Phonic 1 対 Cartesia Sonic 3.6：1分0.07ドルと100万文字あたり49ドルの請求額は同じ購入ではない

並べるPhonic 1とCartesia Sonic 3.6を1つのページに載せると、価格の列を並べてそれで終わりにしたくなるのが人情だ。2社の数字を見れば、それは簡単に思える。Phonicは会話1分あたり$0.07を課金し、Cartesiaは100万文字あたり約$49に換算する。どちらも、2025年に払っていた金額と比べれば端数誤差のように聞こえる。しかし両者は、まったく別のものを請求している。Cartesia Sonic 3.6はストリーミング型のテキスト読み上げエンジンだ。単語を渡せば音声が返ってきて、その単語より上流のすべては自分の責任になる。Phonic 1は音声対音声モデルで、発話者を聞き、何をすべきかを判断し、文の途中でツールを呼び出し、声に出して答える。そのすべてがその1分の中に収まっている。一方は請求書に載る部品だ。もう一方は請求書そのものだ。価格だけで両者を比べるのは、タクシー運賃と車を比べるのと同じだ。

それでも、この対決が無意味になるわけではない。むしろ、検索結果が示すよりも狭く、より正直なものにする。つまり、この2つは音声エージェント予算の同じ項目を巡って競合しており、電話エージェントを構築するチームは、音声レイヤーを丸ごと借りるサービスにするのか、部品から組み立てるスタックにするのかを決めなければならない。Cartesiaはどちらの形態でも販売している——レンダリング側はSonic 3.6、組み立て側はCartesia Line——そしてPhonic 1と実際に向かい合っているのは、TTSモデルではなく、その2番目の製品なのだ。

それぞれが実際に何なのか

Cartesia Sonic 3.6は2026年8月下旬にリリースされ、Sonic 3.5から約3か月後でした。同社最高品質のレンダラーであり、61ロケールにわたる44言語、約10秒の音声からのボイスクローニング、1クレジットがおよそ1文字に相当するクレジット制課金を備えています。推論レイヤーもツールレイヤーもなく、会話という概念もありません。テキストとボイスIDを渡して呼び出すと、音声がストリームで返ってきます。ターンテイキングのロジック——いつ聞くか、いつ割り込むか、通話者が「いや、違う」と言ったときにどうするか——は、あなたが書くコードに属します。

Phonic 1は2026年10月下旬に、First Roundが主導する2,750万ドルのSeries Aと同時にローンチされた。その売り文句は正反対の形をとっている。会話のターン全体を単一モデルが担うというものだ。ベンダー自身の機能一覧は、話者の声調やためらいを聞き取り、発話者がまだ話している間にツール呼び出しが実行され、モデルがまったく応答しないことを選ぶ場合さえあると謳っている。これはTTSエンドポイントでは得られない挙動だ。TTSエンドポイントは、話すことが適切な行動かどうかについて意見を持たないからである。料金は会話1分あたりの単一価格で請求され、別途のLLMパススルーもトークン単位の課金もないと明言されている。

先に進む前に、正直に一つ引っかかる点を挙げておきます。Phonic のローンチ時の報道では、音声認識、LLM、音声合成を別々のベンダーに分けずに済むエンドツーエンドとして説明されていました。ベンダー自身のサイトでは、推論とツール呼び出し用のスーパーバイザーモデルについて説明しており、そのベンチマーク設定は Phonic 1 (High) と表示され、選択可能なインテリジェンスレベルを示唆しています。両方とも真であり得ます――単一ベンダーがターン全体を担いながら、内部で推論レイヤーを動かすことは可能です――が、「エンドツーエンド」は「一つの契約」を指すマーケティング上の略称であり、単一のネットワークがすべてを1回のフォワードパスで処理する証拠ではありません。もしアーキテクチャレビューがこの区別に依存するなら、ベンダーに直接尋ねてください。公開されている資料では結論が出ていません。

2つの時計はそれぞれ異なるものを測っている

レイテンシーは、この比較が最も頻繁に誤解を招く点です。なぜなら、どちらのベンダーも小さなミリ秒の値を示しますが、そのどちらも、あなたの通話者が実際に経験する値ではないからです。

• Phonic 1 — Artificial Analysisの測定で、最初の音声が出力されるまでの平均時間は0.61秒で、テストされた音声対音声モデル上位5件の中で最速。ベンダーは、音声入力から音声出力まで600ms未満を謳っている。

• Cartesia Sonic 3.6 — 最初の音声が出力されるまでの時間は90ms未満（ベンダー公表値で、ネットワークを明示的に除外）。第三者のベンチマークでは、米国東部からベンダーへ直接接続した場合のp50が120msと測定され、シドニーで行われた実通話テストでは、エンドツーエンドで中央値448ms、p90が604msと報告された。

