Phonic 1がSpeech Indexで首位デビュー。0.2ポイントの差が真のリードを隠している。

Phonic 1は現在、Artificial Analysis's Speech to Speech Indexで首位の音声対音声モデルとなっており、87.1、0.1ポイント差の競争でxAIのGrok Voice 3.0が記録した86.9を僅差で上回って制しました。通常、0.2ポイントの差はノイズであるはずで、この指数ではほぼ実際にそうです。両モデルは同じ項目で勝っているわけではないため、総合の同点はその下にあるはるかに大きな差を隠しています。このスコアの4分の1を占めるエージェントタスクのベンチマークでは、Phonic 1は79.9%を記録し、OpenAIの最良構成の74.5%に対して優位に立っています。

MITとスタンフォード大学の研究者らによる約10人規模のスピンアウト企業Phonicは、2026年10月29日、First Roundが主導する2750万ドルのシリーズAとともにこのモデルを発表し、総調達額を3150万ドルとした。同社はモデルをPhonic-1と自社の発表投稿およびドキュメントで表記している。Artificial AnalysisはこれをPhonic 1 (High)、括弧内は製品名ではなくAPI設定である。どちらの表記も同じエンドポイントと同じ毎分0.07ドルの定価を指す。

ベンダー自身の言葉で言えば、Phonic-1とは何か

それはエンドツーエンドの音声モデルであり、文字起こし→思考→発話というカスケードではない。音声が入力され、音声が出力される。Phonicがこのアーキテクチャについて挙げる論拠は、文字起こしは会話の非可逆なコピーであり、言語モデルがそれらを見る前にトーン、ためらい、発話の重なりが捨てられてしまうということだ。その論拠は2024年以来、すべての音声対音声ベンダーが唱えてきたものだ。Phonicが実際に売っているのは、その上に乗せたスケジューリングの小技にすぎない。

そのトリックは、発話者のターン中に行うツール呼び出しです。発話者が話し終えるのを待ってから検索を始めるのではなく、モデルは音声がまだ届いているうちにツール呼び出しを発火させるため、発話者がターンを譲る時点で結果は準備できています。Phonicが公開したデモでは、モデルは文中で5つのツールすべてを呼び出し、発話者が話し終えてから1.1秒後に回答しました。同じスクリプトでOpenAIのGPT-Live-1は15.7秒かかるとしています。この比較は、ベンダーが選んだタスクにおけるベンダーのデモであり、測定されたベンチマークではありません。対決結果としてではなく、設計の実例として読む価値があります。

公開されているAPIサーフェスは、大半のローンチ記事よりも具体的です：

• モデルID — phonic-1。phonic-0.5 は前世代として引き続き使用可能です。このフィールドを省略した場合は、現在のデフォルトが適用されます。

• インテリジェンス — `intelligence_level` 列挙型。デフォルトは `standard`、複雑な推論に高性能なモデルが必要な場合は `high`。ドキュメントでは `standard` は低レイテンシ向けに最適化された設定と説明されています。つまり、これまでのすべてのベンチマークで評価されてきた構成は、レイテンシに敏感なデプロイがデフォルトで使用する構成ではありません。

• 言語 — 51 言語。ISO コード付きでフィリピン語（fil）から広東語（yue）まで掲載され、会話の途中で切り替えても同じ話者の識別情報が維持されます。

• レイテンシー — Phonic は音声入力から音声出力まで600ミリ秒未満だと主張している。Artificial Analysis は独自のテスト環境で最初の音声までの時間を0.61秒と測定しており、これは同一の測定ではないものの、その主張と整合している。

• デプロイ — ホスト型API、TypeScriptおよびPython SDK、CLI、ノーコードのエージェントビルダーに加え、エンタープライズ向けにはセルフホストおよびVPCのオプションを提供。ページ上にはSOC 2 Type II、HIPAA BAA、データのゼロ保持、99.9%の稼働率SLAを明記。

インデックスを1行ずつ

Speech to Speech Index は、均等に重み付けされた4つの結果の合成指標です。内訳は、音声推論の Big Bench Audio、エージェント型カスタマーサービス行動の τ-Voice、人間の選好アリーナ、タスク成功率です。モデルがまったくスコア付けされるには4つすべてが必要であり、そのため StepAudio 3 Realtime は総合値なしで推論表に現れています。エージェント、アリーナ、タスク成功率の列が空だからです。

