Phonic 1 대 Qwen Audio 3.1: 82.0%와 79.9%는 같은 숫자가 아니다

모두가 Phonic 1과 Qwen Audio 3.1 Realtime 사이에서 할 비교는 두 줄짜리 표입니다. Qwen은 τ-Voice에서 82.0%를 기록하고 Phonic은 79.9%를 기록하니, 더 저렴한 모델이 이긴다는 것입니다. 깔끔한 이야기지만 틀렸습니다. 왜냐하면 이 두 수치는 서로 다른 측정 도구에서 나온 것이기 때문입니다. Qwen의 82.0%는 공급업체 자체 논문에서 나온 수치로, 벤치마크를 적응시킨 반이중 음성-텍스트 변환 변형에서 측정된 것입니다. Phonic의 79.9%는 Artificial Analysis의 음성-대-음성 지수의 에이전트형 구성 요소로, 실제 원본에서 측정된 것입니다. 하나에서 다른 하나를 빼는 것은 연습 시험지의 점수와 실제 시험의 점수를 비교하는 것과 같은 실수입니다.

이 실수가 글로 쓸 가치가 있는 이유는 그것이 이용 가능한 유일한 비교이기 때문이다. Qwen Audio 3.1 Realtime은 Artificial Analysis의 음성 대 음성 보드에 전혀 나타나지 않는다 — 그 보드는 Qwen Audio 3.0 Realtime Plus를 69.5, Qwen Audio 3.0 Realtime Flash를 67.7로 표시할 뿐이며, 그보다 최신 모델은 없다. 따라서 이 카테고리에서 가장 최신의 저렴한 도전자는 자체 단위로 자체 수치를 공개했지만, 어떤 독립 기관도 그것을 평가하지 않았다. 그 격차가 바로 이 이야기이며, 정직한 기사는 대부분 아직 말할 수 없는 것에 관한 것이다.

Qwen Audio 3.1은 실제로 무엇인가

알리바바의 Qwen-Audio-3.1은 2026년 9월 말 단일 릴리스가 아니라 다섯 개 모델로 구성된 스택으로 등장했습니다. ASR, ASR-Next, TTS, TTS-Next, Realtime이 그것입니다. Phonic 1과 경쟁하는 모델은 Qwen Audio 3.1 Realtime이며, 특히 Realtime-Plus 등급인데, 이는 WebSocket을 통해 QwenCloud를 통해서만 사용할 수 있습니다. 같은 제품군의 TTS 및 ASR 모델과 달리 공개 가중치도 없고, 공개 자료에 자체 호스팅 경로도 없습니다.

• 컨텍스트 — 총 262K, 최대 입력 245K, 최대 출력 16K이며, Phonic 1의 비공개 컨텍스트와 비교됩니다.

• 처리량 한도 — QwenCloud에서는 기본적으로 분당 60개의 요청 및 100K 토큰; Phonic은 이에 상응하는 세션 상한을 공개하지 않음.

• 기능 — Qwen Audio 3.1 Realtime에는 함수 호출, 웹 검색, 구조화된 출력, 컨텍스트 캐싱, 파인튜닝 및 음성 복제가 모두 나열되어 있습니다. Phonic은 인라인 동기식 도구, 50개 이상 언어, 대화 중 언어 전환을 나열합니다.

• 제공 방식 — Qwen Audio 3.1 Realtime은 API 전용이며, Phonic 1은 클라우드, 단일 테넌트, VPC 피어링 및 자체 호스팅을 제공합니다.

그 두 행이 조달에서 중요한 항목입니다. Qwen의 제품군은 일반적으로 가중치를 제공하지만, 이 모델은 그러지 않아 팀이 호스팅 벤더 대신 Qwen을 선택하는 주된 이유를 없앱니다. Phonic의 셀프 호스팅 옵션은 정반대입니다. 이 두 모델 중 어느 하나라도 다른 사람의 클라우드 외부에서 실행할 수 있는 유일한 방법입니다.

