Phonic 1 vs Qwen Audio 3.1: 82.0% i 79.9% to nie są te same liczby

Porównanie, które każdy przeprowadzi między Phonic 1 a Qwen Audio 3.1 Realtime, to tabela złożona z dwóch wierszy: Qwen uzyskuje 82,0% w τ-Voice, Phonic uzyskuje 79,9%, więc tańszy model wygrywa. To czysta historia i jest błędna, ponieważ te dwie liczby pochodzą z różnych narzędzi. 82,0% Qwena pochodzi z własnego artykułu dostawcy i zostało zmierzone na zaadaptowanym, półdupleksowym wariancie benchmarku do zamiany mowy na tekst. 79,9% Phonica to komponent agentowy wskaźnika mowy do mowy Artificial Analysis, zmierzony na rzeczywistym systemie. Odejmowanie jednej liczby od drugiej to ten sam błąd co porównywanie wyniku egzaminu z arkusza ćwiczeniowego z wynikiem z egzaminu.

To, co sprawia, że błąd wart jest opisania, to fakt, że jest to jedyne dostępne porównanie. Qwen Audio 3.1 Realtime w ogóle nie pojawia się na tablicy speech-to-speech Artificial Analysis — tablica wymienia Qwen Audio 3.0 Realtime Plus z wynikiem 69,5 i Qwen Audio 3.0 Realtime Flash z wynikiem 67,7, i nic nowszego. Zatem najnowszy tani pretendent w tej kategorii opublikował własne liczby, we własnych jednostkach, a żadna niezależna instytucja go nie oceniła. Ta luka jest sednem historii, a uczciwy artykuł dotyczy głównie tego, czego jeszcze nie można powiedzieć.

Czym właściwie jest Qwen Audio 3.1

Alibaba Qwen-Audio-3.1 pojawił się pod koniec września 2026 r. jako zestaw pięciu modeli, a nie pojedyncze wydanie: ASR, ASR-Next, TTS, TTS-Next i Realtime. Modelem, który konkuruje z Phonic 1, jest Qwen Audio 3.1 Realtime, a konkretnie poziom Realtime-Plus, dostępny wyłącznie przez QwenCloud za pośrednictwem WebSocket — bez otwartych wag, w przeciwieństwie do członków rodziny TTS i ASR, oraz bez możliwości samodzielnego hostowania w materiałach publicznych.

• Kontekst — łącznie 262 tys. tokenów, maks. 245 tys. na wejściu i maks. 16 tys. na wyjściu, w porównaniu z niepublikowanym kontekstem Phonic 1.

• Limity przepustowości — domyślnie 60 żądań i 100 tys. tokenów na minutę w QwenCloud; Phonic nie publikuje równoważnego limitu sesji.

Funkcje — wywoływanie funkcji, wyszukiwanie w sieci, ustrukturyzowane dane wyjściowe, buforowanie kontekstu, dostrajanie i klonowanie głosu są wymienione dla Qwen Audio 3.1 Realtime; Phonic wymienia wbudowane narzędzia synchroniczne, ponad 50 języków i przełączanie języków w trakcie rozmowy.

• Dostępność — Qwen Audio 3.1 Realtime jest dostępny wyłącznie przez API; Phonic 1 oferuje chmurę, single-tenant, peering VPC oraz self-hosting.

Te dwa wiersze są istotne z punktu widzenia zakupów. Rodzina Qwen zwykle udostępnia wagi; ten model ich nie udostępnia, co eliminuje główny powód, dla którego zespół wybiera Qwen zamiast dostawcy hostowanego. Opcja samodzielnego hostowania Phonic jest tego lustrzanym przeciwieństwem — to jedyny sposób, w jaki którykolwiek z tych dwóch modeli działa gdziekolwiek indziej niż w chmurze kogoś innego.

Benchmark, który nie jest tym samym benchmarkiem

Liczba 82,0% pojawia się w artykule Alibaba na arXiv dotyczącym Qwen-Audio-3.1, przedstawiona jako poprawa z 78,4% w poprzedniej generacji. Ten sam artykuł wyraźnie zaznacza, że jest to półdupleksowa adaptacja τ-Voice do rozpoznawania mowy, a nie pełnodupleksowa ocena agentowa, która daje liczby na publicznej tabeli wyników. Nie jest to nieuczciwe — jest to ujawnione — ale oznacza, że ta liczba odpowiada na węższe pytanie: w konfiguracji opartej na transkrypcji i przy zadanym zadaniu, jak często model je ukończa.

79,9% Phonic 1 odpowiada na szersze pytanie, a różnica między tymi dwoma pytaniami nie jest mała. Adaptacja półdupleksowa usuwa te części wywołania agentowego, które najtrudniej uzyskać poprawnie: wtrącanie się, nakładającą się mowę, decydowanie, kiedy przestać nasłuchiwać, oraz odzyskiwanie sytuacji, gdy dzwoniący zmienia zdanie w trakcie wywołania narzędzia. Każda z tych sytuacji to miejsce, w którym model traci zadania, które w przeciwnym razie by ukończył.

