Phonic 1 vs Qwen Audio 3.1: 82,0% e 79,9% non sono lo stesso numero

Il confronto che tutti faranno tra Phonic 1 e Qwen Audio 3.1 Realtime è una tabella di due righe: Qwen ottiene 82,0% su τ-Voice, Phonic ottiene 79,9%, quindi vince il modello più economico. È una storia pulita ed è sbagliata, perché quei due valori provengono da strumenti diversi. Il 82,0% di Qwen proviene dal paper dello stesso fornitore, misurato su una variante adattata e half-duplex speech-to-text del benchmark. Il 79,9% di Phonic è la componente agentica dell'indice speech-to-speech di Artificial Analysis, misurata sul prodotto reale. Sottrarre l'uno dall'altro è lo stesso errore che confrontare il punteggio di un esame da una prova di pratica con quello dell'esame vero.

Ciò che rende l’errore degno di essere raccontato è che si tratta dell’unico confronto disponibile. Qwen Audio 3.1 Realtime non compare affatto nella classifica speech-to-speech di Artificial Analysis — la classifica elenca Qwen Audio 3.0 Realtime Plus a 69,5 e Qwen Audio 3.0 Realtime Flash a 67,7, e nulla di più recente. Quindi il più recente sfidante economico in questa categoria ha pubblicato i propri numeri, nelle proprie unità, e nessun organismo indipendente lo ha valutato. Quel divario è la storia, e l’articolo onesto riguarda soprattutto ciò che non si può ancora dire.

Che cos'è effettivamente Qwen Audio 3.1

Qwen-Audio-3.1 di Alibaba è arrivato alla fine di settembre 2026 come uno stack di cinque modelli anziché come un singolo rilascio: ASR, ASR-Next, TTS, TTS-Next e Realtime. Quello che compete con Phonic 1 è Qwen Audio 3.1 Realtime, e in particolare il tier Realtime-Plus, disponibile solo tramite QwenCloud su un WebSocket — nessun peso aperto, a differenza dei membri TTS e ASR della famiglia, e nessun percorso self-host nel materiale pubblico.

• Contesto — 262K totale, 245K di input massimo e 16K di output massimo, rispetto al contesto non pubblicato di Phonic 1.

• Limiti di throughput — 60 richieste e 100K token al minuto per impostazione predefinita su QwenCloud; Phonic non pubblica alcun limite di sessione equivalente.

• Funzionalità — chiamata di funzioni, ricerca web, output strutturati, memorizzazione nella cache del contesto, fine-tuning e clonazione vocale sono tutte elencate per Qwen Audio 3.1 Realtime; Phonic elenca strumenti sincroni inline, oltre 50 lingue e il cambio di lingua a metà conversazione.

• Disponibilità — Qwen Audio 3.1 Realtime è disponibile solo via API; Phonic 1 offre cloud, single-tenant, VPC peering e self-host.

Quelle due righe sono quelle che contano per l'approvvigionamento. La famiglia di Qwen di solito distribuisce i pesi; questo membro non lo fa, il che elimina il motivo principale per cui un team sceglie Qwen rispetto a un fornitore cloud. L'opzione self-host di Phonic è l'esatto contrario: è l'unico modo in cui uno di questi due modelli funziona al di fuori del cloud di qualcun altro.

Il benchmark che non è lo stesso benchmark

Il valore dell'82,0% compare nel paper arXiv di Alibaba su Qwen-Audio-3.1, presentato come un miglioramento rispetto al 78,4% della generazione precedente. Lo stesso paper è esplicito nel dire che si tratta di un adattamento half-duplex di tipo speech-to-text di τ-Voice, e non della valutazione agentica full-duplex che produce i numeri sulla classifica pubblica. Non è disonesto — è dichiarato apertamente — ma significa che il valore risponde a una domanda più ristretta: dato un setup in stile trascrizione e un compito, quanto spesso il modello lo porta a termine.

Il 79,9% di Phonic 1 risponde alla domanda più ampia, e il divario tra le due domande non è piccolo. Un adattamento half-duplex elimina le parti di una chiamata agentica più difficili da gestire correttamente: l'interruzione (barge-in), il parlato sovrapposto, decidere quando smettere di ascoltare e recuperare quando il chiamante cambia idea nel bel mezzo di una chiamata a uno strumento. Ognuno di questi è un punto in cui un modello perde compiti che altrimenti porterebbe a termine.

