Phonic 1 vs. Cartesia Sonic 3.6: Um minuto de US$ 0,07 e uma fatura de US$ 49 por milhão de caracteres não são a mesma compra

Coloque o Phonic 1 e o Cartesia Sonic 3.6 na mesma página e a tentação é alinhar as colunas de preço e dar o assunto por encerrado. Dois números de fornecedores tornam isso fácil: a Phonic cobra US$ 0,07 por minuto de conversa, e a Cartesia normaliza para cerca de US$ 49 por milhão de caracteres. Ambos parecem erros de arredondamento comparados ao que você pagava em 2025. Mas eles cobram por objetos diferentes. O Cartesia Sonic 3.6 é um motor de conversão de texto em fala em streaming — você entrega palavras a ele, ele entrega uma voz a você, e tudo o que vem antes dessas palavras é problema seu. O Phonic 1 é um modelo de fala para fala que ouve quem está chamando, decide o que fazer, chama ferramentas no meio da frase e responde em voz alta, tudo dentro desse minuto. Um é um componente na sua fatura. O outro é a fatura inteira. Compará-los apenas pelo preço é comparar a tarifa de um táxi com um carro.

Isso não torna a comparação inútil. Torna-a mais estreita e mais honesta do que o resultado da busca sugere: esses dois competem pelo mesmo item no orçamento de um agente de voz, e uma equipe que desenvolve um agente telefônico precisa decidir se a camada de voz é um serviço que ela contrata por inteiro ou uma pilha que monta a partir de peças. A Cartesia vende qualquer uma das duas configurações — Sonic 3.6 para a metade de renderização, Cartesia Line para a metade montada — e é esse segundo produto, não o modelo TTS, que está de fato frente a frente com o Phonic 1.

O que cada um realmente é

O Cartesia Sonic 3.6 foi lançado no final de agosto de 2026, cerca de três meses depois do Sonic 3.5, e é o renderizador de maior qualidade da empresa: 44 idiomas em 61 locales, clonagem de voz a partir de cerca de dez segundos de áudio, cobrança baseada em créditos em que um crédito equivale aproximadamente a um caractere. Ele não tem camada de raciocínio, camada de ferramentas nem noção de conversa. Você o chama com texto e um ID de voz, recebe áudio de volta em fluxo, e a lógica de troca de turnos — quando ouvir, quando interromper, o que fazer quando o interlocutor diz "na verdade, não" — pertence ao código que você escreve.

A Phonic 1 foi lançada no final de outubro de 2026, junto com uma Série A de US$ 27,5 milhões liderada pela First Round, e sua proposta tem formato oposto: um único modelo que domina toda a interação. A lista de recursos do próprio fornecedor afirma que tom e hesitação são percebidos, que chamadas de ferramentas são disparadas enquanto o interlocutor ainda fala e que o modelo às vezes opta por não responder — um comportamento impossível de obter de um endpoint TTS, porque um endpoint TTS não tem opinião sobre se falar é a atitude certa. Ele cobra um preço único por minuto de conversa e declara explicitamente que não há repasse separado de LLM nem cobrança por token.

Uma ressalva honesta antes de prosseguirmos. A cobertura de lançamento da Phonic descreveu-a como ponta a ponta, evitando fornecedores separados de reconhecimento de fala, LLM e síntese de fala. O próprio site do fornecedor descreve modelos supervisores para raciocínio e chamada de ferramentas, e sua configuração de benchmark é rotulada como Phonic 1 (High), implicando um nível de inteligência selecionável. Ambas as coisas podem ser verdadeiras — um único fornecedor pode controlar todo o turno enquanto ainda executa uma camada interna de raciocínio —, mas “ponta a ponta” é uma abreviação de marketing para “um único contrato”, não prova de que uma única rede faz tudo em um único forward pass. Se sua revisão de arquitetura depende dessa distinção, pergunte diretamente ao fornecedor; o material público não resolve isso.

Os dois relógios medem coisas diferentes.

A latência é o ponto em que esta comparação mais costuma enganar, porque ambos os fornecedores citam um número pequeno em milissegundos e nenhum desses números é o que a pessoa que liga experimenta.

• Phonic 1 — média de 0,61 s até o primeiro áudio na medição da Artificial Analysis, o mais rápido entre os cinco principais modelos de fala para fala testados; o fornecedor anuncia menos de 600 ms da entrada de fala à saída de fala.

• Cartesia Sonic 3.6 — tempo até o primeiro áudio inferior a 90 ms, declarado pelo fornecedor e excluindo explicitamente a rede; um benchmark de terceiros mediu 120 ms de p50 a partir do Leste dos EUA diretamente contra o fornecedor, e um teste de chamada real sediado em Sydney reportou 448 ms de mediana e 604 ms de p90 ponta a ponta.

