Phonic 1 vs GPT Live 1: 1,1-sekundowa demonstracja, naklejka za 5 centów i rachunek, którego nikt nie mierzy

Najczęściej powtarzanym faktem na temat Phonic 1 jest porównanie demonstracyjne: we własnym teście Phonic jego agent odpowiedział 1,1 sekundy po tym, jak dzwoniący przestał mówić, wobec 15,7 sekundy, jaką uzyskuje OpenAI-owski GPT Live 1. To spektakularna liczba, pochodzi z testu przeprowadzonego przez dostawcę i jest najmniej użyteczną rzeczą w tym pojedynku. Najbardziej użyteczną rzeczą jest niemal odwrotność — oficjalna cena pięciu centów za minutę dla GPT Live 1, która wygląda, jakby miała pobić stawkę siedmiu centów Phonic, dopóki nie doliczysz drugiego licznika, który OpenAI do niej podłącza. Między tymi dwoma faktami znajduje się porównanie, które naprawdę ma znaczenie, i ma ono jedną klarowną odpowiedź: na tablicy wyników mowy do mowy Artificial Analysis Phonic 1 (High) uzyskuje 87,1, a GPT-Live-1 w konfiguracji Astra-medium uzyskuje 83,2 — różnica 3,9 punktu skoncentrowana niemal całkowicie w jednym komponencie.

Oba modele to pełnodupleksowe systemy konwersacyjne, które wywołują narzędzia w trakcie rozmowy; oba trafiły na rynek, na którym osiemnaście miesięcy temu nie było żadnego poważnego modelu głosowego wywołującego narzędzia, i oba w pewien sposób oddzieliły swoje rozumowanie od warstwy mowy. To ostatnie podobieństwo sprawia, że tak łatwo popełnić błąd w porównaniu kosztów, i właśnie temu ten tekst poświęca najwięcej miejsca.

Demo, rozłożone na części

Demonstracja Phonic z czasem 1,1 sekundy w porównaniu z 15,7 sekundy to rzeczywista obserwacja rzeczywistego zachowania, a zarazem porównanie z dwiema niewiadomymi. Pierwszą jest konfiguracja: opóźnienie GPT-Live-1 zależy w dużym stopniu od tego, do którego modelu backendowego deleguje zadanie, a Artificial Analysis mierzy czas do pierwszego dźwięku wynoszący 1,34 s dla konfiguracji Astra-medium i 1,24 s dla Sol-low — żaden z nich nie wynosi piętnaście sekund. Liczba 15,7 sekundy sugeruje albo backend obciążony intensywnym rozumowaniem, albo zadanie o długim łańcuchu narzędzi. Drugą niewiadomą jest zadanie: obie liczby opisują różne rozmowy i nie ma za nimi żadnego opublikowanego protokołu.

Twierdzenie strukturalne kryjące się u podstaw tego demo jest jednak zasadne i warto je tu oddzielić od liczby. Phonic 1 wywołuje narzędzia, gdy dzwoniący jeszcze mówi; materiały dostawcy mówią to wprost, a jego API udostępnia ścisłe synchroniczne narzędzia deklarowane bezpośrednio w ramach sesji. GPT-Live-1 jest full-duplex w tym sensie, że słucha, gdy mówi, i deleguje pracę narzędzi przez asynchroniczną granicę do osobnego modelu backendowego. Obie konstrukcje przenoszą pracę poza ścieżkę krytyczną, choć za pomocą różnych mechanizmów. To, która wygrywa w Twoim ruchu, jest pomiarem, który wykonujesz, a nie demo, które oglądasz.

GPT-Live-1 to konfiguracja, a nie wynik

Każda publiczna liczba dotycząca GPT-Live-1 wymaga dołączonego zastrzeżenia, ponieważ wynik modelu zmienia się wraz z jego backendem. Na tej samej tablicy wyników:

• GPT-Live-1 (Astra, medium) — indeks mowa-do-mowy 83,2, rozumowanie 90, dynamika 94,9, agentowość 74,5, preferencja w arenie 1027, skuteczność w zadaniach 87,4%, czas do pierwszego dźwięku 1,34 s.

• GPT-Live-1 (Sol, low) — indeks 80,1, rozumowanie 89, dynamika 97,3, agentowość 59,3, arena 1 037, skuteczność wykonania zadania 90,9%, czas do pierwszego dźwięku 1,24 s.

• Phonic 1 (High) — indeks 87,1, rozumowanie 99, dynamika nie podana, agentic 79,9, arena 1,012, skuteczność wykonania zadania 92,3%, czas do pierwszego dźwięku 0,61 s.

Wynikają z tego trzy rzeczy. Po pierwsze, konfiguracja Sol o mniejszym nakładzie wypada lepiej pod względem dynamiki, skuteczności w zadaniach i preferencji w arenie niż konfiguracja Astra o większym nakładzie, a gorzej pod względem rozumowania i sprawczości — co jest tym samym kompromisem, jaki przejawia Gemini z rozszerzonym myśleniem od Google, i oznacza, że „wynik GPT-Live-1” to fraza pozbawiona znaczenia bez dołączonej konfiguracji.