La direzione dell'errore è quindi prevedibile, ed è l'opposto della lettura ovvia. L'82,0% di Qwen è molto probabilmente un tetto ottimistico per il suo comportamento full-duplex, non una vittoria a parità di condizioni sul 79,9% di Phonic. Non è noto se superi quella soglia. Alibaba non ha messo il modello davanti al valutatore che ha prodotto il 79,9%.

Quello che Qwen effettivamente pubblica, e dove i suoi stessi numeri si ritorcono contro di essa

Il rilascio di Alibaba è insolitamente franco sui fallimenti, il che lo rende più utile del titolo su τ-Voice. Leggendo l'intera tabella, il modello sembra meno uno sfidante decisivo e più un solido sistema in tempo reale di seconda generazione con due specifici punti deboli.

• Tasso di errore a livello di parola FLEURS — da 9,01 a 3,98, un miglioramento autentico dell'accuratezza del riconoscimento tra le lingue.

• Media Big Bench Audio su 14 lingue — da 81,7% a 88,1%.

• Audio MultiChallenge — da 47,12 a 52,21.

• Tasso di risposta al parlato di sottofondo su Full-Duplex-Bench v1.5 — dal 73,0% al 13,0%, il che significa che il modello ha molte meno probabilità di rispondere a parlato non rivolto a esso.

• Latenza di arresto dell'interruzione — 1,116 s, rispetto a 0,383 s per GPT-Realtime-2. Questo è il numero da confrontare con lo 0,61 s di Phonic al primo audio: uno misura la rapidità con cui un modello parte, l'altro la rapidità con cui si ferma, e un arresto lento è ciò che gli utenti in chiamata descrivono come "essere parlati sopra".

• Tasso di ripresa indesiderata — da 0,035 a 0,130, una regressione che l'articolo segnala rispetto al proprio predecessore; il modello ha maggiori probabilità di ricominciare a parlare quando non dovrebbe.

Quelle ultime due righe sono i fatti meno riportati nel lancio di Qwen Audio 3.1. Un modello che impiega 1,116 secondi a cedere la parola e che riprende quando non dovrebbe sembrerà, in una telefonata reale, peggiore di quanto suggeriscano i suoi punteggi di accuratezza — ed è esattamente la dimensione su cui fa leva il marketing di Phonic 1, con la sua affermazione "risponde prima che il chiamante abbia finito" e la sua latenza da parlato a parlato inferiore a 600 ms.

L'unico dato comparabile

Poiché Qwen Audio 3.1 Realtime non ha un punteggio d'indice, l'unico modo per collocarlo rispetto a Phonic 1 sullo stesso strumento è tramite il suo predecessore. Qwen Audio 3.0 Realtime Plus ha ottenuto 69,5 sull'indice speech-to-speech, con il 54,6% di prestazioni agentiche, il 99% di ragionamento vocale, il 77,8% di successo nei task, 798 Elo nell'arena e 1,54 s al primo audio.

• Prestazioni agentiche — Phonic 1 79,9 contro Qwen Audio 3.0 Realtime Plus 54,6. Se la 3.1 offre il miglioramento che il suo stesso documento lascia intendere sulle attività, colma in parte quel divario di 25 punti; nessuno ha misurato quanto.

• Preferenza in arena — Phonic 1 1.012 contro 798 di 3.0. Questo è il divario più ampio del confronto e quello con la minore probabilità di essersi colmato, poiché la preferenza in arena è una misura basata sul voto umano che cambia lentamente da una generazione all'altra.

• Tempo al primo audio: Phonic 1 0,61 s contro 1,54 s di 3.0. Il tier realtime di Qwen è storicamente la famiglia più lenta in questo frangente, e 3.1 non pubblica alcun dato sul tempo al primo audio.

• Successo del task — Phonic 1 92,3% vs 77,8% di 3.0.

Il pattern delle tre generazioni è coerente: i modelli realtime di Qwen sono stati forti riconoscitori e deboli agenti, e la 3.1 è la generazione che dichiara di risolvere la metà relativa agli agenti. Se ci sia riuscita è esattamente ciò che ti direbbe il punteggio dell'indice mancante.

Due unità di prezzo che non convertono

Qwen Audio 3.1 Realtime fattura per token: $0,80 per un milione di token di input testuale, $6,40 per input audio, $6,40 per output testuale e $24 per output audio nella regione di Singapore, con tariffe di Pechino inferiori di circa il 14% su tutta la linea. Phonic 1 fattura $0,07 al minuto di conversazione, a tariffa fissa, senza addebiti per token.

