Phonic 1 と Qwen Audio 3.1：82.0% と 79.9% は同じ数字ではない

誰もが行うであろう比較、それはPhonic 1とQwen Audio 3.1 Realtimeの間の2行の表だ：Qwenはτ-Voiceで82.0%を記録し、Phonicは79.9%、したがって安価なモデルの勝ちだ。これはきれいな筋書きだが、間違っている。なぜなら、その2つの数値は異なる測定器から出たものだからだ。Qwenの82.0%はベンダー自身の論文によるもので、ベンチマークを改変した半二重の音声テキスト変換版で測定された値だ。Phonicの79.9%はArtificial Analysisの音声対音声インデックスのエージェント要素であり、実際のベンチマークで測定されたものだ。一方を他方から差し引くのは、模擬試験の得点を本番の試験の得点と比べるのと同じ誤りだ。

この誤りが書く価値があるのは、それが現時点で唯一利用できる比較だからだ。Qwen Audio 3.1 Realtimeは、Artificial Analysisの音声対音声ボードにはまったく掲載されていない。ボードに載っているのはQwen Audio 3.0 Realtime Plusが69.5、Qwen Audio 3.0 Realtime Flashが67.7で、それより新しいものは何もない。つまり、このカテゴリーにおける最新の安価な挑戦者は、自社の数値を自社の単位で公表しており、独立した評価機関による採点はまだ受けていない。その隔たりこそが本題であり、誠実な記事の中心は、まだ語れないことについての内容になる。

Qwen Audio 3.1とは実際に何なのか

アリババのQwen-Audio-3.1は、単一のリリースではなく5モデル構成のスタックとして2026年9月下旬に登場した。ASR、ASR-Next、TTS、TTS-Next、Realtimeの5つである。Phonic 1と競合するのはQwen Audio 3.1 Realtime、具体的にはRealtime-Plusティアであり、これはQwenCloud経由でWebSocket越しにのみ利用できる。ファミリーのTTSやASRとは異なりオープンウェイトはなく、公開資料にはセルフホストの手段もない。

• コンテキスト — 合計262K、最大入力245K、最大出力16K（Phonic 1の未公開コンテキストと比較）

• スループット制限 — QwenCloudではデフォルトで毎分60リクエストおよび10万トークン、Phonicは同等のセッション上限を公表していない。

• 機能 — 関数呼び出し、ウェブ検索、構造化出力、コンテキストキャッシュ、ファインチューニング、音声クローニングはすべてQwen Audio 3.1 Realtime向けに記載されています。Phonicはインライン同期ツール、50以上の言語、会話途中の言語切り替えを挙げています。

• 可用性 — Qwen Audio 3.1 Realtime は API 専用です。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ます。

その2行が調達にとって重要な行です。Qwenのファミリーは通常ウェイトを提供しますが、このモデルは提供しません。それにより、チームがホスト型ベンダーではなくQwenを選ぶ主な理由がなくなります。Phonicのセルフホストオプションは正反対です。これは、これら2つのモデルのどちらかが他社のクラウド以外の場所で動作する唯一の方法です。

同じベンチマークではないベンチマーク

82.0%という数値は、AlibabaのQwen-Audio-3.1に関するarXiv論文に登場し、前世代の78.4%からの改善として提示されている。同じ論文は、これがτ-Voiceを半二重の音声認識（speech-to-text）向けに適応したものから得られた数値であり、公開リーダーボード上の数値を生み出す全二重のエージェント型評価ではないことを明言している。それは不誠実ではない——開示されている——が、つまりこの数値はより狭い問いに答えている：文字起こし形式の設定とタスクが与えられたとき、モデルがそれを完了する頻度はどれくらいか。

Phonic 1 の 79.9% は、より広い問いに答えるものであり、二つの問いの間の差は小さくない。半二重への適応は、エージェント型通話の中で最も正しく実現するのが難しい部分を取り除く。割り込み、発話の重なり、いつ聞くのをやめるかの判断、そして通話者がツール呼び出しの途中で考えを変えたときの回復である。これらの一つ一つは、モデルが本来なら完了できるタスクを失う箇所である。

