Phonic 1 estreia em #1 no Índice de Fala. A margem de 0,2 ponto esconde a liderança real.

Phonic 1 agora é o modelo de fala para fala mais bem colocado no Índice Speech to Speech da Artificial Analysis, com 87,1, uma disputa de um décimo de ponto que venceu ao superar por pouco o Grok Voice 3.0 da xAI, com 86,9. Uma margem de 0,2 ponto normalmente seria ruído, e neste índice é quase exatamente isso: os dois modelos não vencem as mesmas tarefas, então o empate composto esconde uma divisão muito maior por baixo. No benchmark de tarefas agênticas que responde por um quarto dessa pontuação, Phonic 1 alcança 79,9% contra 74,5% da melhor configuração da OpenAI.

A Phonic, uma empresa derivada com cerca de dez pessoas de pesquisadores do MIT e de Stanford, apresentou o modelo em 29 de outubro de 2026, junto com uma Série A de US$ 27,5 milhões liderada pela First Round, elevando seu financiamento total para US$ 31,5 milhões. A empresa grafa o modelo como Phonic-1 em seu próprio post de lançamento e documentação; a Artificial Analysis o lista como Phonic 1 (High), em que o termo entre parênteses é uma configuração da API, e não um nome de produto. As duas grafias apontam para o mesmo endpoint e o mesmo preço de tabela de US$ 0,07 por minuto.

O que é o Phonic-1, nos próprios termos do fornecedor

É um modelo de fala ponta a ponta, não uma cascata de transcrever-depois-pensar-depois-falar. O áudio entra, o áudio sai, e o argumento que a Phonic apresenta para a arquitetura é que uma transcrição é uma cópia com perdas de uma conversa — tom, hesitação e sobreposição são descartados antes mesmo de o modelo de linguagem chegar a vê-los. Esse argumento tem sido defendido por todo fornecedor de fala-para-fala desde 2024; o que a Phonic está realmente vendendo é um truque de agendamento por cima disso.

Esse truque é a chamada de ferramentas durante o turno de quem está falando. Em vez de esperar que o interlocutor pare antes de iniciar uma consulta, o modelo dispara chamadas de ferramentas enquanto a fala ainda está chegando, para que os resultados estejam prontos quando o interlocutor ceder a vez. Na demonstração publicada pela Phonic, o modelo chamou todas as cinco ferramentas no meio da frase e respondeu 1,1 segundo depois que o interlocutor parou; a demonstração coloca o GPT-Live-1, da OpenAI, em 15,7 segundos no mesmo roteiro. Essa comparação é uma demonstração de fornecedor em uma tarefa escolhida pelo fornecedor, não um benchmark medido, e vale a pena lê-la como ilustração do design, e não como resultado de confronto direto.

A superfície da API publicada é mais concreta do que a maioria dos posts de lançamento:

• IDs de modelo — phonic-1, com phonic-0.5 ainda aceito como a geração anterior. Omitir o campo usa o padrão atual.

• Inteligência — um enum intelligence_level, standard por padrão, high quando você quiser o modelo mais capaz para raciocínio complexo. A documentação descreve standard como a configuração otimizada para menor latência, o que significa que a configuração que todos os benchmarks avaliaram até agora não é a que uma implantação sensível à latência recebe por padrão.

• Idiomas — 51, listados com códigos ISO até Filipino (fil) e Cantonês (yue), com alternância no meio da conversa que mantém a mesma identidade do falante.

• Latência — A Phonic afirma menos de 600 ms da entrada de fala até a saída de fala. A Artificial Analysis mediu 0,61 s até o primeiro áudio em seu próprio harness, o que é consistente com a afirmação, sem ser a mesma medição.

• Implantação — API hospedada, SDKs em TypeScript e Python, uma CLI e um construtor de agentes sem código, além de opções auto-hospedadas e de VPC no nível empresarial, com SOC 2 Type II, um BAA HIPAA, retenção zero de dados e um SLA de 99,9% de disponibilidade na página.

O índice, linha por linha.

