Phonic 1 debiutuje na 1. miejscu w rankingu Speech Index. Margines 0,2 punktu kryje rzeczywistą przewagę.

Phonic 1 jest teraz najlepiej sklasyfikowanym modelem mowy na mowę w Indeksie Speech to Speech Artificial Analysis z wynikiem 87,1 – w wyścigu o jedną dziesiątą punktu, który wygrał, wyprzedzając firmę xAI i jej Grok Voice 3.0 z wynikiem 86,9. Różnica 0,2 punktu normalnie byłaby szumem i w tym indeksie prawie nią jest: oba modele nie wygrywają w tych samych kategoriach, więc zbiorczy remis kryje pod sobą znacznie większą rozbieżność. W benchmarku zadań agentowych, który odpowiada za jedną czwartą tego wyniku, Phonic 1 osiąga 79,9% wobec 74,5% dla najlepszej konfiguracji OpenAI.

Phonic, około dziesięcioosobowy spinout badaczy z MIT i Stanforda, zaprezentował model 29 października 2026 r. wraz z rundą Series A o wartości 27,5 mln dolarów, prowadzoną przez First Round, co podniosło łączne finansowanie spółki do 31,5 mln dolarów. Spółka zapisuje nazwę modelu jako Phonic-1 w swoim poście premierowym i dokumentacji; Artificial Analysis podaje go jako Phonic 1 (High), gdzie nawias jest ustawieniem API, a nie nazwą produktu. Oba zapisy odnoszą się do tego samego punktu końcowego i tej samej ceny katalogowej 0,07 USD za minutę.

Czym jest Phonic-1, w ujęciu samego dostawcy

To model mowy end-to-end, a nie kaskada „transkrybuj–pomyśl–mów”. Audio wchodzi, audio wychodzi, a argument, który Phonic wysuwa na rzecz tej architektury, jest taki, że transkrypcja jest stratną kopią rozmowy — ton, wahanie i nakładanie się mowy zostają wyrzucone, zanim model językowy w ogóle je zobaczy. Ten argument głosił każdy dostawca mowy-do-mowy od 2024 r.; tym, co Phonic faktycznie sprzedaje, jest sztuczka z harmonogramowaniem dodana na wierzchu.

Ten trik polega na wywoływaniu narzędzi podczas tury dzwoniącego. Zamiast czekać, aż dzwoniący skończy mówić, zanim rozpocznie się wyszukiwanie, model uruchamia wywołania narzędzi, gdy mowa wciąż jeszcze napływa, dzięki czemu wyniki są gotowe, zanim dzwoniący ustąpi. W opublikowanym przez Phonic demo model wywołał wszystkie pięć narzędzi w połowie zdania i odpowiedział 1,1 sekundy po tym, jak dzwoniący przestał mówić; GPT-Live-1 od OpenAI wypada na 15,7 sekundy w tym samym skrypcie. To porównanie to demonstracja dostawcy na wybranym przez dostawcę zadaniu, a nie zmierzony benchmark; warto je czytać jako ilustrację projektu, a nie jako wynik bezpośredniego starcia.

Opublikowana powierzchnia API jest bardziej konkretna niż w większości wpisów o premierze:

• Identyfikatory modeli — phonic-1, przy czym phonic-0.5 jest nadal akceptowany jako poprzednia generacja. Pominięcie pola powoduje zastosowanie bieżącej wartości domyślnej.

• Inteligencja — enum intelligence_level, domyślnie standard, high, gdy chcesz bardziej wydajnego modelu do złożonego rozumowania. Dokumentacja opisuje standard jako ustawienie zoptymalizowane pod kątem niższych opóźnień, co oznacza, że konfiguracja, na której dotychczas oceniano wszystkie benchmarki, nie jest tą, którą wdrożenie wrażliwe na opóźnienia otrzymuje domyślnie.

• Języki — 51, wymienione z kodami ISO aż do filipino (fil) i kantońskiego (yue), z przełączaniem w trakcie rozmowy, które zachowuje tożsamość tego samego mówcy.

