Phonic 1 vs ElevenLabs: O que um fornecedor precisa pagar para você sair revela sobre a disputa

O número mais informativo no confronto Phonic 1 versus ElevenLabs não é uma referência de desempenho. É um desconto. A oferta de lançamento da Phonic, conforme noticiado no final de outubro de 2026, inclui três meses grátis para equipes que migrarem da ElevenLabs ou da Bland, além de US$ 250 em créditos para quem se cadastrar antes de 30 de novembro. Ninguém subsidia uma migração contra um fornecedor que se espera superar no produto. Subsidiam a migração contra um fornecedor cujos clientes estão presos por algo que não seja o modelo.

Esse algo é o cerne da ElevenLabs: uma biblioteca de vozes com mais de 17.000 vozes, mais de 90 idiomas, uma linha de conversão de texto em fala que ainda é o padrão de referência para áudio renderizado e uma plataforma de agentes que a envolve. O Phonic 1 é um modelo com uma única fatura. A ElevenLabs é uma empresa dentro da qual você construiu seu produto. A comparação só faz sentido se você mantiver essas duas formas em mente, porque em um quadro de benchmark a resposta é clara, e em uma decisão de compra não é.

Eleven Realtime v1 Max é o modelo, e é mais novo do que você imagina.

A entrada de fala para fala da ElevenLabs é o Eleven Realtime v1 Max, anunciado em 20 de outubro de 2026 em um lançamento gradual, junto com um v1 Mini menor. Isso é dez dias antes da cobertura do lançamento do Phonic 1 — não se trata de um incumbente maduro sendo desafiado por um recém-chegado. São dois modelos que mal sabiam da existência um do outro quando foram lançados.

• Eleven Realtime v1 Max — índice de fala para fala 77,3, raciocínio 99, dinâmica conversacional 94,1, agêntico 47,6, preferência na arena 990, sucesso em tarefas 87,1%, tempo até o primeiro áudio 0,57s.

• Phonic 1 (High) — índice de fala para fala 87,1, raciocínio 99, dinâmica conversacional não informada, agêntico 79,9, preferência na arena 1.012, sucesso em tarefas 92,3%, tempo até o primeiro áudio 0,61 s.

• Eleven Realtime v1 Mini — índice de fala para fala 64,4, raciocínio 76, dinâmica 95,8, agêntico 46,8, arena 981, sucesso em tarefas 60,3%, tempo até o primeiro áudio 0,62s.

Todas as figuras acima são da Artificial Analysis, não de nenhum dos dois fornecedores. Observe o que a comparação diz e não diz. A Phonic vence o índice composto por 9,8 pontos e o componente agêntico por 32,3 — uma diferença tão grande que é o único número nesta comparação que deveria mudar uma arquitetura. Ela vence a preferência da arena por 22 pontos numa escala em que uma diferença de 22 pontos de Elo é real, mas não decisiva. Vence o sucesso em tarefas por 5,2 pontos. Em latência, perde, por pouco, com 0,61s contra 0,57s, e ambos ficam abaixo da marca de um segundo que importa para uma chamada telefônica.

A lacuna que deveria realmente mover sua decisão

Desempenho agêntico, 79,9% contra 47,6%, é o número a considerar com calma. Ele mede se o modelo consegue concluir uma tarefa que exige chamar ferramentas e agir sobre o resultado, não apenas se consegue manter uma conversa — e é o único ponto em que um laboratório menor e mais novo superou uma empresa com 17.000 vozes e uma década de superfície de produto. Se o trabalho do seu agente é buscar algo, reservar algo ou alterar algo enquanto o interlocutor espera, esta é a cifra que prevê se sua taxa de conclusão sobrevive ao contato com usuários reais.

A pontuação de dinâmica conversacional de 94,1 da ElevenLabs, comparada à não reportada da Phonic, é a lacuna honesta no placar da Phonic, e a própria estrutura da Artificial Analysis explica por que ela não aparece no índice principal. O composto é uma média ponderada de quatro componentes — raciocínio de fala, desempenho agêntico, preferência na arena e taxa de sucesso em tarefas — e a dinâmica conversacional é reportada ao lado do índice sem ser uma de suas entradas. Portanto, o valor ausente de dinâmica da Phonic não lhe custa nada no 87,1 e revela algo que o índice não consegue: ninguém ainda mediu quão bem o modelo conduz uma conversa longa, desorganizada e cheia de autointerrupções. Até que essa coluna seja preenchida, afirmações de que a Phonic também soa mais natural que a ElevenLabs não têm sustentação em nenhuma das direções.

O que a troca realmente lhe custa, em coisas que não são o modelo

O preço é o argumento com que a Phonic lidera, e, na tarifa de destaque, ele está certo. O plano inicial da Phonic é de $0.07 por minuto de conversa, sem repasse de tokens. O Eleven Realtime v1 Max é de $0.080 por minuto de áudio conectado mais tokens de modelo a $1.80 por milhão de entrada e $9.00 por milhão de saída — e, acima do seu limite de simultaneidade, a tarifa dispara para $0.160. A taxa por minuto é a metade visível.

• Tarifa anunciada — Phonic 1 US$ 0,07/min (plano Pro US$ 0,065 com mínimo mensal de US$ 200) contra Eleven Realtime v1 Max US$ 0,080/min.

• O que a tarifa não inclui — A Phonic 1 declara não haver cobranças por token nem de LLM; a Eleven Realtime v1 Max cobra tokens do modelo além da tarifa por minuto, e tráfego em rajada com tarifa dobrada.