Po drugie, luka w możliwościach agentowych między Phonic 1 a najlepszą konfiguracją GPT-Live-1 wynosi 5,4 punktu. Jest mniejsza, niż sugerują materiały premierowe Phonic — ogłaszana przewaga 8,3 punktu dotyczy Grok Voice 3.0, a nie OpenAI — i wystarczająco mała, by inny zestaw zadań mógł ją wiarygodnie zniwelować.

Po trzecie, GPT-Live-1 prowadzi pod względem preferencji w Arena w obu konfiguracjach, odpowiednio o 15 i 25 punktów Elo, oraz wyprzedza Phonic w dynamice konwersacyjnej o liczbę, której Phonic nie opublikował. W wymiarze, który dzwoniący opisałby jako „brzmi jak osoba”, OpenAI jest z przodu, a różnica nie jest zmierzona po obu stronach.

Naklejka za pięć centów i drugi parkometr

GPT-Live-1 kosztuje $0.05 za minutę głosową, rozliczane co sekundę bez zaokrąglania w górę, plus piętnastosekundowa opłata za rozpoczęcie sesji, która jest zwracana. Phonic 1 kosztuje $0.07 za minutę rozmowy, a w planie Pro $0.065. W przypadku tych dwóch pozycji OpenAI jest o 29% tańsze i sprawa jest zamknięta.

To nie jest zamknięte, ponieważ opłata GPT-Live-1 za minutę obejmuje wyłącznie warstwę głosową. Rozumowanie backendowe, wywołania narzędzi i wyszukiwanie w sieci są rozliczane osobno według standardowych stawek tokenowych modelu backendowego — wytyczne samego OpenAI sugerują użycie małego modelu do obsługi dużej liczby tur oraz modelu klasy frontier do złożonego rozumowania. Artificial Analysis zmierzył rzeczywiste łączne koszty od 4,47 do 5,83 USD za godzinę audio wejściowego w zależności od konfiguracji rozumowania, w porównaniu z 4,20 USD dla Phonic 1.

• Warstwa głosowa — GPT-Live-1 $0.05/min vs Phonic 1 $0.07/min, $0.065 Pro.

• Co jeszcze podlega rozliczeniu — GPT-Live-1 dolicza tokeny modelu backendowego, wywołania narzędzi i wyszukiwanie w internecie; Phonic 1 podaje jedną stałą stawkę za minutę, bez przenoszenia kosztów LLM.

• Zmierzony godzinowy koszt danych wejściowych — GPT-Live-1 4,47–5,83 USD w porównaniu z Phonic 1 4,20 USD, według Artificial Analysis.

• Przewidywalność kosztów — łączny koszt GPT-Live-1 zależy od sposobu trasowania ruchu do backendu; w przypadku Phonic 1 nie.

To odwrócenie jest całym argumentem kosztowym i działa w przeciwnym kierunku niż cena katalogowa. Zespół, który utrzymuje tury swojego backendu tanio, z łatwością może osiągnąć poniżej 4,20 dolara za godzinę na GPT-Live-1; zespół, który każdą turę kieruje do modelu frontier, wyląduje powyżej tej kwoty. Stała stawka Phonic to cena ustalona dla zmiennego obciążenia, która jest wartościowa albo zawyżona w zależności od rzeczywistej mieszanki, jaką uruchamiasz.

Część backendowa to miejsce, w którym OrcaRouter pasuje, nie udając, że jest czymś, czym nie jest. Ani Phonic 1, ani GPT Live 1 nie znajdują się w naszym katalogu — każdy jest dostępny przez API własnego dostawcy — ale model, który odpowiada na trudne tury GPT-Live-1, jest zwykłym modelem tekstowym, a te to ponad 200 modeli, które kierujemy na jednym kluczu z 0% marży ponad cenę katalogową dostawcy. Oba backendy, którym OpenAI nadała nazwy GPT-5.6 Luna i GPT-6 Astra, mają tutaj strony modeli. Reguła routingu może utrzymywać łatwe tury na tanim backendzie i eskalować tylko te, które tego wymagają, z automatycznym przełączaniem awaryjnym, jeśli dostawca zacznie szwankować w trakcie wywołania — co jest dokładnie tą kontrolą, która zamienia zmienny rachunek GPT-Live-1 w rachunek ograniczony.

Co OpenAI ma, czego Phonic nie ma

Luka w dojrzałości nie jest argumentem marketingowym, lecz kwestią produkcyjną. GPT-Live-1 jest dostępny w ChatGPT od 8 lipca 2026 r., w API od 10 września, a 15 października otrzymał przyrostową aktualizację GPT-Live-1.1. Działa w skali, jakiej nie osiągnął żaden model będący na rynku od tygodnia, a jego podejście do transportu to odzwierciedla: Live Sessions przez WebRTC, WebSocket lub SIP, przy czym obsługa telefonii jest zapewniona, a nie pozostawiona integratorowi.

