Phonic 1 kontra Cartesia Sonic 3.6: 0,07 USD za minutę i rachunek 49 USD za milion znaków to nie ten sam zakup

Umieść Phonic 1 i Cartesia Sonic 3.6 na jednej stronie, a pokusa, by zestawić kolumny z cenami i na tym poprzestać, jest ogromna. Dwie liczby od dostawców tylko to ułatwiają: Phonic pobiera 0,07 USD za minutę rozmowy, a Cartesia normalizuje stawkę do około 49 USD za milion znaków. Wobec tego, co płaciłeś w 2025 roku, obie wyglądają jak błędy zaokrągleń. Tyle że to opłaty za różne obiekty. Cartesia Sonic 3.6 to strumieniowy silnik zamiany tekstu na mowę — podajesz mu słowa, on zwraca ci głos, a wszystko, co dzieje się przed tymi słowami, jest twoim problemem. Phonic 1 to model zamiany mowy na mowę, który słyszy rozmówcę, decyduje, co zrobić, wywołuje narzędzia w połowie zdania i odpowiada na głos — wszystko w ciągu tej jednej minuty. Jedno to komponent na twojej fakturze. Drugie to cała faktura. Porównywanie ich wyłącznie pod kątem ceny to porównywanie kursu taksówki do samochodu.

To nie czyni tego zestawienia bezużytecznym. Czyni je węższym i uczciwszym, niż sugeruje wynik wyszukiwania: te dwa produkty rywalizują o tę samą pozycję w budżecie na agenta głosowego, a zespół budujący agenta telefonicznego musi zdecydować, czy warstwa głosowa to usługa, którą wynajmuje jako całość, czy stos, który składa z części. Cartesia sprzeda ci każdy z tych układów — Sonic 3.6 dla połowy odpowiedzialnej za renderowanie, Cartesia Line dla połowy składanej — i to ten drugi produkt, a nie model TTS, naprawdę stoi naprzeciw Phonic 1.

Czym każde z nich tak naprawdę jest

Cartesia Sonic 3.6 został wydany pod koniec sierpnia 2026 r., około trzy miesiące po Sonic 3.5, i jest najwyższej jakości rendererem firmy: 44 języki w 61 lokalizacjach, klonowanie głosu na podstawie około dziesięciu sekund audio, rozliczanie oparte na kredytach, gdzie jeden kredyt odpowiada w przybliżeniu jednemu znakowi. Nie ma warstwy rozumowania, warstwy narzędziowej ani pojęcia rozmowy. Wywołujesz go, przekazując tekst i identyfikator głosu, a w odpowiedzi otrzymujesz strumień audio; logika naprzemiennego mówienia — kiedy nasłuchiwać, kiedy przerywać, co zrobić, gdy dzwoniący mówi „właściwie nie” — należy do kodu, który napiszesz.

Phonic 1 zadebiutował pod koniec października 2026 r. wraz z rundą Series A o wartości 27,5 mln USD, prowadzoną przez First Round, a jego koncepcja ma odwrotny kształt: pojedynczy model obsługuje całą turę rozmowy. Własna lista funkcji dostawcy zapewnia, że słychać ton i wahanie, wywołania narzędzi uruchamiają się, gdy rozmówca wciąż mówi, a model czasem może zdecydować się w ogóle nie odpowiadać — zachowanie, którego nie da się uzyskać z punktu końcowego TTS, ponieważ punkt końcowy TTS nie ma zdania na temat tego, czy mówienie jest właściwym posunięciem. Rozlicza jedną stawkę za minutę rozmowy i wyraźnie stwierdza, że nie ma osobnego przekazywania kosztów LLM ani opłaty za token.

Jedno uczciwe zastrzeżenie, zanim pójdziemy dalej. Doniesienia o premierze Phonic opisywały produkt jako rozwiązanie end-to-end, pozwalające uniknąć osobnych dostawców rozpoznawania mowy, LLM i syntezy mowy. Strona samego dostawcy opisuje modele nadzorcze do rozumowania i wywoływania narzędzi, a jego konfiguracja benchmarkowa jest oznaczona jako Phonic 1 (High), co sugeruje wybieralny poziom inteligencji. Oba stwierdzenia mogą być prawdziwe — pojedynczy dostawca może obsługiwać całą turę, jednocześnie uruchamiając wewnętrzną warstwę rozumowania — ale „end-to-end” to skrót marketingowy oznaczający „jedną umowę”, a nie dowód, że pojedyncza sieć wykonuje wszystko w jednym przebiegu w przód. Jeśli Twój przegląd architektury zależy od tego rozróżnienia, zapytaj dostawcę bezpośrednio; materiały publiczne tego nie rozstrzygają.

