Phonic 1 vs Cartesia Sonic 3.6: un minuto a $0,07 e una fattura da 49 milioni di caratteri non sono lo stesso acquisto

Metti Phonic 1 e Cartesia Sonic 3.6 su una pagina e la tentazione è allineare le colonne dei prezzi e chiuderla lì. Due cifre dei fornitori lo rendono facile: Phonic addebita $0.07 per un minuto di conversazione, Cartesia normalizza a circa $49 per milione di caratteri. Entrambi sembrano errori di arrotondamento rispetto a ciò che pagavi nel 2025. Ma fatturano oggetti diversi. Cartesia Sonic 3.6 è un motore di sintesi vocale in streaming — gli passi delle parole, ti restituisce una voce, e tutto ciò che sta a monte di quelle parole è un tuo problema. Phonic 1 è un modello speech-to-speech che ascolta chi chiama, decide cosa fare, invoca strumenti a metà frase e risponde ad alta voce, il tutto entro quel minuto. Uno è un componente della tua fattura. L'altro è l'intera fattura. Confrontarli solo sul prezzo è come confrontare il prezzo di una corsa in taxi con quello di un'auto.

Ciò non rende inutile il confronto. Lo rende più ristretto e più onesto di quanto suggerisca il risultato di ricerca: questi due competono per la stessa voce di budget in un budget per agenti vocali, e un team che sviluppa un agente telefonico deve decidere se il livello vocale sia un servizio da affittare nella sua interezza o uno stack da assemblare a partire da componenti. Cartesia ti venderà l'una o l'altra configurazione — Sonic 3.6 per la metà dedicata al rendering, Cartesia Line per la metà assemblata — e quel secondo prodotto, non il modello TTS, è quello che in realtà si trova di fronte a Phonic 1.

Che cosa ciascuno è in realtà

Cartesia Sonic 3.6 è stato rilasciato alla fine di agosto 2026, circa tre mesi dopo Sonic 3.5, ed è il renderer di qualità più alta dell'azienda: 44 lingue in 61 locale, clonazione vocale da circa dieci secondi di audio, fatturazione basata su crediti in cui un credito corrisponde approssimativamente a un carattere. Non ha alcun livello di ragionamento, alcun livello di strumenti e alcuna nozione di conversazione. Lo chiami con testo e un ID voce, ricevi indietro audio in uno stream, e la logica di alternanza dei turni — quando ascoltare, quando interrompere, cosa fare quando il chiamante dice "in realtà, no" — appartiene al codice che scrivi.

Phonic 1 è stato lanciato alla fine di ottobre 2026 insieme a un round Series A da 27,5 milioni di dollari guidato da First Round, e il suo posizionamento è di segno opposto: un unico modello che gestisce l’intero turno. La lista delle funzionalità del fornitore afferma che tono ed esitazione vengono percepiti, che le chiamate agli strumenti partono mentre chi chiama sta ancora parlando e che a volte il modello sceglie di non rispondere affatto — un comportamento che non si può ottenere da un endpoint TTS perché un endpoint TTS non ha un’opinione sul fatto che parlare sia la mossa giusta. Applica un prezzo unico per minuto di conversazione e dichiara esplicitamente che non vi è alcun pass-through LLM separato e alcun addebito per token.

Una precisazione onesta prima di proseguire. La copertura del lancio di Phonic lo descriveva come end-to-end, evitando fornitori separati di riconoscimento vocale, LLM e sintesi vocale. Il sito dello stesso fornitore descrive modelli supervisor per il ragionamento e la chiamata di strumenti, e la sua configurazione di benchmark è etichettata Phonic 1 (High), il che implica un livello di intelligenza selezionabile. Entrambe le cose possono essere vere — un unico fornitore può possedere l'intero turno pur eseguendo un livello di ragionamento interno — ma "end-to-end" è una scorciatoia di marketing per "un unico contratto", non la prova che una singola rete faccia tutto in un'unica passata in avanti. Se la tua revisione dell'architettura dipende da questa distinzione, chiedi direttamente al fornitore; il materiale pubblico non lo chiarisce.

I due orologi misurano cose diverse

La latenza è l'aspetto in cui questo confronto trae in inganno più spesso, perché entrambi i fornitori citano un piccolo numero in millisecondi e nessuno dei due è quello che sperimenta il tuo chiamante.

• Phonic 1 — 0,61 s di tempo medio al primo audio secondo la misurazione di Artificial Analysis, il più veloce tra i primi cinque modelli speech-to-speech testati; il fornitore pubblicizza meno di 600 ms dal parlato in ingresso al parlato in uscita.

• Cartesia Sonic 3.6 — tempo al primo audio inferiore a 90 ms, dichiarato dal fornitore ed escludendo esplicitamente la rete; un benchmark di terze parti ha misurato 120 ms p50 da US East direttamente verso il fornitore, e un test di chiamata reale basato a Sydney ha riportato 448 ms di mediana e 604 ms p90 end-to-end.