Adopcja jest innym sygnałem. Perplexity przeniosła swój tryb głosowy na GPT-Live-1 28 października 2026 r., a Yelp i Speak są wymieniani jako wcześni partnerzy. Nie są to dowody jakości, ale dowody, że model przetrwa zetknięcie z ruchem konsumenckim.

• Transport — GPT-Live-1 oferuje WebRTC, WebSocket i SIP; Phonic 1 oferuje punkt końcowy WebSocket, a jako sposoby integracji — webhooki, stale utrzymywane otwarte gniazdo lub LiveKit.

• Współbieżność — GPT-Live-1 publikuje wielopoziomowe limity jednoczesnych sesji (około 25–50 na poziomie 1, do 500 na najwyższym poziomie) i nie ma darmowego poziomu; Phonic 1 nie publikuje żadnego limitu sesji w swoich publicznych materiałach.

• Granice — GPT-Live-1 nie przyjmuje danych wejściowych w postaci obrazów ani filmów i nie oferuje ustrukturyzowanych wyników na warstwie głosowej; Phonic 1 jest natywnie audio, a wywołania narzędzi stanowią ustrukturyzowaną powierzchnię.

• Wdrożenie — Phonic 1 oferuje chmurę, środowisko single-tenant, peering VPC i self-hosting z dostępnością SOC 2 Type II oraz HIPAA BAA; GPT-Live-1 to API hostowane przez OpenAI.

Co ma Phonic 1, czego nie ma OpenAI

Szybkość, na planszy, która mierzy ją identycznie: 0,61 s do pierwszego dźwięku wobec 1,34 s i 1,24 s. To jedyna zmierzona różnica w tym pojedynku, wystarczająco duża, by dzwoniący ją poczuł, a nie wywnioskował z wykresu, i jest zgodna z twierdzeniem Phonic o czasie poniżej 600 ms od mowy wejściowej do wyjściowej.

Sprawczość, w węższym ujęciu: 79,9% wobec 74,5% w przypadku lepszej konfiguracji OpenAI. I jedna faktura, która jest mniej cechą możliwości niż właściwością zakupową — ale dla firmy, która prowadziła arkusz kalkulacyjny z wierszem głosowym, wierszem backendu i wierszem narzędzi, zredukowanie trzech liczników do jednego jest warte czegoś realnego.

• Czas do pierwszego dźwięku — Phonic 1: 0,61 s vs GPT-Live-1: 1,34 s (Astra, średni) i 1,24 s (Sol, niski), według Artificial Analysis.

• Wydajność agentowa — Phonic 1 79,9 vs 74,5 (Astra, średni) oraz 59,3 (Sol, niski).

• Preferencja Arena — GPT-Live-1 1,027 i 1,037 vs Phonic 1 1,012.

• Skuteczność zadania — Phonic 1 92,3% vs 87,4% (Astra) i 90,9% (Sol).

Roszczenia dotyczące wydajności samego OpenAI zasługują na własną etykietę, ponieważ żadne z nich nie zostało niezależnie odtworzone: 80,1% na Full Duplex Bench v1.5 wobec 45,4% dla GPT-Realtime-2.1, opóźnienie przejmowania tury wynoszące 0,798 s wobec 1,41 s oraz około 87% skuteczności wywoływania narzędzi. To dane dostawcy. Są wiarygodne i niezweryfikowane, a to samo zdanie trzeba napisać o 15,7-sekundowym porównaniu Phonic.

Decyzja ujęta jako zakład

Wybierz GPT Live 1, jeśli Twoje połączenia są bardziej konwersacyjne niż transakcyjne, jeśli chcesz, aby transport i telefonia były obsługiwane, oraz jeśli jesteś gotowy wziąć na siebie routing backendowy, który sprawia, że jego rachunek jest konkurencyjny. 5,4-punktowy deficyt zdolności agentowych jest realny, ale nie fatalny dla agenta, który głównie odpowiada na pytania i od czasu do czasu wywołuje wyszukiwanie — a szersza oferta OpenAI obejmująca wiele konfiguracji, od głosu o minimalnym wysiłku po czołowe backendy, daje Ci więcej możliwości regulacji, niż obecnie publikuje Phonic.

Wybierz Phonic 1, jeśli rozmowa musi zakończyć się transakcją, jeśli jedna trzecia sekundy do pierwszego audio zmienia Twój wskaźnik porzuceń i jeśli stała stawka za minutę jest dla Ciebie warta więcej niż teoretyczne oszczędności dobrze dostrojonego backendu. Zaakceptuj, że kupujesz model sprzed tygodnia z jedną niezależną radą, bez opublikowanych limitów sesji i bez historii wdrożeń w skali konsumenckiej.

Nie rozstrzygnie tego publikacja czegokolwiek przez któregokolwiek dostawcę. Rozstrzygnie je dwutygodniowy okres własnych wywołań, rozdzielonych między obu, z równoległym pomiarem współczynnika ukończenia tego samego zadania. Przewaga Phonic wynosząca 5,4 punktu w zakresie agentowym ma dokładnie taki rozmiar luki, jaki może odwrócić pojedynczy obszar zadań — co jest argumentem za pomiarem, a nie za wybieraniem lidera tabeli.