Artificial Analysis によると、Phonic 1 の4つの構成要素：

• Speech to Speech Index — 87.1、首位。86.9のGrok Voice 3.0、83.2のGPT-Live-1（Astra、medium）、81.3のGrok Voice 2.0、80.1のGPT-Live-1（Sol、low）を上回る。

• τ-Voice — 79.9%、首位、GPT-Live-1（Astra、medium）の74.5%を5.4ポイント上回る。

• Big Bench Audio — 98.9%、3位。99.7%のStepAudio 3 Realtimeと99.2%のQwen Audio 3.0 Realtime Plusに次ぐ。

• Speech Agent Arena — 選好ではElo 1012で30中8位、タスク成功率では92.3%で4位。

その4行を順番に読むと、総合スコアはもはや互角には見えなくなる。Phonic 1はエージェントベンチマークで完全に首位に立ち、推論では3位につけるが、人間が実際に好む声では8位、生のタスク成功率では4位だ。つまり、測定上はより優れたツール実行者でありながら、大衆の人気会話相手ではないモデルである。これは2週前に見たGrok Voice 3.0の86.9と同じ構造的な話を、反対側から捉えたものだ。xAIはアリーナを押さえてエージェント部門を落とし、Phonicはエージェント部門を押さえてアリーナを手放したのである。

二つの時計、二人の勝者

レイテンシーは、カバレッジが雑になりがちな領域だ。なぜなら、信頼できる2つの計測器がどちらが最速かをめぐって見解を異にしており、しかもどちらも間違っていないからだ。

Artificial Analysisは、最初の音声が届くまでの時間、つまり通話者の発話が終了してから音声が始まるまでの長さを測定します。その測定基準では、Phonic 1はこのインデックスのトップ5の中で最速です：

• 最初の音声が出力されるまでの時間 — Phonic 1 0.61 秒、Grok Voice 3.0 0.81 秒、GPT-Live-1（Sol、低）1.24 秒、GPT-Live-1（Astra、中）1.34 秒、Qwen Audio 3.0 Realtime Plus 1.54 秒、StepAudio 3 Realtime 8.83 秒。

Cekuraは、WebRTCを介して実際の電話ハーネス内でモデルを実行する音声エージェント評価企業であり、通話全体にわたる応答時間の中央値を測定している。その尺度では、Grok Voice 3.0が1.34秒で業界最速、Phonic 1は1.63秒で3番目に速く、Grok Voice Think Fast 2.0の1.62秒に0.01秒差で続き、首位ではない。どちらの数値も現実の何かを物語っている。最初の音声までの時間は、モデルがどれだけ早く話し始めるかを示す。応答時間の中央値は、82のシナリオ全体にわたって通話者が実際に返答を待つ時間を示しており、そこにはPhonicのアプローチが最初の音声の測定では見えないまさにその秒数を取り戻す、ツールを多用するシナリオも含まれている。

調達メモを書いているなら、避けるべき一文は「最も高速な音声対音声モデル」で、そこで終わりです。根拠を示せる表現は「Artificial Analysisでは最初の音声出力までの速度が最速、Cekuraのライブ通話ハーネスでは応答時間の中央値が3番目に速い」です。

ライブコール掲示板は、より難しい問いを投げかける

Cekuraの音声対音声リーダーボードは、4つのインデックス構成要素のいずれよりもはるかに厳しいテストです。82のシナリオ（59件のクリニック予約通話と23件のメディケア受付通話）を、同じオープンソースのPipecatエージェント内で、同じプロンプトと同じツールを使ってそれぞれ3回実行し、「パスの3乗」で採点します。つまり、3回すべてが成功し、すべてのフィールドが正しく記録された場合にのみ、そのシナリオがカウントされます。

2026年10月22日のアップデート時点で、phonic_v1モデルIDの下でインテリジェンスをhighに設定してPhonic 1を構成した場合、そのボードもPhonic 1を先頭に置きます：