• この差が意味するもの — Phonic の 0.61s は音声が届いた瞬間から始まり、何を話すかの判断を含んでいる。Cartesia の 90ms はテキストがすでに存在してから始まり、それを音に変える部分だけを対象にしている。Sonic の手前に自前の音声認識と自前のモデルレイテンシーを加えれば、この2つの数字は近づく。その欠けた算術こそが、生の数字が7対1の勝利のように見えて、そうではない理由である。

Artificial Analysisはまた、Phonic 1を0.61秒、GPT-Live-1を1.34秒、Gemini 3.8 Live Extended Thinkingを1.35秒と報告している。これはまさにこの数値が有効な比較、つまり同一の測定基準によるモデル対モデルの比較だ。Sonic 3.6は会話型モデルではないため、そのランキングには一切登場しない。

請求書は、同じジョブから作成された

10分のインバウンドサポート通話を想定してください。Cartesia Sonic 3.6 を組み込んだ構成では、少なくとも3つのものに料金を支払います。発信者の音声の認識、返答を決めるモデル、そしてその返答のレンダリングです。Sonic の割合は3つの中で最も小さく、最も予測しやすい部分です。プランにもよりますが、生成音声1分あたり約0.28～0.49ドルで、実際にはエージェントが10分間ずっと話すわけではないため、それより明らかに少なくなります。予測しにくい部分は中間にあるモデルで、簡単な8割のターンに小型モデルをルーティングするか、すべてをフロンティアモデルに送るかによって、桁単位で変動する部分です。

その中間の部分こそ、ルーティングが後付けではなく真価を発揮する場所です。OrcaRouterでは、エージェントの背後にある推論モデルが1つのキーでプロバイダー定価に対する0%のマークアップで200+のモデルにまたがって利用できます。そのため、どのベンダーからの値下げも契約修正を待たずに当日から有効になり、ルーティングルールによって安価なターンは安価なままにしつつ、難しいターンだけをエスカレーションできます。自動フェイルオーバーは、本番環境で音声エージェントを実際に壊すケース、つまり通話中にモデルプロバイダーが一時的に不調になり、発信者には無音が聞こえる状況をカバーします。

Phonic 1 のパスでは、計算は一行に集約されます。10分は$0.07のスターターレートで$0.70、月額$200の最低利用額があるProレートでは$0.65です。これがモデルレイヤーの全コストであり、トークンも推論請求も別には発生しません。そしてこれがPhonic陣営における最強の論拠です。なぜなら、分単位の定額料金は、利用モデルなしでも財務チームが予測できる数字だからです。

勝者を決める前に、その2つの合計額をよく見てほしい。組み合わせた経路の下限はより低い——安価な中間モデルとSonicのレンダリングを組み合わせれば、1分あたり0.07ドルを余裕で下回れる——そして上限ははるかに高い。なぜなら、毎回最先端モデルを使えばそれを軽く超えるからだ。Phonic 1の定額料金は、簡単な呼び出しと難しい呼び出しの比率が変わってもベンダーの経済性が維持されるという賭けだ。それは本当に有用な買い物であり、同時に信頼に基づいて買うものでもある。

Cartesia Sonic 3.6 が議論の余地なく優位な点

「この中でどちらがよりよく聞こえるか」という問いなら、Cartesiaは遠く及ばず、エージェント型ベンチマークのスコアをどれだけ積み上げてもそれは変わらない。Sonic 3.6はリリース時にArtificial Analysisの音声アリーナ双方で首位に立った——Provider Voice Eloは約1,282～1,283、Controlled Voiceスコアは1,123近く——これらはレンダリングされた音声に対する選好測定であり、まさにTTSエンジンが存在する理由そのものだ。

コントロールサーフェスもより充実しています。10秒からのボイスクローニング、ロケール単位の選択が可能な61ロケールにわたる44言語、無料の20Kクレジットのサンドボックスから15件の同時リクエストに対応する299ドルのScaleプランまで公開された5つのプラン階層、そしてクローン音声は1.5倍で課金されます。あなたの製品がナレーション、吹き替え、IVRプロンプト、または返答がスクリプト化され声がブランドであるアシスタントなら、Sonic 3.6はPhonic 1より優れたツールであり、比較はそこで終えるべきです。

名前を付ける価値のあるコスト構造もあります。Cartesiaのクレジットモデルでは、レンダリングした文字数に対して支払うため、エージェントが4語話す通話は4語分のコストになります。分単位モデルは、内容にかかわらず丸1分に対して課金します。短時間で大量に発生するやり取り、つまり予約確認、配信通知、2ターンの認証などでは、文字数モデルのほうが構造的に安価です。