Kierunek błędu jest więc przewidywalny i jest przeciwieństwem oczywistego odczytu. 82,0% Qwena to bardzo prawdopodobnie optymistyczny pułap dla jego zachowania w trybie full-duplex, a nie wygrana w porównywalnych warunkach z wynikiem 79,9% Phonic. Nie wiadomo, czy przekracza ten próg. Alibaba nie postawiła modelu przed ewaluatorem, który wygenerował wynik 79,9.

Co Qwen publikuje i gdzie jego własne liczby zwracają się przeciwko niemu

Publikacja Alibaby jest wyjątkowo szczera w kwestii niepowodzeń, co czyni ją bardziej użyteczną niż nagłówna informacja o τ-Voice. Przeczytaj całą tabelę, a model wygląda mniej jak zdecydowany pretendent, a bardziej jak mocny system czasu rzeczywistego drugiej generacji z dwoma konkretnymi słabymi punktami.

• Wskaźnik błędów słów FLEURS — z 9,01 do 3,98, autentyczna poprawa dokładności rozpoznawania w różnych językach.

• Średnia w Big Bench Audio dla 14 języków — od 81,7% do 88,1%.

• Audio MultiChallenge — od 47.12 do 52.21.

• Wskaźnik odpowiedzi na mowę w tle w Full-Duplex-Bench v1.5 — z 73,0% do 13,0%, co oznacza, że model znacznie rzadziej odpowiada na mowę, która nie była skierowana do niego.

• Opóźnienie zatrzymania po przerwaniu — 1,116 s wobec 0,383 s dla GPT-Realtime-2. To liczba, z którą należy zestawić 0,61 s Phonic do pierwszego dźwięku: jedna mierzy, jak szybko model startuje, druga — jak szybko się zatrzymuje, a powolne zatrzymanie to właśnie to, co dzwoniący określają jako bycie przekrzykiwanym.

• Wskaźnik niepożądanych wznowień — 0,035 rosnący do 0,130, regresja, którą artykuł odnotowuje względem własnego poprzednika; model jest bardziej skłonny zacząć ponownie mówić, kiedy nie powinien.

Te dwa ostatnie wersy to najmniej nagłośnione fakty związane z premierą Qwen Audio 3.1. Model, który potrzebuje 1,116 sekundy, by ustąpić, i wznawia, gdy nie powinien, podczas prawdziwej rozmowy telefonicznej wypadnie gorzej, niż sugerują jego wyniki dokładności — i dokładnie na tym wymiarze opiera się marketing Phonic 1, z twierdzeniem „odpowiada, zanim dzwoniący skończy”, oraz opóźnieniem mowa-mowa poniżej 600 ms.

Jedyny porównywalny punkt danych

Ponieważ Qwen Audio 3.1 Realtime nie ma wyniku indeksu, jedynym sposobem zestawienia go z Phonic 1 na tym samym instrumencie jest porównanie przez jego poprzednika. Qwen Audio 3.0 Realtime Plus uzyskał 69,5 w indeksie mowa-do-mowy, z 54,6% skuteczności agentowej, 99% rozumowania mowy, 77,8% sukcesu zadań, 798 Elo w arenie i 1,54 s do pierwszego dźwięku.

• Wyniki w zadaniach agentowych — Phonic 1 79,9 vs Qwen Audio 3.0 Realtime Plus 54,6. Jeśli wersja 3.1 zapewni poprawę, którą w zadaniach sugeruje jej własna publikacja, zniweluje część tej 25-punktowej luki; nikt nie zmierzył, jak dużą.

Preferencja areny — Phonic 1: 1,012 vs 798 dla 3.0. To największa różnica w porównaniu i ta, która najmniej prawdopodobnie się zmniejszyła, ponieważ preferencja areny jest miarą opartą na głosach ludzi, która zmienia się powoli między generacjami.

Czas do pierwszego dźwięku — Phonic 1: 0,61 s vs 1,54 s w 3.0. Warstwa czasu rzeczywistego Qwen była historycznie wolniejszą rodziną w tym zakresie, a 3.1 nie podaje żadnej wartości czasu do pierwszego dźwięku.

• Skuteczność zadania — Phonic 1: 92,3% vs 3.0: 77,8%.

Wzorzec obejmujący trzy generacje jest spójny: modele czasu rzeczywistego Qwen były mocnymi rozpoznawaczami i słabymi agentami, a 3.1 to generacja, która twierdzi, że naprawia połowę związaną z agentami. Czy jej się to udało — dokładnie to powiedziałby ci brakujący wynik indeksu.

Dwie jednostki cenowe, które nie ulegają konwersji

Qwen Audio 3.1 Realtime rozlicza się za token: 0,80 USD za milion tekstowych tokenów wejściowych, 6,40 USD za wejście audio, 6,40 USD za wyjście tekstowe i 24 USD za wyjście audio w regionie Singapuru, przy czym stawki w Pekinie są około 14% niższe we wszystkich kategoriach. Phonic 1 pobiera 0,07 USD za minutę rozmowy, ryczałtowo, bez opłat za tokeny.

