proprio perché non sono i numeri indicati sopra. Nella variante multilingue full-duplex τ³-Voice di Sierra, l'azienda riporta Phonic-1 a 83.2 contro GPT-Live-1 a 79.9 e Gemini 3.8 Live a 68.5. Nota la collisione: 79.9 è il punteggio di Phonic su τ-Voice di Artificial Analysis e anche il punteggio di GPT-Live-1 nella sua esecuzione τ³-Voice di Phonic. Stesse cifre, righe diverse, varianti di benchmark diverse — non spostare mai un numero da una colonna all'altra.

Gli altri due sono test umani in cieco condotti da Podonos, un servizio di test di ascolto di terze parti. Phonic-1 è stato preferito a GPT-Live-1 con il 61,5% contro il 32,0%, a Grok Voice 3 con il 66,5% contro il 26,5% e a Eleven v4 Turbo con il 78,0% contro il 14,0%. Il risultato che Phonic stessa mette per prima cosa in evidenza è quello in cui perde: i doppiatori umani sono stati preferiti a Phonic-1 con il 57,0% contro il 32,0%. Tutti e quattro sono commissionati e riportati dai fornitori; nessuno è stato replicato in modo indipendente.

Quanto costa un mese di questo

Il prezzo è un unico importo al minuto, senza addebiti per token e senza un ribaltamento separato dei costi LLM, il che è inusuale in una categoria in cui il "modello vocale" è spesso un sottile wrapper attorno a tre servizi fatturati. I livelli:

• Starter — $0,07 al minuto, senza minimo, 10 chiamate simultanee, 10 agenti, 3 postazioni di lavoro.

• Pro — 0,065 $ al minuto rispetto a un minimo mensile di 200 $, che la pagina dei prezzi equipara a circa 3.100 minuti, con 50 chiamate simultanee, 50 agenti e 30 postazioni.

• Enterprise — personalizzato, con sconti sul volume, deployment VPC o on-premise, DPA, SLA e BAA HIPAA.

Chi si iscrive entro il 30 novembre riceve $250 di credito. Fai i calcoli su un mese da 10.000 minuti e i prezzi di listino dei concorrenti più vicini si chiariscono rapidamente:

• 10.000 minuti — Phonic 1 Starter $700; Grok Voice 3.0 $800 a $0.08/minuto; GPT-Live-1 (Sol, basso) $750 a $0.075; GPT-Live-1 (Astra, medio) $970 a $0.097.

• Gli stessi 10.000 minuti su Pro — $650, ma solo oltre circa 3.100 minuti il minimo di $200 smette di essere il vincolo determinante.

Il numero che non compare su un listino prezzi è la concorrenza. Dieci chiamate simultanee su Starter sono un vero tetto per qualunque cosa somigli a una coda di supporto, ed è il motivo per cui il passaggio a Pro vale 50 dollari al mese quando i volumi crescono: il cambio di piano offre 50 chiamate simultanee molto più di quanto offra il mezzo centesimo. Il blog tecnico di Phonic sostiene che i limiti di concorrenza siano la tassa nascosta nell'IA vocale, una prospettiva onesta da parte di chi li stabilisce.

Dove viene eseguito e cosa può e non può fare il routing qui

Phonic 1 non è nel catalogo di OrcaRouter, e questo articolo non fingerà il contrario: oggi lo si raggiunge tramite l'API proprietaria di Phonic, i suoi SDK, la CLI o il no-code builder, e in nessun altro modo. Questa è anche l'onesta debolezza strutturale dell'acquistare un modello vocale end-to-end al posto di una cascata: un unico fornitore, un unico endpoint e nessun secondo provider su cui fare failover quando il websocket cade a metà chiamata.

Ciò che il routing copre è l'alternativa. Una pipeline trascrivi-pensa-parla è la baseline su cui la classifica interna di Cekura continua a superare i modelli end-to-end, e la sua fase intermedia è la normale inferenza testuale — che è esattamente il livello in cui un'unica API per oltre 200 modelli con 0% di markup si applica. Il segmento di trascrizione e il segmento di ragionamento possono stare dietro un'unica chiave, e il DSL di routing può inviare le chiamate economiche per l'alternanza dei turni e le costose chiamate di ragionamento sulle policy a modelli diversi nella stessa chiamata, senza un secondo contratto per ogni fornitore nello stack. Il prezzo di listino del fornitore viene trasferito invariato, così un ribasso del prezzo del fornitore raggiunge quel segmento lo stesso giorno in cui viene annunciato anziché al successivo rinnovo contrattuale.

Il compromesso vale la pena di essere detto chiaramente, perché i punteggi sopra non ne tengono conto. L'end-to-end vince sulla gestione dei turni, sulle interruzioni e sulle chiamate agli strumenti a metà utterance; una cascata vince sulla capacità di sostituire qualsiasi singolo componente — e sul fatto che il baseline cascade di Cekura supera ancora ogni modello realtime che ha testato sull'affidabilità pass-cubed. Se questo sembra una ragione per restare su una cascata, in parte lo è. La ragione per passare è la colonna Medicare: 88,4% contro 58,0% è il tipo di divario che decide se una lunga chiamata di intake si completa del tutto.

Ciò che nessuno ha ancora misurato

Prima che qualcuno riscriva un prompt di produzione intorno a un 87,1, vale la pena nominare tre lacune.

• La configurazione misurata non è quella predefinita. Ogni punteggio qui — {{1}}Artificial Analysis{{/1}} con {{2}}87.1{{/2}}, {{3}}Cekura{{/3}} con {{4}}90.2%{{/4}} — è stato prodotto con l'impostazione di intelligenza elevata. L'API usa per impostazione predefinita lo standard, documentato come modalità a latenza inferiore. Nessuno ha pubblicato i valori con l'impostazione standard, quindi le cifre sulla latenza riportate sopra non descrivono ciò che sperimenta un'integrazione non configurata.

• Il comportamento in presenza di rumore non è testato dall'indice. Cekura riferisce che Grok Voice 3.0 supera ogni chiamata con rumore di fondo e glitch audio; non dice nulla di comparabile su Phonic 1, e Big Bench Audio viene eseguito su audio pulito.

• La stabilità sulle sessioni lunghe è una demo, non una misurazione. La chiamata di 44 minuti di Phonic con 123 chiamate agli strumenti in inglese e portoghese è l'evidenza più concreta pubblicata su un orizzonte lungo, ed è un'unica chiamata che il fornitore ha scelto di mostrare.

Il riepilogo difendibile dopo un giorno: Phonic 1 è il modello agentico speech-to-speech più forte sui due strumenti indipendenti che lo hanno valutato, non è il più veloce a seconda dell’orologio che si consulta, e il suo costo di $0.07/minuto rende il vantaggio agentico abbastanza economico da testare anziché discuterne.