Phonic 1 дебютирует на первом месте в Speech Index. Разрыв в 0,2 пункта скрывает реальное преимущество.

Phonic 1теперь занимает первое место среди моделей преобразования речи в речь в индексе Speech to Speech от Artificial Analysis с результатом 87,1, в гонке с перевесом в одну десятую балла, которую она выиграла, немного опередив xAI — Grok Voice 3.0 с 86,9. Разрыв в 0,2 балла обычно считался бы шумом, и в этом индексе это почти так и есть: две модели не побеждают в одних и тех же испытаниях, поэтому совокупная ничья скрывает под собой гораздо более значительный разрыв. В бенчмарке агентных задач, который дает четверть этой оценки, Phonic 1 показывает 79,9% против 74,5% у лучшей конфигурации OpenAI.

Phonic — компания-спин-офф примерно из десяти исследователей из MIT и Стэнфорда — представила модель 29 октября 2026 года вместе с раундом Series A на $27,5 млн, который возглавила First Round, что довело её общее финансирование до $31,5 млн. Компания пишет название модели Phonic-1 в собственном посте о запуске и документации; Artificial Analysis указывает её как Phonic 1 (High), где текст в скобках — это настройка API, а не название продукта. Оба варианта написания относятся к одному и тому же эндпоинту и одной и той же каталожной цене $0,07 за минуту.

Что такое Phonic-1, по формулировке самого поставщика

Это сквозная речевая модель, а не каскад «транскрибируй — думай — говори». На входе аудио, на выходе аудио, и аргумент Phonic в пользу такой архитектуры состоит в том, что транскрипт — это копия разговора с потерями: тон, заминки и перекрытия речи отбрасываются ещё до того, как их увидит языковая модель. Этот аргумент с 2024 года приводят все поставщики решений speech-to-speech; на самом деле Phonic продаёт лишь трюк с планированием поверх него.

Этот трюк — вызов инструментов во время реплики звонящего. Вместо того чтобы ждать, пока звонящий замолчит, прежде чем начать поиск, модель запускает вызовы инструментов, пока речь ещё поступает, так что результаты готовы к моменту, когда звонящий уступает слово. В демонстрации, опубликованной Phonic, модель вызвала все пять инструментов посреди предложения и ответила через 1,1 секунды после того, как звонящий замолчал; она ставит OpenAI GPT-Live-1 на 15,7 секунды на том же сценарии. Это сравнение — демонстрация поставщика на выбранной поставщиком задаче, а не измеренный бенчмарк, и его стоит читать как иллюстрацию дизайна, а не как результат прямого сравнения.

Опубликованная поверхность API конкретнее, чем в большинстве анонсов запуска:

• Идентификаторы моделей — phonic-1, при этом phonic-0.5 по-прежнему принимается как предыдущее поколение. Если пропустить поле, используется текущее значение по умолчанию.

• Intelligence — перечисление intelligence_level: по умолчанию standard, high — когда нужна более мощная модель для сложных рассуждений. В документации standard описывается как настройка, оптимизированная для меньшей задержки, а значит, конфигурация, на которой пока что оценивались все бенчмарки, — не та, которую по умолчанию получает развёртывание, чувствительное к задержке.

• Языки — 51, перечислены с ISO-кодами вплоть до филиппинского (fil) и кантонского (yue), с переключением посреди разговора, при котором сохраняется та же идентичность говорящего.

• Задержка — Phonic утверждает, что от входной речи до выходной — менее 600 мс. Artificial Analysis на собственном стенде измерила 0,61 с до первого аудиосигнала, что согласуется с этим утверждением, хотя это не одно и то же измерение.

• Развертывание — облачный API, SDK для TypeScript и Python, CLI и конструктор агентов без кода, а также варианты самостоятельного размещения и VPC в тарифе Enterprise, с SOC 2 Type II, HIPAA BAA, нулевым хранением данных и SLA доступности 99,9% на странице.

Индекс, строка за строкой

Индекс Speech to Speech — это сводный показатель из четырёх результатов с равным весом: Big Bench Audio для речевых рассуждений, τ-Voice для агентного поведения при обслуживании клиентов, арена человеческих предпочтений и доля успешно выполненных задач. Модели нужны все четыре, чтобы вообще получить оценку, поэтому StepAudio 3 Realtime появляется в таблице рассуждений без сводного числа — столбцы агентного поведения, арены и успешности выполнения задач у него пусты.

Четыре компонента Phonic 1, по данным Artificial Analysis:

• Индекс Speech to Speech — 87,1, первое место, впереди Grok Voice 3.0 с 86,9, GPT-Live-1 (Astra, medium) с 83,2, Grok Voice 2.0 с 81,3 и GPT-Live-1 (Sol, low) с 80,1.

• τ-Voice — 79,9%, первое место, на 5,4 пункта опережает GPT-Live-1 (Astra, medium) с 74,5%.

• Big Bench Audio — 98,9%, третье место, после StepAudio 3 Realtime с 99,7% и Qwen Audio 3.0 Realtime Plus с 99,2%.

• Speech Agent Arena — восьмое место из 30 по предпочтениям при Elo 1012, четвёртое по успешности выполнения задач при 92.3%.

Прочитайте эти четыре строки по порядку — и совокупный результат перестанет выглядеть как ничья. Phonic 1 безоговорочно побеждает в агентном бенчмарке и занимает третье место по рассуждениям, но она восьмая по тому, какой голос люди на самом деле предпочитают, и четвёртая по чистой успешности выполнения задач — модель, которая измеримо лучше справляется с инструментами, но не является любимым собеседником публики. Это та же структурная история, которую мы обнаружили у Grok Voice 3.0 с показателем 86,9 две недели назад, только с противоположной стороны: xAI удерживала арену и проиграла агентную колонку, а Phonic удерживает агентную колонку, уступая арену.

