Phonic 1 vs ElevenLabs：ベンダーがあなたに去ってもらうために支払う額が、その争いについて教えてくれること

最も情報量の多い数字は、Phonic 1 対 ElevenLabsの対決におけるベンチマークではない。それは割引だ。2026年10月末に報じられたPhonicのローンチ特典には、ElevenLabsまたはBlandから乗り換えるチーム向けの3か月間無料利用と、11月30日までに登録する人向けの250ドル分のクレジットが含まれる。製品で勝てると思っている相手に対して移行を助成する者はいない。助成するのは、顧客がモデル以外の何かによって囲い込まれている相手に対してだ。

その「何か」こそがElevenLabsの本質だ。17,000以上的な声を擁するボイスライブラリ、90以上の言語、レンダリング音声の基準であり続けるテキスト読み上げ製品ライン、そしてそれを取り巻くエージェントプラットフォーム。Phonic 1は1つのモデルと1つの請求体系。ElevenLabsは、自社プロダクトをその内側で構築してきた企業だ。この比較は、これら2つの形を念頭に置いて初めて意味をなす。なぜなら、ベンチマークの表では答えは明快だが、調達の意思決定ではそうではないからだ。

モデルはEleven Realtime v1 Maxで、あなたが思っているよりも新しいものです。

ElevenLabsの音声間変換（speech-to-speech）への参入モデルはEleven Realtime v1 Maxで、2026年10月20日、より小型のv1 Miniとともに段階的リリースとして発表された。これはPhonic 1のローンチ報道の10日前にあたる——成熟した既存勢力が新参者に挑まれている構図ではない。出荷された時点では、お互いのことをほとんど知らなかった2つのモデルなのである。

• Eleven Realtime v1 Max — 音声対音声インデックス 77.3、推論 99、会話ダイナミクス 94.1、エージェント性能 47.6、アリーナ選好 990、タスク成功率 87.1%、初音声までの時間 0.57秒。

• Phonic 1（High） — 音声対音声インデックス 87.1、推論 99、会話ダイナミクスは未報告、エージェント性能 79.9、アリーナ選好 1,012、タスク成功率 92.3%、最初の音声出力までの時間 0.61秒。

• Eleven Realtime v1 Mini — 音声対音声インデックス64.4、推論76、ダイナミクス95.8、エージェント性能46.8、アリーナ981、タスク成功率60.3%、最初の音声までの時間0.62秒。

上記の数値はすべてArtificial Analysisのものであり、どちらのベンダーのものでもありません。この比較が何を述べており、何を述べていないかに注目してください。Phonicは総合指数で9.8ポイント、エージェント的要素で32.3ポイント上回っています——その差はあまりにも大きく、この対決においてアーキテクチャを変えるべき唯一の数値です。アリーナ選好では22ポイント上回っており、その尺度では22ポイントのElo差は現実的ではあるものの決定的ではありません。タスク成功率では5.2ポイント上回っています。レイテンシでは0.61秒対0.57秒と僅差で劣っており、いずれも電話通話で重要となる1秒の基準を下回っています。

実際にあなたの意思決定を動かすべきギャップ

エージェント性能は、79.9% 対 47.6%——これは、じっくり向き合うべき数字だ。これは、モデルが単に会話を続けられるかどうかではなく、ツールを呼び出し、その結果に基づいて行動する必要があるタスクを完了できるかどうかを測る。そして、小規模で新しいラボが、17,000 の声と 10 年にわたる製品サーフェスを持つ企業を打ち負かした唯一の領域でもある。あなたのエージェントの仕事が、通話者が待っている間に何かを調べたり、予約したり、変更したりすることなら、これは、あなたの完了率が実際のユーザーとの接触に耐えられるかどうかを予測する数字だ。

ElevenLabsの会話ダイナミクススコア94.1に対しPhonicのスコアが未報告であることは、Phonicのスコアボードに率直に言って空いた穴であり、それが主要指標に現れない理由はArtificial Analysis自身の構造から説明できる。総合値は4つの構成要素——音声推論、エージェント性能、アリーナ選好、タスク成功率——の加重平均であり、会話ダイナミクスは指数の入力ではなく、指数と並べて報告される。そのため、Phonicの会話ダイナミクス値の欠落は87.1に何の損も与えず、指数では示せないことを明らかにする。すなわち、モデルが長く乱雑で、話者が自ら割り込むような会話をどれほどうまく運べるかを、まだ誰も測定していないということだ。この列が埋まるまで、PhonicもElevenLabsより自然に聞こえるという主張は、どちらの方向にも裏付けがない。

その切り替えが実際にあなたへ負わせるコストを、モデル以外の要素で見ると

Phonicが最初に掲げる論拠は価格であり、表向きの料金についてはそれは正しい。Phonicのスターターティアは1会話分あたり0.07ドルで、トークンのパススルーはない。Eleven Realtime v1 Maxは接続音声1分あたり0.080ドルに加えてモデルトークンが入力100万トークンあたり1.80ドル、出力100万トークンあたり9.00ドルかかり、同時実行の許容量を超えると料金は0.160ドルに跳ね上がる。分あたりの料金は目に見える半分にすぎない。

• 主要料金 — Phonic 1 は $0.07/分（Pro ティアは月額最低 $200 で $0.065）に対し、Eleven Realtime v1 Max は $0.080/分。

• 料金に含まれないもの — Phonic 1 はトークン単位や LLM の課金はないと明記しています。Eleven Realtime v1 Max は分単位の料金に加えてモデルのトークンを課金し、バーストトラフィックには2倍の料金がかかります。

