Phonic 1 vs Cartesia Sonic 3.6: 분당 $0.07와 100만 자당 $49 청구서는 같은 구매가 아니다

한 페이지에Phonic 1과 Cartesia Sonic 3.6을 올려놓고 보면, 가격 열을 나란히 맞춰 놓고 그걸로 끝내고 싶은 유혹이 생긴다. 두 벤더의 숫자를 보면 그렇게 하기 쉽다: Phonic은 대화 1분에 $0.07을 청구하고, Cartesia는 100만 문자당 약 $49로 환산한다. 둘 다 2025년에 지불하던 금액에 비하면 반올림 오차처럼 들린다. 하지만 둘은 서로 다른 대상에 과금한다. Cartesia Sonic 3.6은 스트리밍 텍스트 음성 변환 엔진이다 — 단어를 넘기면 음성을 돌려받고, 그 단어 이전의 모든 과정은 당신이 감당해야 한다. Phonic 1은 통화자의 말을 듣고, 무엇을 할지 결정하고, 문장 중간에 도구를 호출하며, 소리 내어 답하는 음성 대 음성 모델로, 이 모든 일이 그 1분 안에 일어난다. 하나는 청구서의 구성 요소다. 다른 하나는 청구서 전체다. 가격만으로 둘을 비교하는 것은 택시 요금을 자동차와 비교하는 것이다.

그렇다고 해서 그 대결 구도가 무용지물이 되는 것은 아니다. 그것은 검색 결과가 시사하는 것보다 더 좁고 더 정직한 구도가 된다. 이 둘은 음성 에이전트 예산의 동일한 항목을 두고 경쟁하며, 전화 에이전트를 만드는 팀은 음성 계층이 통째로 임대하는 서비스인지, 부품으로 조립하는 스택인지 결정해야 한다. Cartesia는 어느 구성으로든 판매한다 — 렌더링 부분에는 Sonic 3.6을, 조립된 부분에는 Cartesia Line을 — 그리고 실제로 Phonic 1과 맞서는 것은 TTS 모델이 아니라 두 번째 제품이다.

각각이 실제로 무엇인지

Cartesia Sonic 3.6은 2026년 8월 말에 출시되었으며, Sonic 3.5 이후 약 3개월 만입니다. 이 제품은 회사에서 가장 품질이 높은 렌더러로, 61개 로케일에 걸친 44개 언어, 약 10초 분량의 오디오로 가능한 음성 복제, 1크레딧이 대략 1문자에 해당하는 크레딧 기반 과금을 지원합니다. 추론 레이어도, 도구 레이어도, 대화라는 개념 자체도 없습니다. 텍스트와 음성 ID를 넘겨 호출하면 스트림으로 오디오가 돌아오며, 발언 순서를 정하는 로직 — 언제 들어야 하는지, 언제 끼어들어야 하는지, 발신자가 "아니, 그게 아니라"라고 말할 때 어떻게 해야 하는지 — 은 여러분이 작성하는 코드의 몫입니다.

Phonic 1은 2026년 10월 말 First Round가 주도한 2,750만 달러 규모의 시리즈 A 투자와 함께 출시되었으며, 그 제안은 정반대의 형태를 띱니다. 하나의 모델이 전체 턴을 담당하는 방식입니다. 업체가 내세운 자체 기능 목록에 따르면 억양과 머뭇거림까지 인식하고, 발화자가 아직 말하는 도중에도 도구 호출이 실행되며, 때로는 모델이 아예 응답하지 않기로 선택하기도 합니다. 이는 TTS 엔드포인트에서는 얻을 수 없는 동작입니다. TTS 엔드포인트는 지금 말하는 것이 적절한지에 대한 판단 자체가 없기 때문입니다. 대화 분당 단일 요금을 청구하며 별도의 LLM 패스스루나 토큰당 과금은 없다고 명시하고 있습니다.

더 나아가기 전에 솔직히 짚고 넘어갈 점이 하나 있습니다. Phonic의 출시 관련 보도에서는 이를 엔드투엔드로 설명하며, 별도의 음성 인식, LLM, 음성 합성 공급업체를 거치지 않는 것으로 묘사했습니다. 벤더 자사 사이트는 추론 및 도구 호출을 위한 슈퍼바이저 모델을 설명하고 있으며, 벤치마크 구성에는 Phonic 1 (High)라는 라벨이 붙어 있어 선택 가능한 지능 수준을 암시합니다. 둘 다 사실일 수 있습니다 — 단일 벤더가 전체 턴을 담당하면서도 내부 추론 계층을 운영할 수 있으므로 — 하지만 "엔드투엔드"는 "단일 계약"을 뜻하는 마케팅 약어일 뿐, 단일 네트워크가 한 번의 포워드 패스에서 모든 것을 처리한다는 증거는 아닙니다. 아키텍처 검토가 그 구분에 의존한다면 벤더에 직접 물어보십시오. 공개 자료만으로는 이 문제가 확정되지 않습니다.