O Índice de Fala para Fala é um composto de quatro resultados igualmente ponderados: Big Bench Audio para raciocínio de fala, τ-Voice para comportamento agêntico de atendimento ao cliente, uma arena de preferência humana e uma taxa de sucesso de tarefa. Um modelo precisa dos quatro para ser pontuado, e é por isso que o StepAudio 3 Realtime aparece na tabela de raciocínio sem um número composto — suas colunas de comportamento agêntico, arena e taxa de sucesso de tarefa estão vazias.

Os quatro componentes do Phonic 1, segundo a Artificial Analysis:

• Índice de Fala para Fala — 87,1, primeiro, à frente de Grok Voice 3.0 com 86,9, GPT-Live-1 (Astra, médio) com 83,2, Grok Voice 2.0 com 81,3 e GPT-Live-1 (Sol, baixo) com 80,1.

• τ-Voice — 79,9%, em primeiro lugar, 5,4 pontos à frente do GPT-Live-1 (Astra, medium), com 74,5%.

• Big Bench Audio — 98,9%, em terceiro lugar, atrás de StepAudio 3 Realtime com 99,7% e Qwen Audio 3.0 Realtime Plus com 99,2%.

• Speech Agent Arena — oitavo de 30 em preferência com Elo 1012, quarto em sucesso na tarefa com 92,3%.

Leia essas quatro linhas na ordem e a pontuação composta deixa de parecer um empate. O Phonic 1 vence o benchmark agêntico de forma absoluta e fica em terceiro em raciocínio, mas é oitavo em qual voz os humanos realmente preferem e quarto em sucesso bruto em tarefas — um modelo que é mensuravelmente o melhor executor de ferramentas e não o conversador favorito do público. Essa é a mesma história estrutural que encontramos no 86,9 do Grok Voice 3.0 duas semanas atrás, pelo lado oposto: a xAI manteve a arena e perdeu a coluna agêntica, e a Phonic mantém a coluna agêntica enquanto abre mão da arena.

Dois relógios, dois vencedores.

A latência é onde a cobertura fica descuidada, porque dois instrumentos respeitáveis discordam sobre quem é o mais rápido e nenhum dos dois está errado.

A Artificial Analysis mede o tempo até o primeiro áudio — quanto tempo decorre desde o fim da fala do usuário até o início do áudio. Nessa métrica, o Phonic 1 é o mais rápido entre os cinco primeiros do índice:

• Tempo até o primeiro áudio — Phonic 1 0,61 s; Grok Voice 3.0 0,81 s; GPT-Live-1 (Sol, low) 1,24 s; GPT-Live-1 (Astra, medium) 1,34 s; Qwen Audio 3.0 Realtime Plus 1,54 s; StepAudio 3 Realtime 8,83 s.

Cekura, uma empresa de avaliação de agentes de voz que executa modelos dentro de um ambiente telefônico real via WebRTC, mede o tempo mediano de resposta em ligações inteiras. Nessa medição, o Grok Voice 3.0 é o mais rápido do setor, com 1,34 s, e o Phonic 1 tem 1,63 s — terceiro mais rápido, um centésimo atrás do Grok Voice Think Fast 2.0, com 1,62 s, e não o primeiro. Ambos os números descrevem algo real. O tempo até o primeiro áudio é a rapidez com que o modelo se decide a falar; o tempo mediano de resposta é quanto uma pessoa que liga realmente espera pela resposta em 82 cenários, inclusive nos cenários com uso intensivo de ferramentas, em que a abordagem da Phonic recupera exatamente os segundos que uma medição de primeiro áudio não consegue captar.

Se você estiver redigindo um memorando de compras, a frase a evitar é "o modelo de fala para fala mais rápido", ponto final. A versão defensável é "mais rápido para o primeiro áudio no Artificial Analysis; terceiro mais rápido em tempo de resposta mediano no harness de chamadas ao vivo da Cekura".

O painel de chamadas ao vivo faz uma pergunta mais difícil

O leaderboard de fala para fala da Cekura é um teste substancialmente mais difícil do que qualquer um dos quatro componentes do índice: 82 cenários — 59 ligações de agendamento em clínicas e 23 ligações de admissão do Medicare —, cada um executado três vezes dentro do mesmo agente Pipecat de código aberto, com o mesmo prompt e as mesmas ferramentas, com pontuação pass-cubed, o que significa que um cenário só conta se as três execuções forem bem-sucedidas e todos os campos forem registrados corretamente.