같은 벤치마크가 아닌 벤치마크

82.0%라는 수치는 Alibaba의 Qwen-Audio-3.1에 관한 arXiv 논문에 등장하며, 이전 세대의 78.4%에서 개선된 것으로 제시됩니다. 같은 논문은 이것이 공개 리더보드의 수치를 산출하는 완전 이중통신(full-duplex) 에이전트 평가가 아니라 τ-Voice를 반이중(half-duplex) 음성-텍스트 변환 방식으로 적응한 것임을 분명히 밝힙니다. 그것은 부정직한 것이 아니라 — 공개된 사실이지만 — 그 수치가 더 좁은 질문에 답한다는 뜻입니다: 트랜스크립트식 설정과 과제가 주어졌을 때, 모델이 그 과제를 완료하는 빈도는 얼마인가.

Phonic 1의 79.9%는 더 폭넓은 질문에 답하며, 두 질문 사이의 격차는 작지 않습니다. 반이중(half-duplex) 적용은 에이전트 호출에서 가장 맞추기 어려운 부분을 제거합니다. 끼어들기, 겹치는 발화, 언제 듣기를 멈출지 결정하기, 호출자가 툴 호출 도중 마음을 바꿀 때 복구하기 등이 그 부분입니다. 이 각각은 모델이 그렇지 않았다면 완료했을 작업을 놓치는 지점입니다.

따라서 오류의 방향은 예측 가능하며, 이는 표면적으로 당연해 보이는 해석과 반대입니다. Qwen의 82.0%는 풀듀플렉스 동작에 대한 낙관적 상한일 가능성이 매우 높으며, Phonic의 79.9%를 동등 조건에서 이긴 것은 아닙니다. Qwen이 그 기준을 넘는지는 알 수 없습니다. Alibaba는 79.9%를 산출한 평가자에게 해당 모델을 제시하지 않았습니다.

Qwen이 실제로 공개하는 것, 그리고 자체 수치가 스스로를 반박하는 지점

알리바바의 발표는 실패에 관해 이례적으로 솔직해서, 헤드라인에 내세운 τ-Voice 수치보다 오히려 더 유용하다. 표 전체를 읽어보면 이 모델은 결정적인 도전자라기보다는, 두 가지 뚜렷한 약점을 지닌 강력한 2세대 실시간 시스템처럼 보인다.

• FLEURS 단어 오류율 — 9.01에서 3.98로 감소, 언어 전반에 걸친 인식 정확도의 실질적 개선.

• 14개 언어 Big Bench Audio 평균 — 81.7%~88.1%.

• Audio MultiChallenge — 47.12에서 52.21까지.

• Full-Duplex-Bench v1.5에서 배경 발화 응답률 — 73.0%에서 13.0%로 감소, 이는 모델이 자신에게 향하지 않은 발화에 응답할 가능성이 훨씬 낮다는 것을 의미합니다.

• 중단 정지 지연 시간 — 1.116초로, GPT-Realtime-2의 0.383초와 대비됩니다. 이 수치는 Phonic의 첫 오디오까지 0.61초와 맞겨 눈여겨볼 수치입니다. 하나는 모델이 얼마나 빨리 시작하는지를, 다른 하나는 얼마나 빨리 멈추는지를 측정하며, 느린 정지는 통화자가 말을 빼앗겼다고 표현하는 상황입니다.

• 원치 않는 발화 재개율 — 0.035에서 0.130으로 상승, 논문이 자체의 선행 모델 대비 보고한 성능 저하(회귀); 모델이 말을 다시 시작해서는 안 되는 상황에서 다시 말할 가능성이 더 높아졌다.

마지막 두 문장은 Qwen Audio 3.1 출시에서 가장 덜 보도된 사실입니다. 양보하기까지 1.116초가 걸리고 원치 않을 때 다시 말을 이어가는 모델은 실제 전화 통화에서 정확도 점수가 시사하는 것보다 더 나쁘게 느껴질 것이며, 바로 그 차원이 Phonic 1의 마케팅이 기대는 지점입니다 — "발화자가 말을 끝내기 전에 응답한다"는 주장과 600ms 미만의 음성 대 음성 지연 시간을 내세우면서요.