• Che cosa significa il divario — lo 0,61 s di Phonic parte nel momento in cui arriva l'audio e include la decisione su che cosa dire. I 90 ms di Cartesia partono una volta che il testo esiste già e coprono solo la sua trasformazione in suono. Aggiungi il tuo riconoscimento vocale e la latenza del tuo modello davanti a Sonic e le due cifre convergono; quell'aritmetica mancante è il motivo per cui i numeri grezzi sembrano una vittoria di sette a uno e non lo sono.

Artificial Analysis riporta anche Phonic 1 a 0,61 s contro 1,34 s per GPT-Live-1 e 1,35 s per Gemini 3.8 Live Extended Thinking, che è il confronto per cui il numero è effettivamente valido: modello contro modello, stesso strumento. Sonic 3.6 non compare affatto in quella classifica, perché non è un modello conversazionale.

La fattura, costruita dallo stesso lavoro

Prendi una chiamata di supporto in ingresso di dieci minuti. Sul percorso assemblato con Cartesia Sonic 3.6 paghi almeno tre cose: il riconoscimento dell'audio del chiamante, un modello che decide la risposta e il rendering di quella risposta. La quota di Sonic è la più piccola e prevedibile delle tre — circa $0,28-$0,49 al minuto di audio generato a seconda del piano, e sensibilmente inferiore in pratica perché un agente non parla per tutti i dieci minuti. La quota imprevedibile è il modello nel mezzo, ed è quella che varia di un ordine di grandezza a seconda che tu indirizzi un modello piccolo per l'80% facile dei turni o invii tutto a un modello frontier.

È in quel tratto intermedio che il routing si guadagna il suo posto invece di essere un componente aggiuntivo. Su OrcaRouter il modello di ragionamento dietro il tuo agente è accessibile con un'unica chiave su oltre 200 modelli a 0% di ricarico rispetto al prezzo di listino del provider, così un taglio di prezzo da qualsiasi fornitore è attivo lo stesso giorno invece di dover aspettare una modifica contrattuale — e una regola di instradamento può mantenere economici i turni economici, scalando solo quelli difficili. Il failover automatico copre il caso che in produzione mette davvero in crisi gli agenti vocali: il provider del modello subisce un glitch a metà chiamata e il chiamante sente silenzio.

Sul percorso Phonic 1 l'aritmetica si riduce a una riga. Dieci minuti costano $0,70 alla tariffa iniziale di $0,07, oppure $0,65 alla tariffa Pro, che comporta un minimo mensile di $200. Questo è l'intero costo del livello del modello — niente token separati, niente bolletta separata per il ragionamento — ed è l'argomento più forte a favore di Phonic, perché una tariffa fissa al minuto è un numero che un team finanziario può prevedere senza un modello di utilizzo.

Leggi attentamente quei due totali prima di dichiarare un vincitore. Il limite inferiore del percorso assemblato è più basso — un modello intermedio economico più il rendering di Sonic possono battere comodamente $0,07 al minuto — e il suo limite superiore è molto più alto, perché un modello di frontiera, a ogni turno, lo supera di gran lunga. La tariffa fissa di Phonic 1 è una scommessa sul fatto che i conti del fornitore tornino man mano che cambia il tuo mix di chiamate facili e difficili. È una cosa davvero utile da comprare, ed è anche una cosa che stai comprando sulla fiducia.

Dove Cartesia Sonic 3.6 vince senza discussione

Se la domanda è «quale di questi suona meglio», Cartesia non è neanche lontanamente vicina, e nessuna quantità di punteggi di benchmark agentici cambia la cosa. Sonic 3.6 ha conquistato la vetta di entrambe le arene vocali di Artificial Analysis al lancio — un Provider Voice Elo intorno a 1.282–1.283 e un punteggio Controlled Voice vicino a 1.123 — che sono misurazioni di preferenza sull'audio renderizzato, esattamente ciò a cui serve un motore TTS.

La superficie di controllo è anche più profonda. Clonazione vocale da dieci secondi, 44 lingue in 61 locale con selezione a livello di locale, cinque livelli di piano pubblicati, da una sandbox gratuita da 20.000 crediti a un piano Scale da $299 con quindici richieste simultanee, e voci clonate fatturate a 1,5x. Se il tuo prodotto è narrazione, doppiaggio, prompt IVR o un assistente le cui risposte sono scriptate e la cui voce è il marchio, Sonic 3.6 è uno strumento migliore di Phonic 1 e il confronto dovrebbe fermarsi lì.

C'è anche una struttura di costo che vale la pena menzionare: il modello a crediti di Cartesia significa che paghi per i caratteri che sintetizzi, quindi una chiamata in cui l'agente dice quattro parole costa quattro parole. Un modello a consumo per minuto addebita l'intero minuto a prescindere. Nelle interazioni brevi e ad alto volume — conferme di appuntamenti, notifiche di consegna, una verifica in due turni — il modello a caratteri è strutturalmente più economico.