Phonic 1が文句なしに勝る点

発話者が話し終える前に開始するツール呼び出しは、この対決でCartesia Sonic 3.6には単純に備わっていない唯一の能力だ。ツール呼び出しはレンダラーが持ち得る性質ではないからだ。予約フローで発話者が「木曜、いや待って、金曜の午後」と言う場合、組み立てられた経路はターン終了検出を待ち、認識を実行し、モデルを実行し、ツールを実行してからレンダリングしなければならない。Phonicが主張する1回の引き渡しに対して、4回の直列な引き渡しだ。Phonic自身のデモ比較——発話者が話し終えてから1.1秒後の応答対OpenAIのGPT-Liveの15.7秒——はベンダーによるデモであり、そのように読むべきだ。しかし構造的な要点はその注意点を超えてなお残る。引き渡しが少なければ、1秒を失う場所も少ないのだ。

• 言語 — Phonic 1 は50以上をサポートし、会話の途中でも同じ声を保ったまま切り替え可能。Cartesia Sonic 3.6 はレンダリング専用で、61のロケールにわたる44言語をカバー。

• 課金 — Phonic 1 は会話1分あたりの単一料金で、LLMのパススルー課金はありません。Cartesia Sonic 3.6 は文字/クレジット単位で課金され、その他のスタックは別途課金されます。

• エージェント能力 — Phonic 1は、Artificial Analysisの音声-to-音声インデックスのエージェントコンポーネントで79.9%を記録し、同所の最高記録となっています。Sonic 3.6にはエージェントが搭載されていないため、エージェントスコアはありません。

• 音声品質 — Cartesia Sonic 3.6 は、レンダリング音声において Artificial Analysis の音声アリーナの両方で首位を占めています。Phonic 1 のアリーナ選好スコアは 1,012 で、30 中 8 位です。

• デプロイ — Phonic 1 はクラウド、シングルテナント、VPC ピアリング、セルフホストを提供し、SOC 2 Type II と HIPAA BAA の利用可否を明記しています。Sonic 3.6 はホスト型 API です。

Cartesia が実際にあなたに実行してほしい比較

Cartesia が Phonic 1 に対する本当の答えとして出すのが、同社の音声エージェント製品 Cartesia Line だ。同社はその価格を 1 分あたり約 $0.06 に設定しており、Artificial Analysis では採点対象のモデルではなくプロバイダーのパイプラインとして掲載されている。その背後にある構成は Ink、Gemini 2.5 Flash、Sonic を組み合わせたものだ。ここから同時に二つのことが分かる。表向きの料金は Phonic 1 を 1 セント下回るが、その料金は、Phonic のマーケティングが組み立て型スタックの不完全さだと非難しているのとまさに同じ形で不完全だ。つまり Gemini 2.5 Flash の部分が、それ自体のトークン料金を上乗せする。

つまり、正直な直接比較は $0.07 対 $0.06 ではない。一律のオールイン $0.07 対、$0.06 のプラットフォーム料金に加えて自分たちで管理するモデル費用だ。すでに自社モデルをルーティングしていて、それを続けたいチームにとって、その構造は利点だ。スプレッドシートではなく、数字を求めているチームにとって、それが Phonic 1 が存在する理由だ。

誰が行動すべきで、誰が待つべきか

音声そのものが製品なら、Cartesia Sonic 3.6 を購入してください。ナレーション、ブランドアシスタント、吹き替えなど、人間が音声を評価し、ツール呼び出しは誰も評価しないあらゆる場面に。アリーナでの首位は本物で、クローニングは高速、プランのはしごによって無料で始められます。

通話で何かを行う必要があるなら、Phonic 1を購入してください — 予約、確認、返金、エスカレーション — また、グルーコードのための5桁のエンジニアリング予算が、分単位の定額料金より割高な場合にも。執筆時点では、公開APIとして登場してから約1週間しか経っておらず、背後に独立したボードが1つあるだけで、長期的な信頼性データもありません。賢明な導入方法は、現在の経路の代わりではなく、その横に並べて使うことです。

そして、レンタルではなく組み立てている場合、請求額を実際に左右する判断は、Sonic と Phonic のどちらを選ぶかではありません。どのモデルが簡単なターンに応答するかです。その部分は現在 OrcaRouter 上で稼働しています——1つのキー、200以上のモデル、定価をそのまま反映、プロバイダーが停止した際のフェイルオーバー——一方、Phonic 1 も Cartesia Sonic 3.6 も当社のカタログにはなく、それぞれ固有のベンダーから契約する必要があります。

価格比較に見えるこの購入は、実はターンのどこまでを自分のものにしたいかという問いです。Sonic 3.6 ならそのすべてを自分のものにでき、さらにその上に構築できる最も音の良いコンポーネントを提供します。Phonic 1 はそれをあなたの手から引き受け、その特権に対して定額料金を請求します。どちらも間違いではありません。間違っているのは、もう一方の理由で買ったときだけです。