• O que a diferença significa — os 0,61 s da Phonic começam no momento em que o áudio chega e incluem a decisão sobre o que dizer. Os 90 ms da Cartesia começam quando o texto já existe e cobrem apenas a transformação dele em som. Adicione seu próprio reconhecimento de fala e a latência do seu próprio modelo antes do Sonic, e os dois números convergem; essa aritmética ausente é o motivo pelo qual os números brutos parecem uma vitória de sete para um e não são.

O Artificial Analysis também reporta o Phonic 1 em 0,61 s, contra 1,34 s do GPT-Live-1 e 1,35 s do Gemini 3.8 Live Extended Thinking, que é a comparação para a qual esse número realmente serve: modelo contra modelo, mesmo instrumento. O Sonic 3.6 não aparece nesse quadro de forma alguma, porque não é um modelo conversacional.

A fatura, gerada a partir do mesmo trabalho

Considere uma chamada de suporte recebida de dez minutos. No caminho montado com Cartesia Sonic 3.6, você paga por pelo menos três coisas: reconhecimento do áudio do chamador, um modelo para decidir a resposta e a renderização dessa resposta. A parcela do Sonic é a menor e a mais previsível das três — cerca de US$ 0,28 a US$ 0,49 por minuto de áudio gerado, dependendo do plano, e, na prática, bem menos que isso, porque um agente não fala durante os dez minutos inteiros. A parcela imprevisível é o modelo no meio, e é ela que varia em uma ordem de grandeza dependendo de você encaminhar um modelo pequeno para os 80% mais fáceis dos turnos ou enviar tudo para um modelo de fronteira.

Essa etapa intermediária é onde o roteamento ganha seu lugar, em vez de ser um complemento. Na OrcaRouter, o modelo de raciocínio por trás do seu agente fica em uma única chave em mais de 200 modelos com 0% de markup sobre o preço de tabela do provedor, então um corte de preço de qualquer fornecedor entra em vigor no mesmo dia, em vez de esperar por uma emenda contratual — e uma regra de roteamento pode manter os turnos baratos baratos, escalando apenas os difíceis. O failover automático cobre o caso que de fato quebra agentes de voz em produção: o provedor do modelo falha no meio da chamada e o interlocutor ouve silêncio.

No caminho do Phonic 1, a aritmética se reduz a uma única linha. Dez minutos custam US$ 0,70 com a tarifa inicial de US$ 0,07, ou US$ 0,65 com a tarifa Pro, que exige um mínimo mensal de US$ 200. Esse é o custo total da camada de modelo — sem tokens separados, sem cobrança separada de raciocínio — e é o argumento mais forte na coluna da Phonic, porque uma tarifa fixa por minuto é um número que uma equipe financeira consegue prever sem um modelo de uso.

Leia esses dois totais com atenção antes de declarar um vencedor. O piso do caminho montado é mais baixo — um modelo intermediário barato mais a renderização do Sonic pode superar US$ 0,07 por minuto com folga — e seu teto é muito mais alto, porque um modelo de ponta em cada turno ultrapassa isso com folga. A tarifa fixa do Phonic 1 é uma aposta de que a economia do fornecedor se mantém conforme seu mix de chamadas fáceis e difíceis muda. Isso é uma coisa genuinamente útil de comprar, e também é uma coisa que você está comprando na confiança.

Onde o Cartesia Sonic 3.6 vence sem discussão

Se a pergunta é qual destes soa melhor, a Cartesia não chega nem perto, e nenhuma quantidade de pontuação em benchmarks agênticos muda isso. O Sonic 3.6 assumiu o topo das duas arenas de fala da Artificial Analysis no lançamento — um Provider Voice Elo em torno de 1.282–1.283 e uma pontuação Controlled Voice perto de 1.123 — que são medições de preferência sobre áudio renderizado, exatamente para o que serve um motor TTS.

A superfície de controle também é mais profunda. Clonagem de voz a partir de dez segundos, 44 idiomas em 61 localidades com seleção no nível da localidade, cinco níveis de plano publicados, de um sandbox gratuito com 20 mil créditos a um plano Scale de US$ 299 com quinze solicitações simultâneas, e vozes clonadas cobradas a 1,5x. Se seu produto for narração, dublagem, mensagens de IVR ou um assistente cujas respostas são roteirizadas e cuja voz é a marca, o Sonic 3.6 é uma ferramenta melhor que o Phonic 1, e a comparação deve parar por aí.

Há também um formato de custo que vale a pena nomear: o modelo de créditos da Cartesia significa que você paga pelos caracteres que renderiza, então uma chamada em que o agente diz quatro palavras custa quatro palavras. Um modelo por minuto cobra o minuto inteiro independentemente. Em interações curtas e de alto volume — confirmações de agendamento, notificações de entrega, uma verificação de dois turnos — o modelo por caracteres é estruturalmente mais barato.

