Phonic 1 vs Qwen Audio 3.1: 82,0% e 79,9% não são o mesmo número

A comparação que todos farão entre Phonic 1 e Qwen Audio 3.1 Realtime é uma tabela de duas linhas: o Qwen marca 82,0% no τ-Voice, o Phonic marca 79,9%, portanto o modelo mais barato vence. É uma história limpa e está errada, porque esses dois números vêm de instrumentos diferentes. Os 82,0% do Qwen vêm do artigo do próprio fornecedor, medidos em uma variante adaptada e half-duplex de conversão de fala em texto do benchmark. Os 79,9% do Phonic são o componente agêntico do índice de fala para fala da Artificial Analysis, medidos no teste de verdade. Subtrair um do outro é o mesmo erro que comparar a nota de uma prova de treino com a de um exame.

O que torna o erro digno de ser escrito é que ele é a única comparação disponível. O Qwen Audio 3.1 Realtime não aparece de forma alguma no ranking de fala para fala da Artificial Analysis — o ranking lista o Qwen Audio 3.0 Realtime Plus com 69,5 e o Qwen Audio 3.0 Realtime Flash com 67,7, e nada mais recente. Portanto, o mais novo desafiante barato desta categoria publicou seus próprios números, em suas próprias unidades, e nenhum órgão independente o avaliou. Essa lacuna é a história, e o artigo honesto trata sobretudo daquilo que ainda não pode ser dito.

O que é realmente o Qwen Audio 3.1

O Qwen-Audio-3.1 da Alibaba chegou no final de setembro de 2026 como uma pilha de cinco modelos, e não como um único lançamento: ASR, ASR-Next, TTS, TTS-Next e Realtime. O modelo que concorre com o Phonic 1 é o Qwen Audio 3.1 Realtime, e especificamente o nível Realtime-Plus, disponível apenas via QwenCloud por WebSocket — sem pesos abertos, ao contrário dos membros TTS e ASR da família, e sem caminho para auto-hospedagem no material público.

• Contexto — 262K no total, 245K de entrada máxima e 16K de saída máxima, em comparação com o contexto não publicado do Phonic 1.

• Limites de throughput — 60 solicitações e 100 mil tokens por minuto por padrão no QwenCloud; a Phonic não publica nenhum limite de sessão equivalente.

• Recursos — chamada de funções, pesquisa na web, saídas estruturadas, cache de contexto, ajuste fino e clonagem de voz estão todos listados para o Qwen Audio 3.1 Realtime; o Phonic lista ferramentas síncronas inline, mais de 50 idiomas e troca de idioma no meio da conversa.

• Disponibilidade — O Qwen Audio 3.1 Realtime é somente via API; o Phonic 1 oferece nuvem, single-tenant, peering de VPC e auto-hospedagem.

Essas duas linhas são as que importam para compras. A família do Qwen normalmente disponibiliza os pesos; este membro não o faz, o que elimina o principal motivo pelo qual uma equipe escolhe o Qwen em vez de um fornecedor hospedado. A opção de auto-hospedagem da Phonic é a imagem espelhada — é a única maneira de qualquer um desses dois modelos rodar em qualquer lugar que não seja a nuvem de outra pessoa.

O benchmark que não é o mesmo benchmark

A cifra de 82,0% aparece no artigo do Alibaba no arXiv sobre o Qwen-Audio-3.1, apresentada como uma melhoria em relação aos 78,4% da geração anterior. O mesmo artigo deixa explícito que se trata de uma adaptação half-duplex, de fala para texto, do τ-Voice, e não da avaliação agêntica full-duplex que produz os números no ranking público. Isso não é desonesto — está divulgado —, mas significa que a cifra responde a uma pergunta mais restrita: dada uma configuração no estilo de transcrição e uma tarefa, com que frequência o modelo a conclui.

Os 79,9% da Phonic 1 respondem à questão mais ampla, e a diferença entre as duas perguntas não é pequena. Uma adaptação half-duplex remove as partes de uma chamada agêntica que são mais difíceis de acertar: barge-in, fala sobreposta, decidir quando parar de ouvir e recuperar quando o interlocutor muda de ideia no meio de uma chamada de ferramenta. Cada uma dessas é um ponto em que um modelo perde tarefas que, de outra forma, concluiria.