비교 가능한 단 하나의 데이터 포인트

Qwen Audio 3.1 Realtime에는 지수 점수가 없기 때문에, 이를 Phonic 1과 동일한 평가 기준에서 비교할 수 있는 방법은 전작을 통하는 것뿐입니다. Qwen Audio 3.0 Realtime Plus는 음성-대-음성 지수에서 69.5점을 기록했으며, 에이전트 성능 54.6%, 음성 추론 99%, 작업 성공률 77.8%, 아레나 Elo 798, 첫 오디오까지 1.54초를 달성했습니다.

• 에이전트 성능 — Phonic 1 79.9 대 Qwen Audio 3.0 Realtime Plus 54.6. 3.1이 자체 논문이 시사하는 만큼 과제에서 향상을 보여준다면, 그 25점 격차 중 일부를 좁힐 수 있다. 그 폭이 얼마인지는 아직 누구도 측정하지 않았다.

• 아레나 선호도 — Phonic 1 1,012 대 3.0의 798. 이는 비교에서 가장 큰 격차이며, 아레나 선호도가 세대 간에 천천히 변하는 인간 투표 기반 지표라는 점에서 좁혀졌을 가능성이 가장 낮은 항목입니다.

• 첫 오디오까지 걸리는 시간 — Phonic 1 0.61초 대 3.0의 1.54초. Qwen의 실시간 등급은 이 부분에서 역사적으로 더 느린 계열이었으며, 3.1은 첫 오디오까지 걸리는 시간 수치를 공개하지 않습니다.

• 작업 성공률 — Phonic 1 92.3% vs 3.0의 77.8%.

세 세대에 걸친 패턴은 일관됩니다: Qwen의 실시간 모델들은 강력한 인식기였지만 에이전트로서는 약했고, 3.1은 에이전트 쪽 절반을 고친다고 주장하는 세대입니다. 그것이 실제로 고쳤는지는 바로 빠진 인덱스 점수가 알려줄 부분입니다.

서로 환산되지 않는 두 개의 가격 단위

Qwen Audio 3.1 Realtime은 토큰당 과금합니다: 싱가포르 리전 기준 텍스트 입력 100만 토큰당 $0.80, 오디오 입력 $6.40, 텍스트 출력 $6.40, 오디오 출력 $24이며, 베이징 요금은 전반적으로 약 14% 낮습니다. Phonic 1은 대화 1분당 $0.07의 정액제로, 토큰 요금은 없습니다.

해당 단위 간에는 공개된 환산 기준이 없습니다. 토큰 단가를 분당 비용으로 바꾸려면 오디오 토큰 밀도, 즉 1분의 음성이 차지하는 토큰 수가 필요하지만, Alibaba는 이 모델에 대해 이를 공개하지 않습니다. Qwen Audio 3.1의 분당 환산 가격을 제시하는 사람은 누구든 밀도를 추정하고 있거나, 코덱이 다른 모델 계열에서 이를 빌려온 것입니다. 답의 방향은 의심할 여지가 없습니다. Qwen의 오디오 단가는 충분히 낮아서 토큰화가 잘 된 1분은 매우 높은 확률로 7센트 미만에 들어갈 것이며, Realtime 등급에서 약 85% 인하한 것은 출시 당시의 주요 뉴스였습니다. 그 크기는 알 수 없으며, 이 미지수는 대규모 배포에서 중요할 만큼 큽니다.

• 입력 오디오 — Qwen은 100만 토큰당 $6.40(싱가포르)인 반면, Phonic은 대화 분당 $0.07이며, 두 가격 간에 공개된 환산율은 없습니다.

• 출력 오디오 — Qwen $24 / 1M 토큰; Phonic의 분당 정액 요금에는 출력 오디오가 포함됩니다.

• 지역별 가격 — Qwen의 베이징 리전은 싱가포르보다 약 14% 저렴하게 운영되며, Phonic은 하나의 글로벌 요율표를 공개합니다.