• Opóźnienie — Phonic twierdzi, że czas od mowy wejściowej do mowy wyjściowej wynosi poniżej 600 ms. Artificial Analysis zmierzyło 0,61 s do pierwszego dźwięku na własnym stanowisku testowym, co jest zgodne z tym twierdzeniem, choć nie stanowi tego samego pomiaru.

• Wdrożenie — hostowane API, SDK dla TypeScript i Python, CLI oraz kreator agentów bez kodu, a także opcje self-hosted i VPC w planie enterprise, z SOC 2 Type II, HIPAA BAA, zerowym przechowywaniem danych i SLA dostępności 99,9% na stronie.

Indeks, wiersz po wierszu

Indeks Speech to Speech to kompozyt czterech równo ważonych wyników: Big Bench Audio w zakresie rozumowania mowy, τ-Voice pod kątem zachowań agentowych w obsłudze klienta, arena preferencji ludzi oraz wskaźnik skuteczności realizacji zadań. Model musi mieć wyniki we wszystkich czterech, aby w ogóle zostać oceniony, dlatego StepAudio 3 Realtime pojawia się w tabeli rozumowania bez liczby kompozytowej — jego kolumny agentowe, arena i skuteczności realizacji zadań są puste.

Cztery komponenty Phonic 1, według Artificial Analysis:

• Indeks Speech to Speech — 87,1, pierwsze miejsce, wyprzedzając Grok Voice 3.0 (86,9), GPT-Live-1 (Astra, medium) (83,2), Grok Voice 2.0 (81,3) i GPT-Live-1 (Sol, low) (80,1).

• τ-Voice — 79,9%, pierwsze miejsce, 5,4 punktu przewagi nad GPT-Live-1 (Astra, medium) z wynikiem 74,5%.

Big Bench Audio — 98,9%, trzecie miejsce, za StepAudio 3 Realtime z 99,7% i Qwen Audio 3.0 Realtime Plus z 99,2%.

• Speech Agent Arena — ósme miejsce wśród 30 pod względem preferencji z wynikiem Elo 1012, czwarte pod względem skuteczności realizacji zadań z wynikiem 92,3%.

Przeczytaj te cztery wiersze po kolei, a złożony wynik przestanie wyglądać jak remis. Phonic 1 bezapelacyjnie wygrywa benchmark agentowy i zajmuje trzecie miejsce w rozumowaniu, ale jest ósmy pod względem tego, który głos ludzie faktycznie wolą, i czwarty pod względem surowej skuteczności w zadaniach — model, który jest wymiernie lepszym wykonawcą narzędzi, a nie ulubionym rozmówcą tłumu. To ten sam wzorzec strukturalny, który znaleźliśmy dwa tygodnie temu w wyniku 86,9 Grok Voice 3.0, tylko od przeciwnej strony: xAI utrzymało arenę i przegrało kolumnę agentową, a Phonic utrzymuje kolumnę agentową, rezygnując z areny.

Dwa zegary, dwóch zwycięzców

Opóźnienie to obszar, w którym pokrycie staje się niechlujne, ponieważ dwa szanowane instrumenty nie zgadzają się co do tego, który jest najszybszy, i żaden z nich nie jest w błędzie.

Artificial Analysis mierzy czas do pierwszego dźwięku — ile mija od zakończenia wypowiedzi dzwoniącego do rozpoczęcia dźwięku. Według tego kryterium Phonic 1 jest najszybszy spośród pięciu czołowych rozwiązań w indeksie:

• Czas do pierwszego dźwięku — Phonic 1: 0,61 s; Grok Voice 3.0: 0,81 s; GPT-Live-1 (Sol, niski): 1,24 s; GPT-Live-1 (Astra, średni): 1,34 s; Qwen Audio 3.0 Realtime Plus: 1,54 s; StepAudio 3 Realtime: 8,83 s.