A direção do erro é, portanto, previsível, e é o oposto da leitura óbvia. Os 82,0% do Qwen são muito provavelmente um teto otimista para seu comportamento full-duplex, não uma vitória em condições equivalentes sobre os 79,9% da Phonic. Não se sabe se ele atinge esse patamar. A Alibaba não colocou o modelo diante do avaliador que produziu os 79,9.

O que a Qwen de fato publica, e onde seus próprios números se voltam contra ela

O lançamento da Alibaba é excepcionalmente franco sobre falhas, o que o torna mais útil do que a linha de destaque do τ-Voice. Leia a tabela inteira e o modelo parece menos um desafiante decisivo e mais um forte sistema em tempo real de segunda geração com dois pontos fracos específicos.

• Taxa de erro de palavras do FLEURS — de 9,01 para 3,98, uma melhoria genuína na precisão do reconhecimento entre idiomas.

• Média do Big Bench Audio em 14 idiomas — 81,7% a 88,1%.

• Audio MultiChallenge — 47,12 a 52,21.

• Taxa de resposta a fala de fundo no Full-Duplex-Bench v1.5 — de 73,0% para 13,0%, o que significa que o modelo tem muito menos probabilidade de responder a falas que não foram direcionadas a ele.

• Latência de parada em interrupções — 1,116 s, contra 0,383 s do GPT-Realtime-2. Este é o número a comparar com os 0,61 s da Phonic até o primeiro áudio: uma medida indica a rapidez com que um modelo começa, a outra a rapidez com que ele para, e uma parada lenta é o que quem está ligando descreve como terem falado por cima.

Taxa de retomada indesejada — 0,035 subindo para 0,130, uma regressão que o artigo relata em relação ao seu próprio predecessor; o modelo tem maior probabilidade de voltar a falar quando não deveria.

Essas duas últimas linhas são os fatos menos noticiados do lançamento do Qwen Audio 3.1. Um modelo que leva 1,116 segundos para ceder a palavra e retoma quando não é desejado parecerá, numa ligação telefônica real, pior do que os seus índices de precisão sugerem — e é exatamente nessa dimensão que o marketing do Phonic 1 se apoia, com sua alegação de que "responde antes que o interlocutor termine" e sua latência de fala para fala abaixo de 600 ms.

O único ponto de dados comparável

Como o Qwen Audio 3.1 Realtime não tem pontuação no índice, a única forma de compará-lo ao Phonic 1 no mesmo instrumento é por meio de seu antecessor. O Qwen Audio 3.0 Realtime Plus obteve 69,5 no índice de fala para fala, com 54,6% de desempenho agêntico, 99% de raciocínio de fala, 77,8% de sucesso em tarefas, 798 de Elo na arena e 1,54 s até o primeiro áudio.

• Desempenho agêntico — Phonic 1 79,9 vs. Qwen Audio 3.0 Realtime Plus 54,6. Se o 3.1 entregar a melhoria que seu próprio artigo sugere em tarefas, ele fecha parte dessa diferença de 25 pontos; ninguém mediu quanto.

• Preferência na Arena — Phonic 1 com 1.012 contra 798 do 3.0. Esta é a maior diferença na comparação e a menos provável de ter sido fechada, já que a preferência na Arena é uma medida de votos humanos que se move lentamente entre gerações.

• Tempo até o primeiro áudio — Phonic 1 0,61s vs 1,54s do 3.0. A camada em tempo real da Qwen tem sido historicamente a família mais lenta aqui, e a 3.1 não publica nenhum valor de tempo até o primeiro áudio.

• Sucesso na tarefa — Phonic 1 92,3% vs. 77,8% do 3.0.

O padrão de três gerações é consistente: os modelos em tempo real da Qwen têm sido reconhecedores fortes e agentes fracos, e a 3.1 é a geração que alega corrigir a metade relativa aos agentes. Se conseguiu, é precisamente o que a pontuação de índice ausente lhe diria.

Duas unidades de preço que não convertem

O Qwen Audio 3.1 Realtime cobra por token: US$ 0,80 por um milhão de tokens de entrada de texto, US$ 6,40 para entrada de áudio, US$ 6,40 para saída de texto e US$ 24 para saída de áudio na região de Singapura, com as tarifas de Pequim cerca de 14% mais baixas em todos os itens. O Phonic 1 cobra US$ 0,07 por minuto de conversa, valor fixo, sem cobranças por token.