Onde o Phonic 1 vence sem discussão

Chamadas de ferramentas que começam antes que o interlocutor pare de falar são a única capacidade, neste confronto, que o Cartesia Sonic 3.6 simplesmente não tem, porque chamada de ferramentas não é uma propriedade que um renderizador possa possuir. Em um fluxo de agendamento em que o interlocutor diz "Preciso de quinta-feira, não, espera, sexta à tarde", o caminho montado precisa esperar pela detecção de fim de turno, executar o reconhecimento, executar o modelo, executar a ferramenta e então renderizar — quatro transferências seriais contra a única que a Phonic alega ter. A própria comparação de demonstração da Phonic, uma resposta 1,1 segundo após o interlocutor parar, contra 15,7 segundos para o GPT-Live da OpenAI, é uma demonstração do fornecedor e deve ser lida como tal. Mas o ponto estrutural sobrevive à ressalva: menos transferências são menos lugares para perder um segundo.

• Idiomas — o Phonic 1 oferece suporte a mais de 50 idiomas, com troca no meio da conversa que mantém a mesma voz; o Cartesia Sonic 3.6 abrange 44 idiomas em 61 localidades, apenas para renderização.

• Cobrança — O Phonic 1 tem um preço único por minuto de conversa, sem repasse de LLM; o Cartesia Sonic 3.6 cobra por caractere/crédito, e o restante do stack é cobrado separadamente.

Capacidade agêntica — o Phonic 1 obtém 79,9% no componente agêntico do índice de fala para fala da Artificial Analysis, a maior pontuação já registrada ali; o Sonic 3.6 não tem pontuação agêntica porque não tem agente.

• Qualidade de voz — Cartesia Sonic 3.6 lidera ambas as arenas de fala do Artificial Analysis em áudio renderizado; a pontuação de preferência na arena do Phonic 1 é 1.012, oitavo entre trinta.

• Implantação — O Phonic 1 oferece nuvem, single-tenant, VPC peering e auto-hospedagem, com disponibilidade declarada de SOC 2 Type II e BAA HIPAA; o Sonic 3.6 é uma API hospedada.

A comparação que a Cartesia realmente gostaria que você executasse

A resposta real da Cartesia ao Phonic 1 é o Cartesia Line, seu produto de agente de voz, que a empresa precifica em cerca de US$ 0,06 por minuto e que aparece no Artificial Analysis como um pipeline de provedor, e não como um modelo pontuado — a linha por trás dele reúne Ink, Gemini 2.5 Flash e Sonic. Isso revela duas coisas ao mesmo tempo. A tarifa anunciada é um centavo mais barata que o Phonic 1, e a tarifa está incompleta exatamente do modo como o marketing do Phonic acusa os stacks montados de serem incompletos: a perna do Gemini 2.5 Flash cobra seus próprios tokens adicionalmente.

Então a comparação honesta e direta não é $0,07 contra $0,06. É um valor fixo e tudo incluído de $0,07 contra uma taxa de plataforma de $0,06 mais uma fatura de modelo que você controla. Para uma equipe que já roteia seus próprios modelos e quer continuar fazendo isso, essa estrutura é uma vantagem. Para uma equipe que quer um número, não uma planilha, é o motivo pelo qual o Phonic 1 existe.

Quem deve agir, e quem deve esperar

Compre o Cartesia Sonic 3.6 se a voz é o produto. Narração, assistentes de marca, dublagem, qualquer coisa em que um humano vai julgar o áudio e ninguém vai julgar as chamadas de ferramentas. A liderança na arena é real, a clonagem é rápida, e a escada de planos significa que você pode começar de graça.

Compre o Phonic 1 se a chamada tiver que fazer algo — reservar, verificar, reembolsar, escalar — e se um orçamento de engenharia de cinco dígitos para código de integração for pior do que uma tarifa fixa por minuto. Também é, no momento em que escrevo, com cerca de uma semana de existência em uma API pública com apenas um conselho independente por trás e sem dados de confiabilidade de longo prazo; a forma sensata de adotá-lo é ao lado do seu caminho atual, não em vez dele.

E se você está montando em vez de alugar, a decisão que realmente mexe na sua conta não é Sonic versus Phonic. É qual modelo responde aos turnos fáceis. Esse trecho é o que roda no OrcaRouter hoje — uma chave, mais de 200 modelos, preço de tabela repassado, failover quando um provedor cai — enquanto nem Phonic 1 nem Cartesia Sonic 3.6 estão no nosso catálogo, e cada um precisa ser contratado com seu próprio fornecedor.

A compra que parece uma comparação de preços é, na verdade, uma questão sobre quanto da vez você quer possuir. O Sonic 3.6 permite que você possua tudo e oferece o componente com o melhor som para servir de base. O Phonic 1 tira isso das suas mãos e cobra um valor fixo pelo privilégio. Nenhuma das duas está errada. Elas só estão erradas quando são compradas pelo motivo da outra.