Te dwa zegary mierzą różne rzeczy.

Opóźnienie to obszar, w którym to porównanie najczęściej wprowadza w błąd, ponieważ obaj dostawcy podają niewielką liczbę milisekund, a żadna z tych liczb nie jest tym, czego doświadcza twój dzwoniący.

• Phonic 1 — 0,61 s średniego czasu do pierwszego dźwięku w pomiarze Artificial Analysis, najszybszy spośród pięciu najlepszych testowanych modeli zamiany mowy na mowę; dostawca reklamuje poniżej 600 ms od wejścia mowy do wyjścia mowy.

• Cartesia Sonic 3.6 — czas do pierwszego dźwięku poniżej 90 ms, zgodnie z deklaracją dostawcy i z wyraźnym wyłączeniem sieci; benchmark przeprowadzony przez niezależną stronę trzecią zmierzył 120 ms p50 z regionu US East, łącząc się bezpośrednio z dostawcą, a test rzeczywistego połączenia z Sydney wykazał 448 ms mediany i 604 ms p90 od końca do końca.

• Co oznacza ta różnica — 0,61 s Phonic zaczyna się w momencie, gdy audio dociera, i obejmuje decyzję o tym, co powiedzieć. 90 ms Cartesii zaczyna się, gdy tekst już istnieje, i obejmuje wyłącznie zamianę go w dźwięk. Dodaj własne rozpoznawanie mowy i własne opóźnienie modelu przed Sonic, a obie liczby się zbliżą; ta brakująca arytmetyka sprawia, że surowe liczby wyglądają jak siedmiokrotna wygrana, choć nią nie są.

Artificial Analysis podaje również wynik Phonic 1 na poziomie 0,61 s w porównaniu z 1,34 s dla GPT-Live-1 i 1,35 s dla Gemini 3.8 Live Extended Thinking — i właśnie do takiego porównania ta liczba faktycznie się nadaje: model przeciw modelowi, przy użyciu tego samego narzędzia. Sonic 3.6 w ogóle nie pojawia się w tym zestawieniu, ponieważ nie jest modelem konwersacyjnym.

Rachunek, utworzony na podstawie tego samego zadania

Weźmy dziesięciominutowe połączenie przychodzące do wsparcia. W złożonym potoku z Cartesia Sonic 3.6 płacisz za co najmniej trzy elementy: rozpoznawanie dźwięku dzwoniącego, model decydujący o odpowiedzi oraz renderowanie tej odpowiedzi. Udział Sonic jest najmniejszy i najbardziej przewidywalny z tych trzech — około 0,28–0,49 USD za minutę wygenerowanego dźwięku w zależności od planu, a w praktyce zauważalnie niższy, ponieważ agent nie mówi przez pełne dziesięć minut. Nieprzewidywalny udział to model pośrodku, i to on zmienia się o rząd wielkości w zależności od tego, czy kierujesz mały model do łatwych 80% tur, czy wysyłasz wszystko do modelu frontierowego.

Ten środkowy etap to miejsce, w którym routing udowadnia swoją wartość, zamiast być tylko dodatkiem. W OrcaRouter model rozumowania stojący za Twoim agentem działa na jednym kluczu w ramach ponad 200 modeli z 0% marży względem cennika dostawcy, więc obniżka ceny od dowolnego dostawcy obowiązuje tego samego dnia, zamiast czekać na aneks do umowy — a reguła routingu pozwala, aby tanie tury pozostawały tanie, a eskalowane były tylko te trudne. Automatyczne przełączanie awaryjne obejmuje przypadek, który faktycznie psuje agentów głosowych w produkcji: dostawca modelu zawodzi w trakcie połączenia i osoba dzwoniąca słyszy ciszę.