したがって、誤差の方向は予測可能であり、しかも直感的な読みとは逆である。Qwenの82.0%は、その全二重動作にとって楽観的な上限である可能性が非常に高く、Phonicの79.9%に対する同条件での勝利ではない。その基準を上回るかどうかは不明だ。Alibabaは、79.9を出した評価者の前にこのモデルを提示していない。

Qwenが実際に公表していること、そして自社の数字がQwen自身に不利に働く場面

アリババのリリースは失敗について異例なほど率直で、その点では見出しのτ-Voiceの一文より有用だ。表全体に目を通すと、このモデルは決定的な挑戦者というより、2つの具体的な弱点を抱えた強力な第2世代リアルタイムシステムに見える。

• FLEURS 単語誤り率 — 9.01 から 3.98 に低下、言語をまたいだ認識精度の確かな向上。

• 14言語のBig Bench Audio平均 — 81.7%から88.1%。

• Audio MultiChallenge — 47.12～52.21。

• Full-Duplex-Bench v1.5における背景発話への応答率 — 73.0%から13.0%へ低下。これは、モデルが自分に向けられていない発話に応答する可能性がはるかに低くなったことを意味します。

• 割り込み停止レイテンシ — 1.116秒。GPT-Realtime-2では0.383秒。これはPhonicの最初の音声までの0.61秒と比較して評価すべき数値です。一方はモデルがどれだけ速く開始するかを測り、もう一方はどれだけ速く停止するかを測ります。そして停止が遅いことが、通話者が「話を遮られた」と表現する状況です。

• 不要な再開率 — 0.035から0.130へ上昇。論文が自らの前身モデルに対して報告している性能後退であり、本来話すべきでないときにモデルが再び話し始める可能性が高くなっている。

最後の2行は、Qwen Audio 3.1のローンチで最も過小に報じられている事実だ。発話権を譲るまでに1.116秒かかり、望まないときに再開するモデルは、実際の電話通話では、その精度スコアが示唆するよりも悪く感じられる——そしてそれはまさに、Phonic 1のマーケティングが「発話者が話し終える前に応答する」という主張と600ms未満のspeech-to-speechレイテンシを武器に押している軸だ。

唯一の比較可能なデータポイント

Qwen Audio 3.1 Realtime にはインデックススコアがないため、同じ指標で Phonic 1 と比較する唯一の方法は、その前モデルを通じて行うことです。Qwen Audio 3.0 Realtime Plus は音声対音声インデックスで69.5を記録し、エージェント性能54.6%、音声推論99%、タスク成功率77.8%、アリーナElo 798、初回音声出力までの時間1.54秒でした。

• エージェント性能 — Phonic 1 は79.9、Qwen Audio 3.0 Realtime Plus は54.6。3.1が自身の論文で示唆するタスク上の改善を実現すれば、その25ポイントの差の一部は埋まるが、どの程度なのかは誰も測定していない。

• アリーナ選好 — Phonic 1 の 1,012 対 3.0 の 798。これは比較の中で最大の差であり、アリーナ選好は世代間でゆっくりとしか動かない人間の投票による指標であるため、最も縮まっていない可能性が高い。

• 初回音声までの時間 — Phonic 1 は0.61秒、3.0は1.54秒。Qwenのリアルタイムティアは、これまでこの領域ではより遅いファミリーであり、3.1は初回音声までの時間の数値を公表していない。

• タスク成功率 — Phonic 1 92.3% 対 3.0 の 77.8%。

3世代にわたるパターンは一貫している。Qwenのリアルタイムモデルは優れた認識器であり、エージェントとしては弱かった。そして3.1は、エージェント側の欠点を修正すると謳う世代だ。それが実際に修正されたかどうかこそ、欠落している指数スコアが教えてくれるはずのものだ。

換算できない2つの価格単位

Qwen Audio 3.1 Realtimeはトークン単位で課金されます。シンガポールリージョンでは、テキスト入力100万トークンあたり0.80ドル、音声入力6.40ドル、テキスト出力6.40ドル、音声出力24ドルです。北京の料金は全体で約14%低くなります。Phonic 1は会話1分あたり0.07ドルの定額で、トークン課金はありません。