• Inventário de vozes — a ElevenLabs oferece mais de 17.000 vozes e mais de 90 idiomas; o Phonic 1 declara mais de 50 idiomas, com troca no meio da conversa que preserva a mesma voz.

• Implantação — O Phonic 1 oferece nuvem, single-tenant, peering de VPC e auto-hospedagem; o ElevenLabs é uma plataforma hospedada, e suas próprias notas de versão indicaram que os modelos em tempo real estavam indisponíveis em alguns ambientes de residência de dados no lançamento.

• Formato da API — Eleven Realtime v1 Max é compatível com OpenAI-Realtime via WebSocket, sem WebRTC no lançamento; Phonic 1 executa um endpoint WebSocket em PCM de 24 kHz em ambas as direções, com declarações de ferramentas inline.

Três meses grátis é um número real e também é um erro de arredondamento diante do custo de mudança. A identidade de voz é o item que não aparece em nenhuma página de comparação. Se o agente de produção da sua empresa fala com uma voz de marca clonada, essa voz fica na biblioteca da ElevenLabs sob os termos da ElevenLabs; a Phonic oferece clonagem, mas uma voz clonada não é um arquivo portátil, e a reclonagem produz uma voz diferente, não a mesma. Equipes que construíram uma marca em torno de um timbre específico devem incluir isso no preço antes de definir o preço da tarifa por minuto.

Há um segundo problema de portabilidade mais silencioso. Um agente ElevenLabs é uma pilha: a voz, o prompt, as ferramentas, o fluxo da conversa. Mover o modelo significa reconstruir o fluxo, e as definições das ferramentas não vêm junto. Essa cola é onde uma migração geralmente morre, e também é a camada que vale a pena ter você mesmo em vez de alugar de qualquer fornecedor individual. A parte de raciocínio e de chamada de ferramentas de um agente é o que roda no OrcaRouter hoje — uma chave para mais de 200 modelos pelo preço de tabela sem markup, uma regra de roteamento que mantém baratos os turnos baratos, e failover automático para que uma instabilidade momentânea do provedor não vire silêncio em uma chamada ao vivo. Nem o Phonic 1 nem o Eleven Realtime v1 Max está em nosso catálogo; cada um ainda vem do seu próprio fornecedor. A diferença é o que você mantém quando sai.

Onde a ElevenLabs ainda é a resposta certa

A linha de TTS da ElevenLabs continua sendo a opção padrão mais bem fundamentada para tudo que não seja um agente ao vivo. Seu modelo de voz Eleven v4 está em torno de 1.157 Elo na arena de vozes controladas da Artificial Analysis, a cerca de US$ 80 por milhão de caracteres, e o Eleven v3 a US$ 100 por milhão de caracteres — ambos bem acima dos US$ 49 normalizados do Cartesia Sonic 3.6, e ambos justificam a escolha para narração, audiolivros, dublagem e anúncios de marca em que o áudio é o produto.

Se o seu caso de uso é “ler este texto lindamente com a voz da nossa marca”, a questão ElevenLabs versus Phonic 1 não é competitiva. A Phonic não vende um mecanismo genérico de narração; vende um agente conversacional. Comprar um modelo de fala para fala para renderizar textos roteirizados é pagar por raciocínio que você nunca usará e obter uma qualidade de voz que não foi avaliada de forma independente como superior à da ElevenLabs na arena que mede exatamente isso.

Também existe a questão da amplitude e da maturidade. Mais de 90 idiomas contra mais de 50, mais de 17 mil vozes contra um conjunto curado, e uma plataforma com um produto de agente, um SDK e um changelog que sua equipe já lê. Essas são coisas que um modelo recém-lançado não teve tempo de acumular.

Para quem o desconto é realmente destinado

A oferta de troca faz sentido para um comprador específico: uma equipe cujo agente faz trabalho transacional de verdade, cuja identidade de voz é genérica ou é deles para clonar novamente, e cuja pilha atual é ElevenAgents de ponta a ponta. Para essa equipe, a lacuna agêntica é um problema de produto, três meses grátis são uma proteção real contra uma migração que pode falhar, e a cobrança fixa por minuto elimina um exercício de modelagem que a equipe financeira deles vem fazendo mensalmente.

Todos os outros deveriam esperar e observar o que a Phonic publicará em seguida. Duas coisas resolveriam isso: uma pontuação de dinâmica conversacional no mesmo ranking, para que o quarto componente do índice deixe de ser uma suposição, e uma medição independente da alegação do fornecedor de chamada de ferramentas enquanto fala fora de uma demonstração. Nenhuma das duas existe ainda. Um modelo que tem uma semana, tem um único ranking por trás de si e nunca passou por uma Black Friday não é algo para migrar uma linha de receita para — mas é exatamente o tipo de coisa para colocar atrás de um caminho de failover e medir em relação ao seu próprio tráfego por um mês.

O resumo honesto é assimétrico. O Phonic 1 é melhor naquilo que é mais difícil de construir e mais fácil de medir: concluir uma tarefa agêntica. A ElevenLabs é melhor em tudo o que o rodeia e que é mais difícil de medir: identidade de voz, cobertura de idiomas e um produto que a sua equipa já conhece. Os três meses grátis não são um veredito sobre nenhum dos dois. É a admissão de um fornecedor de que são as coisas à volta que mantêm os clientes, e uma aposta de que é possível reconstruir o suficiente delas em noventa dias.