A partir da atualização de 22 de outubro de 2026, com o Phonic 1 configurado com inteligência alta sob o ID de modelo phonic_v1, esse quadro também coloca o Phonic 1 em primeiro lugar:

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

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

• Chamadas em que o agente ficou em silêncio — Phonic 1 0,0%; Grok Voice 3.0 0,0%; GPT Realtime 2.1 3,3%.

Sucesso nas chamadas do Medicare — Phonic 1 88,4%; GPT Realtime 2.1 81,2%; Grok Voice 3.0 58,0%; GPT-Live 1 com Sol 49,3%.

O recorte Medicare é o ponto mais interessante de todo o lançamento. Ligações longas de acolhimento com preenchimento de formulários são justamente onde os modelos ponta a ponta deveriam fracassar, e o Phonic 1 mantém 88,4%, enquanto o Grok Voice 3.0 cai pela metade, para 58,0%. O próprio relatório da Cekura ainda registra um modo de falha que vale a pena conhecer: o agente desliga sem confirmar o que ouviu de um chamador que diz que ligará de volta mais tarde, e ocasionalmente registra errado uma nota de transferência do Medicare ou um detalhe de roteamento. Com 90,2% no pass-cubed, 74 desses 82 cenários passam em todas as execuções e oito não — é um resultado forte para um modelo com um dia de vida, não um modelo acabado.

Duas notas de rotulagem antes de alguém citar estes números. O painel da Cekura traz uma data de última atualização e foi revisado entre execuções, portanto uma captura de tela dele não é uma citação; cite o número ao vivo com a data anexada. E a Cekura registra um custo de $0.060 por minuto para o Phonic 1, em contraste com uma tarifa Starter publicada de $0.070 — um valor medido de um único harness, não a lista de preços, e não algo a ser subtraído de nada.

Os benchmarks do fornecedor, mantidos em sua própria caixa.

O post de lançamento da Phonic traz três resultados próprios, e vale a pena conhecê-los justamente porque não são os números acima. Na variante multilíngue full-duplex τ³-Voice da Sierra, a empresa relata Phonic-1 com 83,2 contra GPT-Live-1 com 79,9 e Gemini 3.8 Live com 68,5. Observe a colisão: 79,9 é a pontuação da Phonic no τ-Voice da Artificial Analysis e também a pontuação do GPT-Live-1 na execução do τ³-Voice da própria Phonic. Mesmos dígitos, linhas diferentes, variantes de benchmark diferentes — nunca transfira um número de uma coluna para a outra.

Os outros dois são testes humanos cegos realizados pela Podonos, um serviço terceirizado de testes de escuta. A Phonic-1 foi preferida em relação à GPT-Live-1 por 61,5% a 32,0%, em relação à Grok Voice 3 por 66,5% a 26,5% e em relação à Eleven v4 Turbo por 78,0% a 14,0%. O resultado que a própria Phonic destaca é justamente aquele em que ela perde: atores de voz humanos foram preferidos em relação à Phonic-1 por 57,0% a 32,0%. Todos os quatro foram encomendados e divulgados pelos próprios fornecedores; nenhum foi replicado de forma independente.

Quanto custa um mês disso

O preço é um único valor por minuto, sem cobranças por token e sem repasse separado de LLM, o que é incomum em uma categoria onde o “modelo de voz” costuma ser uma camada fina sobre três serviços cobrados. Os níveis:

• Starter — $0.07 por minuto, sem mínimo, 10 chamadas simultâneas, 10 agentes, 3 assentos de workspace.

• Pro — US$ 0,065 por minuto, contra um mínimo mensal de US$ 200, o que, segundo a página de preços, equivale a aproximadamente 3.100 minutos, com 50 chamadas simultâneas, 50 agentes e 30 assentos.

• Enterprise — personalizado, com descontos por volume, implantação em VPC ou on-premises, DPAs, SLAs e BAAs de HIPAA.

Inscrições antes de 30 de novembro recebem $250 em créditos. Faça as contas de um mês de 10.000 minutos e os preços de tabela dos concorrentes mais próximos se esclarecem rapidamente:

• 10.000 minutos — Phonic 1 Starter $700; Grok Voice 3.0 $800 a $0.08/minuto; GPT-Live-1 (Sol, baixo) $750 a $0.075; GPT-Live-1 (Astra, médio) $970 a $0.097.