これらの単位の間には公開されている換算方法はありません。トークン単価を1分あたりのコストに変換するには、音声トークン密度、つまり音声1分が何トークンを占めるかを知る必要がありますが、Alibaba はこのモデルについてそれを公開していません。Qwen Audio 3.1 の1分あたりの換算値を提示する人は、その密度を推測しているか、異なるコーデックを使う別のモデルファミリーから流用しているかのどちらかです。答えの方向性は疑いようがありません。Qwen の音声料金は十分に低く、適切にトークン化された1分間はほぼ確実に7セント未満になるでしょう。また、Realtime ティアでの約85%の値下げはローンチ時の大きな話題でした。その規模は不明であり、その不明さは大規模なデプロイにとって無視できないほど大きいものです。

• 入力音声 — Qwen $6.40 / 100万トークン（シンガポール）に対し、Phonic は会話1分あたり $0.07。両者の間に公表された換算レートはない。

• 出力オーディオ — Qwen $24 / 100万トークン；Phonic の定額分単位料金には出力オーディオが含まれます。

• 地域別価格 — Qwenの北京リージョンはシンガポールより約14%安く、Phonicはグローバル共通の料金表を1つ公開している。

• 最低額 — Phonicの{{1}}Pro{{/1}}プランには月額200ドルの最低額があります。一方、QwenCloudはプラットフォームの最低額ではなく、デフォルトのレート制限を公開しています。

課金体系の「形」の違いは、変換が欠けていても残る部分です。トークン単位の請求は、モデルが実際にどれだけ処理したかを追跡します。長い文字起こし、冗長な返答、ツールを多用するターンは、いずれもコストが高くなります。分単位の請求は、電話回線が開いていた時間を追跡します。通話の大半を聞くことに費やすエージェントにとっては、トークン課金の方が有利です。長々と答えるエージェントにとっては、そうではありません。

どの質問に答えていますか

自社インフラにデプロイするモデルを選んでいるなら、この比較はあなた向けではありません。Qwen Audio 3.1 Realtime には重みがなく、Phonic 1 はセルフホストに対応しているため、ここでベンダーのクラウドから完全に離れられる唯一の選択肢は Phonic です。これは一行で言える答えであり、ベンチマークの話に紛れて見落としやすいものです。

コストでホスト型リアルタイムモデルを選ぶなら、Qwen Audio 3.1 のほうがより魅力的な賭けです。単価が劇的に安く、認識精度の向上が十分に文書化されており、その背後には深いオープンウェイトのエコシステムを持つベンダーが控えています。リスクは、そのエージェントとしての側面が未測定であり、割り込み時の挙動がベンダー自身の表で後退していることです。

測定されたエージェント性能で選ぶなら、Phonic 1 は2つのうち実際に順位付けできる唯一のものです。なぜなら、順位付けが行われている唯一のものだからです。それは「Phonic の方が優れている」よりも弱い主張ですが、正しい主張です。

また、Qwenのテキストモデルを音声レイヤーと併用している場合、スタックのその半分はすでにルーティング可能です。Qwen3.8-MaxはOrcaRouter上にあり、1つのキーで200+モデルをプロバイダー定価で、マークアップなしで利用できます。そのため、Alibaba側の値下げは当日から有効になります。音声エンドポイントは当社のカタログにはありませんし、Phonic 1もありません。それぞれ独自のベンダーから提供されます。これほど若い市場でルーターがもたらすのは、より新しく安価な経路が定着するまでの間、稼働する音声経路を維持できることです — 自動フェイルオーバーにより、Qwen Audio 3.1を自社のトラフィックでテストするのに必要なのは、移行ではなくルーティングルール1つだけです。

正直な結論として、この比較は、両社が決着をつけたいと考えている軸においては現時点では判定不能です。アリババは、より簡単なタスクを測定することで自社モデルをよく見せる数値を公表しています。Phonic は、適切に測定された数値ではあるものの、1つのボード、1つの構成、1週間の提供状況に基づく数値を公表しています。最初に注目すべきなのは、値下げやベンチマークではなく、両モデルを同じ方法で採点するボード上に Qwen Audio 3.1 Realtime が現れるかどうかです。それまでは、擁護できる主張は、Phonic 1 が実績のある既知の選択肢であり、Qwen Audio 3.1 は安価な未知数である、というものだけです。これは、2つ目を顧客の前に出すのではなく、フェイルオーバールールの背後で試す十分に妥当な理由になります。