Nie istnieje publiczny przelicznik między tymi jednostkami. Aby przeliczyć stawkę tokenową na koszt za minutę, potrzebna jest gęstość tokenów audio — ile tokenów zajmuje minuta mowy — a Alibaba nie publikuje jej dla tego modelu. Każdy, kto podaje ci równowartość za minutę dla Qwen Audio 3.1, albo zgaduje gęstość, albo zapożycza ją z innej rodziny modeli z innym kodekiem. Kierunek odpowiedzi nie budzi wątpliwości: stawki audio Qwen są na tyle niskie, że dobrze tokenizowana minuta bardzo prawdopodobnie wyniesie poniżej siedmiu centów, a jego ~85% obniżka ceny w warstwie Realtime była głównym tematem premiery. Skala pozostaje nieznana, a ta nieznana jest na tyle duża, że ma znaczenie przy wdrożeniu o dużym wolumenie.

• Audio wejściowe — Qwen $6.40 / 1 mln tokenów (Singapur) w porównaniu z Phonic $0.07 za minutę rozmowy, bez opublikowanego kursu wymiany między nimi.

• Audio wyjściowe — Qwen $24 / 1 mln tokenów; stawka ryczałtowa Phonic za minutę obejmuje audio wyjściowe.

• Ceny regionalne — region Pekinu Qwen jest o około 14% tańszy niż Singapur; Phonic publikuje jeden globalny cennik.

• Minimumy — plan Pro firmy Phonic ma miesięczne minimum w wysokości 200 USD; QwenCloud publikuje domyślne limity szybkości zamiast minimum platformy.

Różnica w kształcie to część, która przetrwa brakującą konwersję. Rachunek za tokeny odzwierciedla, ile model faktycznie wykonuje pracy — długie transkrypcje, rozwlekłe odpowiedzi i tury mocno wykorzystujące narzędzia kosztują więcej. Rachunek za minuty odzwierciedla, jak długo linia telefoniczna była otwarta. W przypadku agenta, który przez większość rozmowy słucha, model tokenowy jest korzystniejszy; w przypadku agenta, który odpowiada rozwlekle, już nie.

Na które pytanie odpowiadasz?

Jeśli wybierasz model do wdrożenia na własnej infrastrukturze, to porównanie nie jest dla Ciebie: Qwen Audio 3.1 Realtime nie ma wag, a Phonic 1 można hostować samodzielnie, co czyni Phonic jedyną opcją, która w ogóle opuszcza chmurę dostawcy. To odpowiedź w jednej linijce i łatwo ją przeoczyć wśród rozmów o benchmarkach.

Jeśli wybierasz hostowany model czasu rzeczywistego pod kątem kosztów, Qwen Audio 3.1 jest ciekawszym zakładem — drastycznie tańszy w przeliczeniu na jednostkę, z dobrze udokumentowanym skokiem dokładności rozpoznawania i dostawcą, za którym stoi rozbudowany ekosystem otwartych wag. Ryzykiem jest to, że jego komponent agentowy pozostaje niezmierzony, a zachowanie przy przerwaniach uległo regresji w tabeli samego dostawcy.

Jeśli wybierasz na podstawie zmierzonej wydajności agentowej, Phonic 1 jest jedynym z dwóch, który można faktycznie uszeregować, ponieważ jest jedynym, który został uszeregowany. To twierdzenie jest słabsze niż „Phonic jest lepszy”, ale jest prawdziwe.

A jeśli używasz modeli tekstowych Qwen równolegle z warstwą głosową, to ta połowa stosu jest już trasowalna — Qwen3.8-Max dostępny jest w OrcaRouter wśród ponad 200 modeli na jednym kluczu, w cenie katalogowej dostawcy, bez narzutów, więc obniżka ceny po stronie Alibaba obowiązuje tego samego dnia. Punkt końcowy audio nie znajduje się w naszym katalogu, podobnie jak Phonic 1; każdy z nich pochodzi od własnego dostawcy. Router w tak młodym rynku daje możliwość utrzymania działającej ścieżki głosowej, podczas gdy nowsza, tańsza ścieżka toruje sobie drogę — automatyczny przełączanie awaryjne oznacza, że testowanie Qwen Audio 3.1 na własnym ruchu kosztuje cię regułę routingu, a nie migrację.

Uczciwy wniosek jest taki, że tego starcia obecnie nie da się rozstrzygnąć na płaszczyźnie, na której obaj dostawcy chcą je rozstrzygać. Alibaba opublikowała liczbę, która przedstawia jej model w korzystniejszym świetle, ponieważ mierzy łatwiejsze zadanie. Phonic opublikowała liczbę zmierzoną prawidłowo, ale na jednej płytce, w jednej konfiguracji, w ciągu jednego tygodnia dostępności. Pierwsze, na co warto zwrócić uwagę, to nie obniżka ceny ani benchmark — lecz pojawienie się Qwen Audio 3.1 Realtime na płytce, która ocenia oba modele w ten sam sposób. Do tego czasu jedynym możliwym do obrony twierdzeniem jest, że Phonic 1 to znana wielkość, a Qwen Audio 3.1 to tania niewiadoma, co jest całkowicie dobrym powodem, by wypróbować drugi z nich za regułą przełączania awaryjnego, a nie przed klientami.