• 信頼性、pass-cubed — Phonic 1 90.2%; Grok Voice 3.0 81.7%; GPT Realtime 2.1 79.3%; GPT-6 Sol を組み合わせた GPT-Live 1 75.6%; Azure Realtime 70.7%。

• データ精度 — Phonic 1 97.5%; GPT Realtime 2.1 92.0%; Grok Voice 3.0 87.3%。

• エージェントが無音になった通話 — Phonic 1 0.0%; Grok Voice 3.0 0.0%; GPT Realtime 2.1 3.3%。

• Medicare通話の成功率 — Phonic 1 88.4%、GPT Realtime 2.1 81.2%、Grok Voice 3.0 58.0%、GPT-Live 1 with Sol 49.3%。

メディケアの分割結果は、ローンチ全体で最も興味深い部分だ。長いフォーム入力型の受付通話は、エンドツーエンドモデルが破綻するはずの場面であり、Phonic 1は88.4%を維持するが、Grok Voice 3.0は半減して58.0%になる。Cekura自身の記事は依然として、知っておく価値のある障害モードを記録している。エージェントが、後でかけ直すと言う発話者に応答することなく通話を切ること、そして時折、メディケアの引き継ぎメモやルーティング詳細を誤って書くことだ。pass-cubed 90.2%では、82シナリオのうち74が全実行でクリアし、8はクリアしない。これは公開から1日しか経っていないモデルとしては強い結果であり、完成品ではない。

これらの数値を誰かが引用する前に、表記に関する注意が2点あります。Cekuraのボードには最終更新日が付いており、実行の合間に改訂されているため、そのスクリーンショットは引用にはなりません。日付を添えて、最新の数値を引用してください。また、CekuraはPhonic 1について1分あたり$0.060のコストを、公表されているStarter料金$0.070と対比して記録しています。これは1つのハーネスによる測定値であり、価格表の数値ではなく、何かから差し引くものでもありません。

ベンダーのベンチマークは、それぞれ専用の箱に保管されています。

Phonicのローンチ投稿には同社独自の結果が3つ載っており、これらはまさに上記の数値ではないからこそ、正確に知っておく価値がある。Sierraのτ³-Voice多言語全二重バリアントについて、同社はPhonic-1を83.2、GPT-Live-1を79.9、Gemini 3.8 Liveを68.5と報告している。衝突に注意: 79.9はArtificial Analysisのτ-VoiceにおけるPhonicのスコアであり、同時にPhonic自身のτ³-Voice実行におけるGPT-Live-1のスコアでもある。同じ数字でも行が異なり、ベンチマークのバリアントも異なる — 数値を一方の列から他方へ移してはいけない。

残る2つは、第三者リスナーテストサービスPodonosによる盲検の人間テストです。Phonic-1はGPT-Live-1に対して61.5%対32.0%、Grok Voice 3に対して66.5%対26.5%、Eleven v4 Turboに対して78.0%対14.0%で好まれました。Phonic自身が前面に出す結果は、それが負けているものです。人間の声優がPhonic-1より好まれた割合は57.0%対32.0%でした。4件すべてベンダー委託・ベンダー報告であり、独立に再現されたものはありません。

それが1か月でいくらかかるか

料金は1分あたり1つの価格で、トークン単位の課金も、LLMの別途パススルーもありません。「音声モデル」が3つの課金対象サービスを薄くラップしたものにすぎないことが多いこのカテゴリーでは、これは異例です。プランは次のとおりです：

• Starter — 1分あたり$0.07、最低料金なし、同時通話10件、エージェント10名、ワークスペースシート3席。

• {{1}}Pro{{/1}} — 月額最低$200に対して1分あたり$0.065で、料金ページでは約3,100分に相当するとされており、同時通話50件、エージェント50名、シート30席を備えています。

• Enterprise — カスタム対応、ボリューム割引、VPCまたはオンプレミス配備、DPA、SLA、HIPAA BAAを提供。

11月30日までに登録すると、250ドルのクレジットを獲得できます。10,000分の1か月分で計算すると、最も近い競合他社の定価はすぐに明らかになります：

• 10,000分 — Phonic 1 Starter $700、Grok Voice 3.0 は $800（1分あたり $0.08）、GPT-Live-1（Sol、low）は $750（$0.075）、GPT-Live-1（Astra、medium）は $970（$0.097）。