• 최소 기준 — Phonic의 Pro 요금제에는 월 $200 최소 금액이 적용됩니다. QwenCloud는 플랫폼 최소 금액 대신 기본 사용량 한도를 공개합니다.

형태 차이는 빠진 변환에서도 살아남는 부분이다. 토큰당 청구는 모델이 실제로 얼마나 많은 일을 하는지를 추적한다 — 긴 대화 기록, 장황한 답변, 도구를 많이 쓰는 턴은 모두 비용이 더 든다. 분당 청구는 전화선이 얼마나 오래 열려 있었는지를 추적한다. 통화 대부분을 듣는 데 쓰는 에이전트에게는 토큰 모델이 더 친화적이고, 길게 답하는 에이전트에게는 그렇지 않다.

어떤 질문에 답하고 계신가요?

자체 인프라에 배포할 모델을 고르고 있다면, 이 비교는 당신을 위한 것이 아니다: Qwen Audio 3.1 Realtime은 가중치가 없고, Phonic 1은 셀프 호스팅이 가능하므로, 여기서 벤더의 클라우드에서 벗어날 수 있는 유일한 선택지는 Phonic이다. 이는 한 줄짜리 답이며, 벤치마크 이야기에 가려 놓치기 쉽다.

비용을 기준으로 호스팅 실시간 모델을 선택한다면 Qwen Audio 3.1이 더 흥미로운 선택입니다 — 단위당 비용이 획기적으로 저렴하고, 인식 정확도가 크게 향상되었다는 점이 잘 문서화되어 있으며, 그 뒤에는 깊은 오픈 가중치 생태계를 갖춘 벤더가 있습니다. 위험은 에이전트 부분이 측정되지 않았고, 인터럽션 동작이 벤더 자체 표에서 퇴보했다는 점입니다.

측정된 에이전틱 성능을 기준으로 선택한다면, Phonic 1은 둘 중 실제로 순위를 매길 수 있는 유일한 쪽입니다. 순위가 매겨진 유일한 쪽이기 때문입니다. 이는 "Phonic이 더 낫다"보다 약한 주장이며, 동시에 사실인 주장입니다.

그리고 Qwen의 텍스트 모델을 음성 레이어와 함께 운영하고 있다면, 스택의 그 절반은 이미 라우팅할 수 있습니다 — Qwen3.8-Max는 OrcaRouter에서 단일 키로 200개 이상의 모델을 공급업체 정가에 마크업 없이 이용할 수 있으므로, Alibaba 측의 가격 인하는 같은 날 바로 적용됩니다. 오디오 엔드포인트는 저희 카탈로그에 없고 Phonic 1도 마찬가지입니다. 각각 자체 공급업체에서 제공됩니다. 이렇게 초기 단계인 시장에서 라우터가 제공하는 것은 더 새롭고 저렴한 경로가 자리를 잡는 동안 작동하는 음성 경로를 유지할 수 있는 능력입니다 — 자동 장애 조치 덕분에 Qwen Audio 3.1을 자체 트래픽으로 테스트하는 데에는 마이그레이션이 아니라 라우팅 규칙 하나만 비용으로 들 뿐입니다.

정직한 결론은, 이 맞대결은 현재 두 벤더가 판가름이 나길 원하는 축에서는 판정 불가능하다는 것입니다. Alibaba는 더 쉬운 과제를 측정해 자기 모델을 띄워주는 숫자를 발표했습니다. Phonic은 제대로 측정된 숫자를 발표했지만, 단 하나의 보드, 하나의 구성, 일주일치 가용성에 불과합니다. 가장 먼저 지켜볼 것은 가격 인하나 벤치마크가 아니라, 두 모델을 같은 방식으로 채점하는 보드에 Qwen Audio 3.1 Realtime이 등장하는 것입니다. 그때까지 방어 가능한 주장은 Phonic 1이 검증된 기존 제품이고 Qwen Audio 3.1은 저렴한 미지의 제품이라는 것뿐이며, 이는 고객 앞에 두기보다는 페일오버 규칙 뒤에 두고 두 번째 것을 시험해 볼 충분히 좋은 이유입니다.