두 시계는 서로 다른 것을 측정한다.

지연 시간은 이러한 비교가 가장 자주 오해를 불러일으키는 부분입니다. 두 업체 모두 작은 밀리초 단위 숫자를 제시하지만, 그 어느 숫자도 귀사의 발신자가 실제로 경험하는 값이 아니기 때문입니다.

• Phonic 1 — Artificial Analysis의 측정 기준 첫 오디오까지 평균 0.61초로, 테스트된 상위 5개 음성-대-음성 모델 중 가장 빠름; 제조사는 음성 입력에서 음성 출력까지 600ms 미만을 내세우고 있다.

• Cartesia Sonic 3.6 — 첫 오디오까지 90ms 미만으로, 공급업체가 밝힌 수치이며 네트워크는 명시적으로 제외합니다. 제3자 벤치마크는 미국 동부에서 공급업체에 직접 연결해 p50 120ms를 측정했고, 시드니 기반 실제 통화 테스트는 종단 간 중앙값 448ms, p90 604ms를 보고했습니다.

• 격차가 의미하는 것 — Phonic의 0.61초는 오디오가 도착하는 순간부터 시작되며 무엇을 말할지에 대한 결정도 포함합니다. Cartesia의 90ms는 텍스트가 이미 존재하는 시점부터 시작되어 그것을 소리로 바꾸는 부분만 다룹니다. Sonic 앞에 자체 음성 인식과 자체 모델 지연 시간을 더하면 두 수치는 수렴합니다. 바로 그 빠진 계산 때문에 원시 수치가 7대 1의 승리처럼 보이는 것이며, 실제로는 그렇지 않습니다.

Artificial Analysis는 또한 Phonic 1이 0.61초라고 보고하며, 이는 GPT-Live-1의 1.34초, Gemini 3.8 Live Extended Thinking의 1.35초와 비교됩니다. 이 비교가 바로 이 수치가 실제로 좋게 평가되는 비교입니다. 즉, 동일한 도구로 모델 대 모델을 비교한 것입니다. Sonic 3.6은 대화형 모델이 아니기 때문에 해당 보드에는 전혀 나타나지 않습니다.

같은 작업을 바탕으로 산출된 청구서

10분짜리 인바운드 지원 통화를 예로 들어 보자. Cartesia Sonic 3.6을 사용하는 조립된 경로에서는 최소 세 가지에 비용을 지불한다. 발신자 오디오의 인식, 응답을 결정하는 모델, 그리고 그 응답의 렌더링이다. Sonic의 비중은 이 세 가지 중 가장 작고 가장 예측 가능하다. 플랜에 따라 생성 오디오 1분당 약 $0.28에서 $0.49이며, 실제로는 에이전트가 10분 내내 말하지 않기 때문에 그보다 눈에 띄게 적다. 예측 불가능한 비중은 중간에 있는 모델이며, 이는 쉬운 80%의 턴에는 소형 모델을 라우팅하느냐, 아니면 모든 것을 프런티어 모델로 보내느냐에 따라 한 차수(약 10배) 규모로 달라지는 부분이다.

그 중간 구간이야말로 라우팅이 단순 부가 기능이 아니라 제 가치를 발휘하는 지점입니다. OrcaRouter에서는 에이전트를 뒷받침하는 추론 모델이 하나의 키로 제공업체 정가 대비 0% 마크업이 적용된 200+ 모델 전반에 걸쳐 제공되므로, 어느 공급업체의 가격 인하든 계약 수정을 기다릴 필요 없이 같은 날 바로 반영됩니다 — 또한 라우팅 규칙을 활용하면 저렴한 턴은 저렴하게 유지하면서 어려운 턴만 에스컬레이션할 수 있습니다. 자동 장애 조치는 실제 운영 환경에서 음성 에이전트를 망가뜨리는 상황, 즉 통화 도중 모델 제공업체에 일시 장애가 발생해 호출자가 침묵을 듣게 되는 경우를 처리합니다.

Phonic 1 경로에서는 산술이 한 줄로 압축됩니다. 10분은 $0.07 스타터 요금으로 $0.70이거나, 월 $200 최소 금액이 적용되는 Pro 요금으로 $0.65입니다. 이것이 모델 계층의 전체 비용입니다 — 별도의 토큰도, 별도의 추론 청구서도 없습니다 — 그리고 이는 Phonic 쪽의 가장 강력한 논거입니다. 분당 정액 요금은 재무 팀이 사용량 모델 없이도 예측할 수 있는 숫자이기 때문입니다.