Cekura, firma zajmująca się oceną agentów głosowych, która uruchamia modele w rzeczywistym stanowisku telefonicznym za pośrednictwem WebRTC, mierzy medianę czasu odpowiedzi w całych rozmowach. Według tego pomiaru Grok Voice 3.0 jest najszybszy w tej dziedzinie z wynikiem 1,34 s, a Phonic 1 ma 1,63 s — trzeci najszybszy, o jedną setną sekundy za Grok Voice Think Fast 2.0 z wynikiem 1,62 s, i nie pierwszy. Obie liczby opisują coś rzeczywistego. Czas do pierwszego dźwięku to szybkość, z jaką model decyduje się zacząć mówić; mediana czasu odpowiedzi to, jak długo dzwoniący faktycznie czeka na odpowiedź w 82 scenariuszach, w tym w tych wymagających użycia narzędzi, w których podejście Phonic odzyskuje dokładnie te sekundy, których pomiar czasu do pierwszego dźwięku nie jest w stanie wychwycić.

Jeśli piszesz memorandum zakupowe, zdaniem, którego należy unikać, jest „najszybszy model mowy do mowy”, i kropka. Wersja możliwa do uzasadnienia brzmi: „najszybciej do pierwszego dźwięku w Artificial Analysis; trzeci najszybszy medianowy czas odpowiedzi w stanowisku testowym Cekura do połączeń na żywo”.

Tablica połączeń na żywo stawia trudniejsze pytanie

Ranking Cekury dla systemów mowy do mowy jest znacznie trudniejszym testem niż którykolwiek z czterech komponentów indeksu: 82 scenariusze — 59 rozmów telefonicznych w sprawie rezerwacji w klinice i 23 rozmowy telefoniczne dotyczące przyjęcia Medicare — przy czym każdy scenariusz jest uruchamiany trzykrotnie w ramach tego samego agenta Pipecat o otwartym kodzie źródłowym, z tym samym promptem i tymi samymi narzędziami, i oceniany metodą pass-cubed, co oznacza, że scenariusz liczy się tylko wtedy, gdy wszystkie trzy uruchomienia zakończą się powodzeniem, a każde pole zostanie poprawnie zapisane.

Od aktualizacji z 22 października 2026 r., gdy Phonic 1 jest skonfigurowany z ustawieniem intelligence high pod identyfikatorem modelu phonic_v1, ta tablica również umieszcza Phonic 1 na pierwszym miejscu:

• Niezawodność, pass-cubed — Phonic 1 90,2%; Grok Voice 3.0 81,7%; GPT Realtime 2.1 79,3%; GPT-Live 1 z GPT-6 Sol 75,6%; Azure Realtime 70,7%.

• Dokładność danych — Phonic 1 97,5%; GPT Realtime 2.1 92,0%; Grok Voice 3.0 87,3%.

• Połączenia, w których agent milczał — Phonic 1 0,0%; Grok Voice 3.0 0,0%; GPT Realtime 2.1 3,3%.

• Skuteczność połączeń Medicare — Phonic 1 88,4%; GPT Realtime 2.1 81,2%; Grok Voice 3.0 58,0%; GPT-Live 1 z Sol 49,3%.

Podział Medicare to najciekawszy element całej premiery. Długie rozmowy przyjęciowe z uzupełnianiem formularzy to miejsce, w którym modele end-to-end powinny się załamywać, a Phonic 1 utrzymuje 88,4%, podczas gdy Grok Voice 3.0 spada o połowę do 58,0%. Własny materiał Cekury nadal odnotowuje tryb awarii warty poznania: agent rozłącza się bez potwierdzenia rozmówcy, który mówi, że zadzwoni później, a czasem błędnie zapisuje notatkę przekazania Medicare lub szczegół routingu. Przy 90,2% pass-cubed 74 z tych 82 scenariuszy przechodzi w każdym przebiegu, a osiem nie — to mocny wynik jak na jednodniowy model, a nie ukończony.

Dwie uwagi dotyczące etykietowania, zanim ktokolwiek zacznie cytować te wartości. Panel Cekury zawiera datę ostatniej aktualizacji i był zmieniany między kolejnymi uruchomieniami, więc zrzut ekranu z niego nie jest cytatem; należy podawać aktualną liczbę wraz z dołączoną datą. Ponadto Cekura odnotowuje koszt 0,060 USD za minutę dla Phonic 1 w zestawieniu z opublikowaną stawką Starter wynoszącą 0,070 USD — jest to zmierzona wartość z jednego stanowiska testowego, a nie z cennika, i nie należy jej od niczego odejmować.