• Os mesmos 10.000 minutos no Pro — US$ 650, mas somente acima de aproximadamente 3.100 minutos o mínimo de US$ 200 deixa de ser a restrição vinculante.

O número que não cabe numa tabela de preços é a simultaneidade. Dez chamadas simultâneas no Starter são um teto real para qualquer coisa que se assemelhe a uma fila de suporte, e é por isso que o salto para o Pro vale US$ 50 por mês em volume: a mudança de nível oferece 50 chamadas simultâneas muito mais do que oferece o meio centavo. O próprio blog de engenharia da Phonic argumenta que os limites de simultaneidade são o imposto oculto na IA de voz, o que é uma formulação honesta vinda da parte que os define.

Onde é executado, e o que o roteamento pode e não pode fazer aqui

O Phonic 1 não está no catálogo do OrcaRouter, e este texto não vai fingir o contrário: hoje você o acessa pela API própria da Phonic, pelos SDKs dela, pela CLI ou pelo construtor no-code, e em nenhum outro lugar. Essa também é a fraqueza estrutural honesta de comprar um modelo de voz ponta a ponta em vez de uma cascata — um único fornecedor, um único endpoint e nenhum segundo provedor para fazer failover quando o websocket cair no meio da chamada.

O que o roteamento cobre é a alternativa. Um pipeline transcrever-pensar-falar é a base na qual o próprio board da Cekura continua superando modelos ponta a ponta, e sua etapa intermediária é inferência de texto comum — que é exatamente a camada em que uma API para mais de 200 modelos com 0% de markup se aplica. A etapa de transcrição e a etapa de raciocínio podem ficar atrás de uma única chave, e o DSL de roteamento pode enviar as chamadas baratas de alternância de turno e as chamadas caras de raciocínio de política para modelos diferentes na mesma chamada, sem um segundo contrato para cada fornecedor na pilha. O preço de tabela do fornecedor é repassado sem alteração, para que um corte de preço do fornecedor chegue a essa etapa no mesmo dia em que é anunciado, e não na próxima renovação do contrato.

Vale dizer o trade-off de forma clara, porque os placares acima não o precificam. A abordagem end-to-end vence na troca de turnos, em interrupções e em chamadas de ferramentas no meio da fala; uma cascata vence na capacidade de trocar qualquer um de seus componentes — e no fato de que a linha de base em cascata da Cekura ainda supera todos os modelos em tempo real que ela testou em confiabilidade pass-cubed. Se isso soa como um motivo para permanecer em uma cascata, em parte é. O motivo para migrar é a coluna Medicare: 88,4% contra 58,0% é o tipo de diferença que decide se uma ligação longa de admissão chega a ser concluída.

O que ninguém mediu ainda

Antes que alguém reescreva um prompt de produção em torno de um 87,1, três lacunas merecem ser nomeadas.

• A configuração medida não é o padrão. Todas as pontuações aqui — 87,1 da Artificial Analysis, 90,2% da Cekura — foram produzidas no modo de alta inteligência. A API usa o padrão por default, documentado como o modo de menor latência. Ninguém publicou os números do modo padrão, portanto as cifras de latência acima não descrevem o que uma integração não configurada vivencia.

• O comportamento em canais com ruído não é testado pelo índice. A Cekura relata que o Grok Voice 3.0 passa em todas as chamadas com ruído de fundo e falhas de áudio; não diz nada comparável sobre o Phonic 1, e o Big Bench Audio é executado com áudio limpo.

• A estabilidade em sessões longas é uma demonstração, não uma medição. A chamada de 44 minutos da Phonic com 123 chamadas de ferramentas em inglês e português é a evidência de horizonte longo mais concreta já publicada, e é uma única chamada que o fornecedor escolheu mostrar.

O resumo defensável após um dia: o Phonic 1 é o modelo agêntico de fala para fala mais forte nos dois instrumentos independentes que o avaliaram, não é o mais rápido dependendo de qual relógio você observa, e seu US$ 0,07/minuto torna a liderança agêntica barata o suficiente para testar em vez de discutir.