승자를 선언하기 전에 그 두 합계를 신중히 살펴보세요. 조립된 경로의 하한은 더 낮습니다 — 저렴한 중간 모델에 Sonic의 렌더링을 더하면 분당 $0.07을 충분히 앞지를 수 있습니다 — 그리고 상한은 훨씬 더 높습니다. 매 단계마다 프런티어 모델을 쓰면 이를 훌쩍 넘어서기 때문입니다. Phonic 1의 정액 요금은 쉬운 호출과 어려운 호출의 비중이 바뀌어도 벤더의 경제성이 유지된다는 데 거는 베팅입니다. 그것은 정말 유용한 구매 대상이며, 동시에 신뢰를 걸고 사는 것이기도 합니다.

Cartesia Sonic 3.6이 이견의 여지 없이 우위를 점하는 분야

"이 중 어느 것이 더 잘 들리는가"라는 질문이라면 Cartesia는 비교가 되지 않으며, 에이전트형 벤치마크 점수가 아무리 높아도 이 결론은 바뀌지 않습니다. Sonic 3.6은 출시 당시 Artificial Analysis의 두 음성 아레나 모두에서 정상에 올랐습니다 — Provider Voice Elo는 약 1,282–1,283, Controlled Voice 점수는 약 1,123 — 이는 렌더링된 오디오에 대한 선호도 측정이며, 바로 TTS 엔진이 존재하는 목적입니다.

제어 영역도 더욱 깊어졌습니다. 10초 음성으로 가능한 음성 복제, 로캘 수준 선택을 지원하는 61개 로캘에 걸친 44개 언어, 무료 20K 크레딧 샌드박스부터 동시 요청 15건을 지원하는 $299 Scale 플랜까지 공개된 다섯 가지 플랜 등급, 그리고 복제된 음성에 대한 1.5배 과금이 제공됩니다. 제품이 내레이션, 더빙, IVR 프롬프트, 또는 응답이 대본대로 정해지고 목소리가 브랜드인 어시스턴트라면, Sonic 3.6은 Phonic 1보다 나은 도구이며 비교는 여기서 멈춰야 합니다.

또 하나 언급할 만한 비용 구조가 있습니다. Cartesia의 크레딧 모델은 렌더링한 문자 수에 대해 비용을 지불하는 방식이므로, 상담원이 네 단어를 말하는 통화는 네 단어만큼의 비용이 듭니다. 분당 모델은 관계없이 전체 1분에 대해 비용을 청구합니다. 짧고 대량으로 발생하는 상호작용 — 예약 확인, 배송 알림, 두 턴짜리 인증 — 에서는 문자 모델이 구조적으로 더 저렴합니다.

Phonic 1이 의심할 여지 없이 앞서는 부분

통화자가 말을 마치기 전에 시작되는 도구 호출은 이번 대결에서 Cartesia Sonic 3.6이 결코 갖지 못하는 단 하나의 기능입니다. 도구 호출은 렌더러가 지닐 수 있는 속성이 아니기 때문입니다. 통화자가 "목요일이 필요한데, 아니지, 금요일 오후로"라고 말하는 예약 흐름에서, 조립된 경로는 발화 종료 감지를 기다린 뒤 인식 실행, 모델 실행, 도구 실행, 그다음 렌더링을 거쳐야 합니다. 즉 Phonic이 주장하는 한 번의 핸드오프에 맞서는 네 번의 연속 핸드오프입니다. Phonic 자체의 데모 비교, 즉 통화자가 말을 멈춘 뒤 1.1초 만에 응답한 것과 OpenAI GPT-Live의 15.7초를 대조한 것은 벤더 데모이므로 그렇게 읽어야 합니다. 하지만 구조적 요점은 이 단서에도 살아남습니다. 핸드오프가 적다는 것은 1초를 잃을 수 있는 지점이 적다는 뜻입니다.

• 언어 — Phonic 1은 50개 이상의 언어를 지원하며, 대화 중 전환해도 동일한 음성을 유지합니다. Cartesia Sonic 3.6은 렌더링 전용으로 61개 로캘에 걸쳐 44개 언어를 지원합니다.

• 과금 — Phonic 1은 LLM 비용 전가 없이 대화 분당 단일 가격이며, Cartesia Sonic 3.6은 문자/크레딧 단위로 과금되고, 나머지 스택은 별도로 과금됩니다.