Dove Phonic 1 vince senza discussione

Le chiamate agli strumenti che iniziano prima che l'interlocutore smetta di parlare sono l'unica capacità, in questa comparazione, che Cartesia Sonic 3.6 semplicemente non possiede, perché la chiamata agli strumenti non è una proprietà che un renderer può avere. In un flusso di prenotazione in cui l'interlocutore dice "Mi serve giovedì, no aspetta, venerdì pomeriggio", il percorso assemblato deve attendere il rilevamento della fine del turno, eseguire il riconoscimento, eseguire il modello, eseguire lo strumento e poi renderizzare — quattro passaggi seriali contro l'unico dichiarato da Phonic. Il confronto demo di Phonic stesso, una risposta 1,1 secondi dopo che l'interlocutore ha smesso di parlare contro 15,7 secondi per GPT-Live di OpenAI, è una dimostrazione del fornitore e va letto come tale. Ma il punto strutturale sopravvive alla riserva: meno passaggi significano meno punti in cui perdere un secondo.

• Lingue — Phonic 1 ne supporta oltre 50 con cambio di lingua a metà conversazione che mantiene la stessa voce; Cartesia Sonic 3.6 copre 44 lingue in 61 locale, solo per il rendering.

• Fatturazione — Phonic 1 prevede un unico prezzo per minuto di conversazione senza pass-through LLM; Cartesia Sonic 3.6 fattura per carattere/credito e il resto dello stack viene fatturato separatamente.

• Capacità agentica — Phonic 1 ottiene il 79,9% sulla componente agentica dell'indice speech-to-speech di Artificial Analysis, il punteggio più alto registrato in tale indice; Sonic 3.6 non ha alcun punteggio agentico perché non ha un agente.

• Qualità della voce — Cartesia Sonic 3.6 è in testa in entrambe le arene del parlato di Artificial Analysis sull'audio renderizzato; il punteggio di preferenza nell'arena di Phonic 1 è 1.012, ottavo su trenta.

• Distribuzione — Phonic 1 offre cloud, single-tenant, VPC peering e self-host, con disponibilità dichiarata di SOC 2 Type II e HIPAA BAA; Sonic 3.6 è un'API ospitata.

Il confronto che Cartesia vorrebbe davvero farti eseguire

La vera risposta di Cartesia a Phonic 1 è Cartesia Line, il suo prodotto voice-agent, che l'azienda propone a circa 0,06 $ al minuto e che compare su Artificial Analysis come pipeline di provider anziché come modello con punteggio — la lineup alle sue spalle si avvale insieme di Ink, Gemini 2.5 Flash e Sonic. Questo ti dice due cose contemporaneamente. La tariffa principale è inferiore a Phonic 1 di un centesimo, e la tariffa è incompleta esattamente nel modo in cui il marketing di Phonic accusa gli stack assemblati di essere incompleti: il ramo Gemini 2.5 Flash fattura i propri token in aggiunta.

Quindi il confronto diretto onesto non è $0,07 contro $0,06. È un $0,07 fisso e tutto incluso contro una commissione di piattaforma di $0,06 più una fattura per i modelli che controlli. Per un team che già instrada i propri modelli e vuole continuare a farlo, quella struttura è un vantaggio. Per un team che vuole un numero, non un foglio di calcolo, è il motivo per cui esiste Phonic 1.

Chi dovrebbe agire, e chi dovrebbe aspettare

Acquista Cartesia Sonic 3.6 se la voce è il prodotto. Narrazione, assistenti brandizzati, doppiaggio, qualsiasi cosa in cui sarà un umano a giudicare l'audio e nessuno a giudicare le chiamate ai tool. Il primato nell'arena è reale, il cloning è veloce e la scala dei piani significa che puoi iniziare gratis.

Acquista Phonic 1 se la chiamata deve fare qualcosa — prenotare, verificare, rimborsare, escalare — e se un budget di ingegneria a cinque cifre per il glue code è peggiore di una tariffa fissa al minuto. È anche, al momento in cui scriviamo, disponibile da circa una settimana su un'API pubblica con un unico board indipendente alle spalle e nessun dato di affidabilità a lungo termine; il modo sensato di adottarlo è affiancarlo al tuo percorso attuale, non sostituirlo.

E se state assemblando invece di noleggiare, la decisione che fa davvero cambiare la bolletta non è Sonic contro Phonic. È quale modello risponde ai turni semplici. Quel segmento è quello che oggi gira su OrcaRouter — una chiave, oltre 200 modelli, prezzo di listino pass-through, failover quando un fornitore cade — mentre né Phonic 1 né Cartesia Sonic 3.6 sono nel nostro catalogo, e ciascuno deve essere contrattualizzato dal proprio fornitore.

L'acquisto che sembra un confronto di prezzo è in realtà una domanda su quanto del turno vuoi possedere. Sonic 3.6 ti permette di possederlo per intero e ti dà il componente dal suono migliore su cui costruire. Phonic 1 te lo toglie dalle mani e addebita una tariffa fissa per il privilegio. Nessuno dei due è sbagliato. Sono sbagliati solo quando vengono acquistati per il motivo dell'altro.