Benchmarki dostawców, trzymane w ich własnym pudełku

Post premierowy Phonic zawiera trzy własne wyniki i warto je znać właśnie dlatego, że nie są to liczby podane powyżej. W przypadku wielojęzycznego wariantu full-duplex τ³-Voice firmy Sierra spółka podaje Phonic-1 na poziomie 83.2 wobec GPT-Live-1 na 79.9 i Gemini 3.8 Live na 68.5. Zwróć uwagę na zbieżność: 79.9 to wynik Phonic w τ-Voice Artificial Analysis, a zarazem wynik GPT-Live-1 w przebiegu τ³-Voice przeprowadzonym przez samą Phonic. Te same cyfry, inne wiersze, inne warianty benchmarku — nigdy nie przenoś liczby z jednej kolumny do drugiej.

Dwa pozostałe to testy metodą ślepej próby z udziałem ludzi, przeprowadzone przez Podonos, zewnętrzny serwis zajmujący się testowaniem odbioru przez słuchaczy. Phonic-1 preferowano ponad GPT-Live-1 w stosunku 61,5% do 32,0%, ponad Grok Voice 3 w stosunku 66,5% do 26,5% i ponad Eleven v4 Turbo w stosunku 78,0% do 14,0%. Wynik, który sama Phonic wysuwa na pierwszy plan, jest tym, w którym przegrywa: ludzkich aktorów głosowych preferowano ponad Phonic-1 w stosunku 57,0% do 32,0%. Wszystkie cztery zostały zlecone przez dostawców i przez nich opisane; żaden nie został niezależnie powtórzony.

Ile kosztuje to miesięcznie

Ceny to jedna stawka za minutę, bez opłat za tokeny i bez osobnego przenoszenia kosztów LLM, co jest nietypowe w kategorii, w której „model głosowy” jest często cienką nakładką na trzy rozliczane usługi. Poziomy:

• Starter — 0,07 USD za minutę, bez minimum, 10 równoczesnych połączeń, 10 agentów, 3 stanowiska w przestrzeni roboczej.

• Pro — $0.065 za minutę przy minimalnym miesięcznym progu $200, co strona z cennikiem przekłada na około 3,100 minut, z 50 równoczesnymi połączeniami, 50 agentami i 30 stanowiskami.

• Enterprise — indywidualne rozwiązania, ze zniżkami wolumenowymi, wdrożenie w VPC lub on-prem, DPA, SLA oraz BAA zgodne z HIPAA.

Zapisujący się przed 30 listopada otrzymują 250 USD w kredytach. Wystarczy policzyć koszty dla miesiąca z 10 000 minut, a ceny katalogowe najbliższych konkurentów szybko się wyjaśnią:

• 10 000 minut — Phonic 1 Starter: 700 USD; Grok Voice 3.0: 800 USD za 0,08 USD/minutę; GPT-Live-1 (Sol, niski): 750 USD za 0,075 USD; GPT-Live-1 (Astra, średni): 970 USD za 0,097 USD.

• Te same 10 000 minut w Pro — 650 USD, ale dopiero powyżej około 3100 minut minimalna kwota 200 USD przestaje być wiążącym ograniczeniem.

Liczba, która nie mieści się w cenniku, to współbieżność. Dziesięć równoczesnych połączeń w Starter to realny sufit dla czegokolwiek, co przypomina kolejkę wsparcia, i właśnie dlatego przejście na Pro jest warte $50 miesięcznie przy dużym wolumenie: zmiana planu zapewnia 50 równoczesnych połączeń w znacznie większym stopniu niż owe pół centa. Blog inżynieryjny samego Phonic przekonuje, że limity współbieżności są ukrytym podatkiem w AI głosowym, co jest uczciwym ujęciem tematu przez podmiot, który je ustala.

Gdzie to działa i co routing może, a czego nie może tutaj zrobić.