• 音声インベントリ — ElevenLabsは17,000以上の音声と90以上の言語に対応。Phonic 1は50以上の言語に対応し、会話の途中でも同じ音声を保ったまま切り替えが可能です。

• 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ています。一方、ElevenLabs はホスト型プラットフォームであり、同社のリリースノートでは、一部のデータレジデンシー環境ではローンチ時にリアルタイムモデルが利用できないことが指摘されていました。

• API構成 — Eleven Realtime v1 MaxはWebSocket経由でOpenAI-Realtime互換だが、初期リリース時点ではWebRTC非対応。Phonic 1は、双方向で24kHz PCMを扱うWebSocketエンドポイントをインラインツール宣言付きで運用する。

3か月無料は確かな数字だが、引っ越しのコストに照らせば誤差のようなものだ。音声のアイデンティティは、どの比較ページにも載らない項目である。本番エージェントがクローン化されたブランドボイスで話す場合、その声はElevenLabsのライブラリにElevenLabsの規約のもとで存在する。Phonicもクローン化を提供しているが、クローン化された声は持ち運べるファイルではなく、再クローン化すると同じ声ではなく別の声が生成される。特定の声色を軸にブランドを築いてきたチームは、分単価を見積もる前に、この点をコストに織り込むべきだ。

2つ目に、より静かな移植性の問題があります。ElevenLabsエージェントは、音声、プロンプト、ツール、会話フローから成るスタックです。モデルを移すということはフローを再構築することを意味し、ツール定義はそれに付いてきません。その接着部分こそが、移行がたいてい頓挫する場所であり、単一のベンダーから借りるのではなく自分で所有する価値のあるレイヤーでもあります。エージェントの推論とツール呼び出しの部分は、今日OrcaRouter上で動作する部分です — 1つのキーで定価・マークアップなしの200以上のモデル、安いターンを安いままに保つルーティングルール、そして自動フェイルオーバーにより、プロバイダーの一時的な不具合がライブ通話中の無音にならないようにします。Phonic 1もEleven Realtime v1 Maxも当社のカタログにはありません。どちらも依然としてそれぞれのベンダーから提供されています。違いは、離れるときに何を保持できるかです。

ElevenLabsが依然として最適な選択肢となる場面

ElevenLabsのTTSラインは、ライブエージェント以外の用途にとって、最も合理的に裏付けられたデフォルトであり続けます。そのEleven v4音声モデルはArtificial Analysisの統制音声アリーナで約1,157 Elo、価格は100万文字あたり約80ドル、Eleven v3は100万文字あたり100ドルで、いずれもCartesia Sonic 3.6の正規化価格49ドルを大きく上回ります。そしてナレーション、オーディオブック、吹き替え、ブランドアナウンスなど、音声{{2}}が{{/2}}製品{{3}}そのものとなる{{/3}}場面で、その採用を正当化します。がそのものとなる

「このテキストを当社のブランドボイスで美しく読み上げる」ことがユースケースなら、ElevenLabs対Phonic 1の比較は競争になりません。Phonicは汎用ナレーションエンジンを売っているのではなく、会話型エージェントを売っています。台本通りの原稿を読み上げるためにSpeech-to-Speechモデルを買うことは、決して使わない推論に金を払うことであり、まさにその品質を測るアリーナでElevenLabsを上回るスコアを独立して獲得したことのない音声品質を手に入れることでもあります。

広さと成熟度という点もあります。90以上の言語対50以上、17,000以上の音声対厳選されたセット、そしてエージェント製品、SDK、あなたのチームがすでに読んでいる変更履歴を備えたプラットフォームです。これらは、ローンチ週のモデルが蓄積する時間を持てなかったものです。

その割引は実際には誰に向けたものなのか

スイッチャー向けオファーは、特定の購買者にとって理にかなっている。すなわち、エージェントが実際のトランザクション業務を行い、音声アイデンティティが汎用的なものでも自社で再クローン可能なものでもよく、現在のスタックがElevenAgentsでエンドツーエンドに構成されているチームだ。そのチームにとって、エージェント機能のギャップは製品上の問題であり、3か月無料は失敗する可能性のある移行に対する現実的なヘッジであり、分単位の定額請求は財務チームが毎月行ってきたモデリング作業を不要にする。

他の全員は、Phonicが次に何を公開するかを待って見守るべきだ。これを決着させるには二つのものが必要になる。同じボード上での会話ダイナミクスのスコア——これによって、この指標の第4の構成要素が仮定ではなくなる——と、ベンダーが主張する「話しながらツールを呼び出す」能力をデモ以外の場で独立に測定した結果だ。どちらもまだ存在しない。生まれて1週間、背後にボードが1つしかなく、ブラックフライデーを一度も経験したことのないモデルは、収益源を移行させる対象ではない——だが、フェイルオーバーパスの後ろに置き、自社のトラフィックに対して1か月間測定するのにうってつけの存在ではある。

正直な要約は非対称だ。Phonic 1 は、構築が最も難しく測定が最も容易な点、つまりエージェント型タスクを完了させることにおいて優れている。ElevenLabs は、その周囲にあるすべて——声のアイデンティティ、言語カバレッジ、そしてチームがすでに知っている製品——において優れているが、測定はより難しい。3か月無料はどちらに対する判定ではない。それは、周囲の要素こそが顧客をつなぎ留めるものであるというベンダーの告白であり、それらの十分な数を90日で再構築できるという賭けだ。