• 에이전트 기능 — Phonic 1은 Artificial Analysis의 음성 대 음성 지수 에이전트 구성 요소에서 79.9%를 기록해 해당 부문 최고 기록을 세웠으며, Sonic 3.6은 에이전트가 없어 에이전트 점수가 없습니다.

• 음성 품질 — Cartesia Sonic 3.6은 렌더링된 오디오 기준 두 Artificial Analysis 음성 아레나 모두에서 선두를 차지했습니다. Phonic 1의 아레나 선호도 점수는 1,012점으로, 30개 중 8위입니다.

• 배포 — Phonic 1은 클라우드, 단일 테넌트, VPC 피어링 및 자체 호스팅을 제공하며 SOC 2 Type II와 HIPAA BAA 이용 가능성이 명시되어 있습니다; Sonic 3.6은 호스팅된 API입니다.

Cartesia가 실제로 여러분이 실행해 보길 바라는 비교

Cartesia가 Phonic 1에 내놓은 진짜 답은 음성 에이전트 제품인 Cartesia Line입니다. 이 제품은 분당 약 $0.06으로 책정되어 있으며, Artificial Analysis에는 점수를 매긴 모델이 아니라 공급자 파이프라인으로 등장합니다. 그 뒤의 라인업은 Ink, Gemini 2.5 Flash, Sonic을 함께 활용합니다. 이는 두 가지를 동시에 말해 줍니다. 표면상 요금은 Phonic 1보다 1센트 낮고, 그 요금은 Phonic의 마케팅이 조립식 스택의 불완전함이라고 비난하는 바로 그 방식으로 불완전합니다. 즉 Gemini 2.5 Flash 쪽은 자체 토큰을 추가로 청구합니다.

솔직한 직접 비교는 $0.07 대 $0.06이 아닙니다. 그것은 모든 비용을 포함한 정액 $0.07 대 $0.06의 플랫폼 수수료에 귀하가 통제하는 모델 요금을 더한 것입니다. 이미 자체 모델을 라우팅하고 계속 그러고 싶어 하는 팀에게 그 구조는 이점입니다. 숫자를 원하고 스프레드시트는 원하지 않는 팀에게 바로 그것이 Phonic 1이 존재하는 이유입니다.

누가 행동해야 하고, 누가 기다려야 하는가

음성이 곧 제품이라면 Cartesia Sonic 3.6을 구매하세요. 내레이션, 브랜드 어시스턴트, 더빙, 사람이 오디오를 평가하고 누구도 도구 호출을 평가하지 않는 모든 분야가 그렇습니다. 아레나 1위는 진짜이고, 클로닝은 빠르며, 플랜 사다리를 통해 무료로 시작할 수 있습니다.

통화가 뭔가를 실제로 해야 한다면 — 예약, 확인, 환불, 에스컬레이션 — 그리고 글루 코드에 들어갈 다섯 자릿수 엔지니어링 예산이 분당 정액 요금보다 더 나쁘다면, Phonic 1을 구매하세요. 또한 이 글을 쓰는 시점에서 Phonic 1은 공개 API로 나온 지 대략 일주일 정도 되었고, 독립적인 보드 하나가 이를 뒷받침하고 있을 뿐이며 장기적인 신뢰성 데이터는 없습니다. 따라서 현명한 도입 방식은 현재 사용 중인 경로를 대체하는 것이 아니라 그 옆에 함께 두는 것입니다.

그리고 임대하는 대신 직접 구성하는 경우라면, 청구서에 실제로 영향을 주는 결정은 Sonic과 Phonic 중 무엇을 쓸지가 아닙니다. 바로 쉬운 턴을 어느 모델이 처리하느냐입니다. 그 부분이 오늘날 OrcaRouter에서 실행되는 구간입니다 — 하나의 키, 200개 이상의 모델, 정가 그대로 전달, 공급자가 중단될 때 페일오버 — 반면 Phonic 1과 Cartesia Sonic 3.6은 모두 우리 카탈로그에 없으며, 각각 자체 공급업체와 계약해야 합니다.

가격 비교처럼 보이는 이 구매는 사실, 그 턴을 어느 정도까지 직접 맡을지에 대한 질문입니다. Sonic 3.6은 그 턴 전체를 직접 맡게 해 주며, 기반으로 삼을 수 있는 가장 좋은 소리의 컴포넌트를 제공합니다. Phonic 1은 그 일을 대신 맡아 주는 대신 정액 요금을 받습니다. 어느 쪽도 틀리지 않습니다. 다른 쪽의 이유로 구매할 때만 틀릴 뿐입니다.