Phonic 1 nie znajduje się w katalogu OrcaRouter i ten tekst nie będzie udawał, że jest inaczej: obecnie można uzyskać do niego dostęp wyłącznie через własne API Phonic, jego zestawy SDK, CLI lub kreator no-code — i nigdzie indziej. Jest to również uczciwa strukturalna słabość kupowania end-to-end modelu głosowego zamiast kaskady — jeden dostawca, jeden endpoint i brak drugiego dostawcy, na którego można przełączyć się awaryjnie, gdy websocket zerwie się w trakcie połączenia.

To, co routing faktycznie obejmuje, to alternatywa. Pipeline transkrypcja-myślenie-mowa to podstawa, na której własny ranking Cekury wciąż bije modele end-to-end, a jego środkowy etap to zwykłe wnioskowanie tekstowe — czyli dokładnie ta warstwa, w której jedno API dla ponad 200 modeli z 0% narzutu znajduje zastosowanie. Etap transkrypcji i etap rozumowania mogą znajdować się za jednym kluczem, a routing DSL może kierować tanie wywołania przełączania tur i drogie wywołania rozumowania polityki do różnych modeli w ramach tego samego wywołania, bez potrzeby zawierania drugiej umowy z każdym dostawcą w stosie. Cena listowa dostawcy jest przekazywana bez zmian, więc obniżka ceny dostawcy dociera do tej części tego samego dnia, w którym zostaje ogłoszona, a nie dopiero przy kolejnym odnowieniu umowy.

Ten kompromis warto przedstawić wprost, ponieważ powyższe tablice wyników nie uwzględniają go. Podejście end-to-end wygrywa pod względem przejmowania kolejki, przerywania oraz wywoływania narzędzi w trakcie wypowiedzi; kaskada wygrywa możliwością wymiany dowolnego pojedynczego komponentu — oraz tym, że bazowy wariant kaskadowy Cekura wciąż przewyższa każdy testowany przez nią model czasu rzeczywistego pod względem niezawodności pass-cubed. Jeśli brzmi to jak argument, by pozostać przy kaskadzie, to częściowo rzeczywiście nim jest. Powodem, by przejść, jest kolumna Medicare: 88,4% wobec 58,0% to różnica, która przesądza, czy długa rozmowa w sprawie przyjęcia w ogóle zakończy się sukcesem.

Czego jeszcze nikt nie zmierzył

Zanim ktokolwiek przebuduje prompt produkcyjny w oparciu o 87,1, warto wskazać trzy luki.

• Zmierzona konfiguracja nie jest domyślna. Każdy wynik tutaj — 87,1 Artificial Analysis, 90,2% Cekura — uzyskano przy ustawieniu wysokiej inteligencji. API domyślnie działa w trybie standardowym, udokumentowanym jako tryb o niższych opóźnieniach. Nikt nie opublikował wyników dla trybu standardowego, więc podane powyżej wartości opóźnień nie opisują tego, czego doświadcza nieskonfigurowana integracja.

• Indeks nie testuje zachowania w warunkach szumu (noisy-channel). Cekura podaje, że Grok Voice 3.0 przechodzi każdą rozmowę z szumem w tle i zakłóceniami audio; nie mówi nic porównywalnego o Phonic 1, a Big Bench Audio działa na czystym dźwięku.

• Stabilność długich sesji to demonstracja, a nie pomiar. 44-minutowa rozmowa Phonic z 123 wywołaniami narzędzi w języku angielskim i portugalskim jest najbardziej konkretnym opublikowanym dowodem długoterminowym, a przy tym to pojedyncza rozmowa, którą dostawca zdecydował się pokazać.

Uzasadnione podsumowanie po jednym dniu: Phonic 1 to najsilniejszy agentowy model mowy do mowy na dwóch niezależnych instrumentach, które go oceniły, nie jest jednak najszybszy — zależy, który zegar odczytujesz — a jego stawka 0,07 USD/minutę sprawia, że agentowa przewaga jest wystarczająco tania, by ją przetestować, zamiast się o nią spierać.