Non esiste una conversione pubblica tra queste unità. Per trasformare una tariffa per token in un costo al minuto serve la densità di token audio — quanti token occupa un minuto di parlato — e Alibaba non la pubblica per questo modello. Chiunque ti citi un equivalente al minuto per Qwen Audio 3.1 sta indovinando la densità oppure la prende in prestito da una famiglia di modelli diversa con un codec diverso. La direzione della risposta non è in dubbio: le tariffe audio di Qwen sono abbastanza basse che un minuto ben tokenizzato finirà molto probabilmente sotto i sette centesimi, e il suo taglio di prezzo di circa l'85% sul livello Realtime è stato la notizia principale del lancio. La grandezza è sconosciuta, e l'incognita è abbastanza grande da contare per un deployment ad alto volume.

• Audio in ingresso — Qwen 6,40 $ / 1 milione di token (Singapore) rispetto a Phonic 0,07 $ per minuto di conversazione, senza alcun tasso di cambio pubblicato tra i due.

• Audio in uscita — Qwen $24 / 1M token; la tariffa forfettaria al minuto di Phonic copre l'audio in uscita.

• Prezzi regionali — la regione di Pechino di Qwen costa circa il 14% in meno rispetto a Singapore; Phonic pubblica un unico listino prezzi globale.

Minimi — il piano Pro di Phonic prevede un minimo mensile di 200 $; QwenCloud pubblica limiti di frequenza predefiniti anziché un minimo di piattaforma.

La differenza di forma è la parte che sopravvive alla mancata conversione. Una tariffazione per token misura quanto il modello fa effettivamente: trascrizioni lunghe, risposte prolisse e turni con uso intensivo di strumenti costano tutti di più. Una tariffazione al minuto misura per quanto tempo è rimasta aperta la linea telefonica. Per un agente che passa la maggior parte di una chiamata ad ascoltare, il modello a token è quello più favorevole; per un agente che risponde a lungo, non lo è.

A quale domanda stai rispondendo?

Se stai scegliendo un modello da distribuire sulla tua infrastruttura, questo confronto non fa per te: Qwen Audio 3.1 Realtime non dispone di pesi, e Phonic 1 può essere ospitato in autonomia, il che rende Phonic l'unica opzione qui che esca del tutto dal cloud del fornitore. È una risposta da una riga ed è facile perderla tra le chiacchiere sui benchmark.

Se stai scegliendo un modello realtime ospitato in base ai costi, Qwen Audio 3.1 è la scommessa più interessante: costa drasticamente meno per unità, presenta un miglioramento ben documentato nell'accuratezza del riconoscimento e ha alle spalle un fornitore con un solido ecosistema open-weight. Il rischio è che la sua componente agente non sia stata misurata e che il suo comportamento in caso di interruzione sia peggiorato nella tabella dello stesso fornitore.

Se stai scegliendo in base alle prestazioni agentiche misurate, Phonic 1 è l'unico dei due che puoi effettivamente classificare, perché è l'unico che è stato classificato. Si tratta di un'affermazione più debole di "Phonic è migliore", ed è quella vera.

E se stai usando i modelli testuali di Qwen insieme a un livello vocale, quella metà dello stack è già instradabile — Qwen3.8-Max si trova su OrcaRouter tra oltre 200 modelli con un'unica chiave al prezzo di listino del fornitore, senza ricarichi, quindi un taglio di prezzo da parte di Alibaba è effettivo lo stesso giorno. L'endpoint audio non è nel nostro catalogo e neanche Phonic 1; ciascuno proviene dal proprio fornitore. Quello che un router ti offre in un mercato così giovane è la capacità di mantenere in funzione un percorso vocale funzionante mentre uno nuovo e più economico si fa strada — il failover automatico significa che testare Qwen Audio 3.1 sul tuo traffico ti costa una regola di routing, non una migrazione.

La conclusione onesta è che questo confronto è attualmente indecidibile sull'asse sul quale entrambi i fornitori vogliono che si decida. Alibaba ha pubblicato un numero che lusinga il proprio modello misurando un compito più facile. Phonic ha pubblicato un numero misurato correttamente, ma su una sola board, una sola configurazione, una sola settimana di disponibilità. La prima cosa da tenere d'occhio non è un taglio di prezzo o un benchmark — è la comparsa di Qwen Audio 3.1 Realtime su una board che valuta entrambi i modelli allo stesso modo. Fino ad allora, l'unica affermazione difendibile è che Phonic 1 è la certezza e Qwen Audio 3.1 è l'incognita a basso costo, il che è un motivo perfettamente valido per provare il secondo dietro una regola di failover anziché davanti ai tuoi clienti.