• Proで同じ10,000分は$650。ただし、約3,100分を超えて初めて、$200の最低額が拘束条件でなくなる。

価格表には載らない数字が同時通話数だ。Starterで同時通話10件というのは、サポートキューに類するものにとって現実的な上限であり、大量利用時にProへの移行が月50ドルの価値を持つのはそのためだ。プラン変更で得られるのは、0.5セント分よりも50同時通話のほうがはるかに大きい。Phonic自身のエンジニアリングブログは、同時通話数の制限は音声AIにおける隠れた税だと論じており、これは制限を設定する側による率直な捉え方だ。

どこで実行されるのか、そしてここでルーティングにできることとできないこと

Phonic 1 は OrcaRouter のカタログにはなく、この記事もそうでないふりはしません。現時点でそれにアクセスできるのは、Phonic 自身の API、SDK、CLI、ノーコードビルダーを通じてだけで、ほかの手段はありません。これはまた、カスケードではなくエンドツーエンド音声モデルを購入することの、正直な構造的弱点でもあります。単一ベンダー、単一エンドポイントで、通話中に WebSocket が切れたときにフェイルオーバーできる別プロバイダーが存在しないのです。

ルーティングがカバーするのは、その代替手段です。文字起こし→思考→発話というパイプラインは、Cekura自身のボードがエンドツーエンドのモデルに対して勝ち続けているベースラインであり、その中間段階は通常のテキスト推論です。そしてそれはまさに、200以上のモデルを0%のマークアップで1つのAPIにが当てはまるレイヤーです。文字起こしの部分と推論の部分は1つのキーの背後に置くことができ、ルーティングDSLを使えば、安価なターンテイキングの呼び出しと高価なポリシー推論の呼び出しを、同じ呼び出しの中で別々のモデルに振り分けられます。スタック内の各ベンダーごとに別個の契約を結ぶ必要はありません。プロバイダーの定価は変更されずにそのまま反映されるため、ベンダーの値下げは次回の契約更新時ではなく発表当日にその部分へ届きます。

このトレードオフは率直に述べる価値がある。上記のスコアボードはそれを評価に織り込んでいないからだ。エンドツーエンドは、ターンテイキング、割り込み、発話途中のツール呼び出しで勝る。カスケードは、任意の単一コンポーネントを差し替えられる能力で勝る。さらに、Cekuraのカスケードベースラインが、pass-cubed信頼性でテストしたすべてのリアルタイムモデルより依然として上位にあるという点でも勝る。それがカスケードに留まる理由のように聞こえるなら、ある程度はその通りだ。移行する理由はMedicareの列にある。88.4% 対 58.0% という差は、長時間の受付通話がそもそも最後まで完了するかどうかを決める種類の差だ。

まだ誰も測定していないもの

87.1 を基準に本番用プロンプトを書き直す前に、三つのギャップは明言する価値がある。

• 測定された構成はデフォルトではありません。ここに示すすべてのスコア——Artificial Analysisの87.1、Cekuraの90.2%——は、高インテリジェンス設定で算出されたものです。APIのデフォルトはstandardで、低遅延モードとして文書化されています。standard設定の数値は誰も公表していないため、上記の遅延数値は、未設定の統合が実際に経験する内容を表していません。

• ノイズのあるチャネルでの挙動は、このインデックスではテストされていない。Cekuraは、Grok Voice 3.0が背景ノイズや音声グリッチのあるすべての通話に合格したと報告している。Phonic 1については同様のことは何も述べておらず、Big Bench Audioはクリーンな音声で実行される。

• 長時間セッションの安定性はデモであって、測定結果ではない。Phonicが英語とポルトガル語で123回のツール呼び出しを伴う44分の通話を行った例は、公開されている長期的証拠の中で最も具体的だが、それはベンダーが披露するために選んだたった1回の通話にすぎない。

一日経った時点で擁護可能な要約はこうだ。Phonic 1 は、それを評価した2つの独立した指標において最も強力なエージェント型音声対音声モデルであり、どの時計を見るかによっては最速ではない。そして $0.07/分という価格なら、エージェント分野での優位性は議論するよりも試すほうが安く済む。