Não existe conversão pública entre essas unidades. Para transformar uma tarifa por token em custo por minuto, é preciso saber a densidade de tokens de áudio — quantos tokens um minuto de fala ocupa — e a Alibaba não divulga esse dado para este modelo. Quem lhe apresentar um equivalente por minuto para o Qwen Audio 3.1 estará ou chutando a densidade ou pegando emprestado o valor de outra família de modelos, com outro codec. A direção da resposta é inequívoca: as tarifas de áudio do Qwen são baixas o suficiente para que um minuto bem tokenizado quase certamente fique abaixo de sete centavos, e seu corte de preço de ~85% na camada Realtime foi o destaque do lançamento. A magnitude é desconhecida, e o desconhecido é grande o bastante para importar em uma implantação de alto volume.

• Áudio de entrada — Qwen US$ 6,40 / 1 milhão de tokens (Cingapura) contra Phonic US$ 0,07 por minuto de conversa, sem taxa de câmbio publicada entre eles.

• Áudio de saída — Qwen $24 / 1M de tokens; o minuto fixo da Phonic cobre o áudio de saída.

• Preços regionais — a região de Pequim da Qwen é cerca de 14% mais barata que Singapura; a Phonic publica uma única tabela de preços global.

Mínimos — o nível Pro da Phonic exige um mínimo mensal de US$ 200; a QwenCloud publica limites de taxa padrão em vez de um mínimo de plataforma.

A diferença de formato é a parte que sobrevive à conversão ausente. Uma cobrança por token acompanha quanto o modelo realmente faz — transcrições longas, respostas prolixas e turnos com muito uso de ferramentas custam mais. Uma cobrança por minuto acompanha por quanto tempo a linha telefônica ficou aberta. Para um agente que passa a maior parte de uma chamada ouvindo, o modelo por token é o mais favorável; para um agente que responde longamente, não é.

Qual pergunta você está respondendo?

Se você está escolhendo um modelo para implantar na sua própria infraestrutura, esta comparação não é para você: o Qwen Audio 3.1 Realtime não tem pesos, e o Phonic 1 pode ser auto-hospedado, o que faz do Phonic a única opção aqui que sai da nuvem do fornecedor. Essa é uma resposta de uma linha e é fácil de passar despercebida no meio da conversa sobre benchmarks.

Se você está escolhendo um modelo hospedado em tempo real com base no custo, o Qwen Audio 3.1 é a aposta mais interessante — drasticamente mais barato por unidade, um salto bem documentado na precisão de reconhecimento, e um fornecedor com um ecossistema profundo de pesos abertos por trás. O risco é que sua parte de agente não é medida e seu comportamento de interrupção regrediu na própria tabela do fornecedor.

Se você estiver escolhendo com base no desempenho agêntico medido, o Phonic 1 é o único dos dois que você pode de fato classificar, porque é o único que foi classificado. Essa é uma afirmação mais fraca do que "o Phonic é melhor", e é a verdadeira.

E se você estiver executando os modelos de texto da Qwen junto com uma camada de voz, essa metade da pilha já é roteável — o Qwen3.8-Max está no OrcaRouter entre mais de 200 modelos em uma única chave, pelo preço de tabela do provedor e sem markup, então um corte de preço por parte da Alibaba entra em vigor no mesmo dia. O endpoint de áudio não está no nosso catálogo, e o Phonic 1 também não; cada um vem do seu próprio fornecedor. O que um roteador lhe proporciona em um mercado tão jovem é a capacidade de manter um caminho de voz funcional em operação enquanto um mais novo e mais barato conquista seu espaço — failover automático significa que testar o Qwen Audio 3.1 com o seu próprio tráfego custa uma regra de roteamento, não uma migração.

A conclusão honesta é que, no eixo em que ambos os fornecedores querem que esta comparação seja decidida, ela é atualmente indecidível. A Alibaba publicou um número que favorece seu modelo ao medir uma tarefa mais fácil. A Phonic publicou um número medido corretamente, mas em uma única placa, uma única configuração e uma única semana de disponibilidade. A primeira coisa a observar não é um corte de preço nem um benchmark — é o surgimento do Qwen Audio 3.1 Realtime em uma placa que avalie os dois modelos da mesma forma. Até lá, a única afirmação defensável é que o Phonic 1 é a quantidade conhecida e o Qwen Audio 3.1 é o desconhecido barato, o que é um motivo perfeitamente bom para experimentar o segundo atrás de uma regra de failover, e não na frente dos seus clientes.