Na ścieżce Phonic 1 arytmetyka sprowadza się do jednej linii. Dziesięć minut to 0,70 USD przy stawce startowej 0,07 USD albo 0,65 USD przy stawce Pro, która wiąże się z minimalną miesięczną opłatą 200 USD. To cały koszt warstwy modelowej — żadnych osobnych tokenów, żadnego osobnego rachunku za rozumowanie — i jest to najsilniejszy argument po stronie Phonic, ponieważ stała stawka za minutę to liczba, którą zespół finansowy może prognozować bez modelu użycia.

Przeczytaj uważnie te dwa wyniki łączne, zanim ogłosisz zwycięzcę. Dolna granica złożonej ścieżki jest niższa — tani model średniej klasy plus renderowanie Sonic z łatwością przebija $0.07 na minutę — a jej górna granica jest znacznie wyższa, ponieważ model z najwyższej półki przy każdym wywołaniu znacznie ją przekracza. Stała stawka Phonic 1 to zakład, że ekonomika dostawcy się utrzyma, gdy zmienia się proporcja łatwych i trudnych wywołań. To naprawdę przydatna rzecz do kupienia, ale jednocześnie kupujesz ją, opierając się na zaufaniu.

Gdzie Cartesia Sonic 3.6 wygrywa bezdyskusyjnie

Jeśli pytanie brzmi „który z nich brzmi lepiej”, Cartesia nie jest nawet blisko, a żadna liczba punktów z agentowych benchmarków tego nie zmieni. Sonic 3.6 uplasował się na szczycie obu aren mowy Artificial Analysis w dniu premiery — Provider Voice Elo około 1 282–1 283 i wynik Controlled Voice blisko 1 123 — czyli pomiarów preferencji dotyczących wyrenderowanego audio, dokładnie tego, do czego służy silnik TTS.

Panel sterowania jest również bardziej rozbudowany. Klonowanie głosu na podstawie dziesięciu sekund, 44 języki w 61 lokalizacjach z wyborem na poziomie lokalizacji, pięć opublikowanych poziomów planów — od darmowej piaskownicy z 20 tys. kredytów po plan Scale za 299 USD z piętnastoma równoczesnymi żądaniami — oraz klonowane głosy rozliczane według stawki 1,5x. Jeśli Twoim produktem jest narracja, dubbing, komunikaty IVR lub asystent, którego odpowiedzi są skryptowane i którego głos jest marką, Sonic 3.6 jest lepszym narzędziem niż Phonic 1 i na tym należy zakończyć porównanie.

Warto też nazwać pewną strukturę kosztów: model kredytowy Cartesia oznacza, że płacisz za wyrenderowane znaki, więc rozmowa, w której agent wypowiada cztery słowa, kosztuje cztery słowa. Model rozliczany za minutę nalicza opłatę za całą minutę niezależnie od zużycia. W przypadku krótkich, masowych interakcji — potwierdzeń wizyt, powiadomień o dostawie, dwuetapowej weryfikacji — model oparty na znakach jest strukturalnie tańszy.

Gdzie Phonic 1 wygrywa bez argumentu

Wywołania narzędzi, które rozpoczynają się, zanim dzwoniący skończy mówić, to jedyna zdolność w tym zestawieniu, której Cartesia Sonic 3.6 po prostu nie ma, ponieważ wywoływanie narzędzi nie jest właściwością, którą renderer może posiadać. W procesie rezerwacji, w którym dzwoniący mówi: „Potrzebuję czwartku, nie, czekaj, piątkowego popołudnia”, złożona ścieżka musi poczekać na wykrycie końca tury, uruchomić rozpoznawanie, uruchomić model, uruchomić narzędzie, a następnie przeprowadzić renderowanie — cztery szeregowe przekazania w porównaniu z jednym deklarowanym przez Phonic. Własne porównanie demonstracyjne Phonic — odpowiedź 1,1 sekundy po tym, jak dzwoniący przestał mówić, wobec 15,7 sekundy dla GPT-Live od OpenAI — jest demonstracją dostawcy i jako taką należy je odczytywać. Ale argument strukturalny pozostaje mimo zastrzeżenia: mniej przekazań to mniej miejsc, w których można stracić sekundę.

Języki — Phonic 1 obsługuje ponad 50 języków, z przełączaniem w trakcie rozmowy, które zachowuje ten sam głos; Cartesia Sonic 3.6 obejmuje 44 języki w 61 lokalizacjach, wyłącznie na potrzeby renderowania.

• Rozliczenia — Phonic 1 to jedna stawka za minutę rozmowy, bez przenoszenia kosztów LLM; Cartesia Sonic 3.6 rozlicza się za znak/kredyt, a pozostałe elementy stosu rozliczane są osobno.

• Możliwości agentowe — Phonic 1 osiąga 79,9% w komponencie agentowym indeksu mowa-do-mowy Artificial Analysis, najwyższy tam odnotowany wynik; Sonic 3.6 nie ma wyniku agentowego, ponieważ nie ma agenta.

• Jakość głosu — Cartesia Sonic 3.6 prowadzi w obu arenach mowy Artificial Analysis pod względem wyrenderowanego audio; wynik preferencji Phonic 1 w arenie to 1,012, czyli ósme miejsce na trzydzieści.

• Wdrożenie — Phonic 1 oferuje chmurę, single-tenant, peering VPC i self-host, z deklarowaną dostępnością SOC 2 Type II oraz HIPAA BAA; Sonic 3.6 to hostowane API.

Porównanie, które Cartesia naprawdę chciałaby, żebyś przeprowadził

Prawdziwą odpowiedzią firmy Cartesia na Phonic 1 jest Cartesia Line — jej produkt do agentów głosowych, który firma wycenia na około 0,06 USD za minutę i który w Artificial Analysis widnieje jako pipeline dostawcy, a nie jako model z oceną; stojący za nim zestaw czerpie jednocześnie z Ink, Gemini 2.5 Flash i Sonic. To mówi od razu dwie rzeczy. Stawka podana w nagłówku jest o cent niższa niż w Phonic 1, a jednocześnie jest niekompletna dokładnie w ten sposób, w jaki marketing Phonic oskarża złożone stosy o niekompletność: komponent Gemini 2.5 Flash dolicza dodatkowo koszt własnych tokenów.

Więc uczciwe porównanie to nie $0.07 przeciwko $0.06. To stała, całościowa stawka $0.07 przeciwko opłacie platformowej $0.06 plus rachunek za model, który kontrolujesz. Dla zespołu, który już kieruje ruch do własnych modeli i chce robić to dalej, ta struktura jest zaletą. Dla zespołu, który chce mieć liczbę, a nie arkusz kalkulacyjny, to jest powód, dla którego istnieje Phonic 1.

Kto powinien działać, a kto powinien czekać?

Kup Cartesia Sonic 3.6, jeśli produktem jest głos. Narracja, asystenci z brandingiem, dubbing — wszystko, gdzie człowiek będzie oceniał audio, a nikt nie będzie oceniał wywołań narzędzi. Prowadzenie w arenie jest prawdziwe, klonowanie jest szybkie, a drabinka planów oznacza, że możesz zacząć za darmo.

Kup Phonic 1, jeśli rozmowa musi zrobić coś — zarezerwować, zweryfikować, zwrócić, eskalować — i jeśli pięciocyfrowy budżet inżynieryjny na kod klejący jest gorszy niż stała stawka za minutę. W chwili pisania ma też za sobą około tygodnia na publicznym API, za którym stoi jedna niezależna rada, i nie ma danych o niezawodności w długim okresie; rozsądnym sposobem na wdrożenie go jest umieszczenie go obok obecnej ścieżki, a nie zamiast niej.

A jeśli budujesz własne rozwiązanie, zamiast je wypożyczać, decyzją, która naprawdę wpływa na Twój rachunek, nie jest Sonic kontra Phonic. Jest nią wybór modelu, który odpowiada na łatwe tury rozmowy. To ten element działa dziś na OrcaRouter — jeden klucz, ponad 200 modeli, cena listowa przekazywana bez zmian, przełączanie awaryjne, gdy dostawca zawiedzie — podczas gdy ani Phonic 1, ani Cartesia Sonic 3.6 nie znajdują się w naszym katalogu, a każdy trzeba zamówić u jego własnego dostawcy.

Zakup, który wygląda jak porównanie cen, w rzeczywistości jest pytaniem o to, jak dużą część tego obrotu chcesz mieć na własność. Sonic 3.6 pozwala ci mieć całość i daje najlepiej brzmiący element, na którym możesz budować. Phonic 1 zdejmuje to z twoich barków i pobiera za ten przywilej stałą opłatę. Żaden z nich nie jest zły. Stają się złe dopiero wtedy, gdy kupuje się je z powodu, który należy do drugiego.