Двое часов, два победителя

Задержка — это место, где освещение становится небрежным, потому что два солидных инструмента расходятся во мнениях о том, кто быстрее всех, и ни один из них не ошибается.

Artificial Analysis измеряет время до первого аудиосигнала — сколько проходит от конца реплики звонящего до начала звука. По этому показателю Phonic 1 — самый быстрый среди пяти лидеров индекса:

• Время до первого аудиосигнала — Phonic 1: 0,61 с; Grok Voice 3.0: 0,81 с; GPT-Live-1 (Sol, низкий): 1,24 с; GPT-Live-1 (Astra, средний): 1,34 с; Qwen Audio 3.0 Realtime Plus: 1,54 с; StepAudio 3 Realtime: 8,83 с.

Cekura — фирма по оценке голосовых агентов, которая запускает модели в реальном телефонном стенде через WebRTC и измеряет медианное время отклика по целым звонкам. По этому показателю Grok Voice 3.0 — самый быстрый в отрасли: 1,34 с, а Phonic 1 — 1,63 с, третий по скорости, на одну сотую секунды отставая от Grok Voice Think Fast 2.0 с 1,62 с, и не первый. Оба числа описывают реальное явление. Время до первого аудиосигнала — это то, как быстро модель решается заговорить; медианное время отклика — это сколько звонящий на самом деле ждёт ответа в 82 сценариях, включая сценарии с интенсивным использованием инструментов, где подход Phonic возвращает ровно те секунды, которых не может увидеть измерение времени до первого аудиосигнала.

Если вы пишете служебную записку о закупке, фразы, которой следует избегать, — «самая быстрая модель преобразования речи в речь», и точка. Защитимая формулировка — «быстрее всех выдаёт первый звук по данным Artificial Analysis; третья по медианному времени отклика в стенде Cekura для звонков в реальном времени».

Табло живых вызовов задаёт более сложный вопрос

Таблица лидеров Cekura в области speech-to-speech — это значительно более сложный тест, чем любой из четырёх компонентов индекса: 82 сценария — 59 звонков для записи в клинику и 23 звонка по первичному приёму Medicare — каждый выполняется три раза в одном и том же open-source-агенте Pipecat с одинаковыми промптом и инструментами и оценивается по методу pass-cubed, то есть сценарий засчитывается только в том случае, если все три запуска успешны и каждое поле записано корректно.

По состоянию на обновление от 22 октября 2026 года, при настройке Phonic 1 на уровень интеллекта high под идентификатором модели phonic_v1, эта плата также ставит Phonic 1 на первое место:

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

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

• Звонки, в которых агент замолчал — Phonic 1 0.0%; Grok Voice 3.0 0.0%; GPT Realtime 2.1 3.3%.

• Успешность звонков Medicare — Phonic 1 88,4%; GPT Realtime 2.1 81,2%; Grok Voice 3.0 58,0%; GPT-Live 1 с Sol 49,3%.

Выборка Medicare — самая интересная строка во всём запуске. Долгие входящие звонки с заполнением форм — именно там, где end-to-end-модели, как ожидается, проваливаются, — и Phonic 1 удерживает 88,4%, тогда как Grok Voice 3.0 падает вдвое, до 58,0%. Собственный отчёт Cekura всё ещё фиксирует режим отказа, о котором стоит знать: агент вешает трубку, никак не подтверждая слова звонящего о том, что он перезвонит позже, и иногда неправильно записывает заметку о передаче по Medicare или деталь маршрутизации. При 90,2% по метрике pass-cubed 74 из этих 82 сценариев проходят в каждом прогоне, а восемь — нет; это сильный результат для модели, вышедшей всего день назад, а не для завершённой.

Два замечания по маркировке, прежде чем кто-либо сошлётся на эти цифры. На доске Cekura указана дата последнего обновления, и она менялась между прогонами, поэтому скриншот с неё не является цитатой; цитируйте актуальное значение с указанием даты. И Cekura фиксирует стоимость $0.060 за минуту для Phonic 1 при опубликованном тарифе Starter $0.070 — это измеренное значение, полученное на одном стенде, а не из прайс-листа, и его не следует из чего-либо вычитать.

Бенчмарки производителя, вынесенные в отдельный блок.

В анонсе запуска Phonic приводятся три собственных результата, и о них стоит знать именно потому, что это не те числа, что указаны выше. На многоязычном полностью дуплексном варианте τ³-Voice от Sierra компания сообщает Phonic-1 на уровне 83.2 против GPT-Live-1 на уровне 79.9 и Gemini 3.8 Live на уровне 68.5. Обратите внимание на совпадение: 79.9 — это результат Phonic в τ-Voice от Artificial Analysis, а также результат GPT-Live-1 в прогоне τ³-Voice, проведённом самой Phonic. Те же цифры, разные строки, разные варианты бенчмарка — никогда не переносите число из одной колонки в другую.

Два других — это слепые тесты с участием людей, проводимые Podonos, сторонним сервисом тестирования слушателей. Phonic-1 предпочитали GPT-Live-1 с результатом 61,5% против 32,0%, Grok Voice 3 — 66,5% против 26,5%, а Eleven v4 Turbo — 78,0% против 14,0%. Результат, который Phonic сама выдвигает на первый план, — это тот, в котором она уступает: живых актёров озвучивания предпочитали Phonic-1 с результатом 57,0% против 32,0%. Все четыре теста были заказаны вендорами и отчёты о них подготовлены вендорами; ни один не был независимо воспроизведён.

Сколько стоит это за месяц

Ценообразование — это одна цифра за минуту, без оплаты за токены и без отдельной сквозной оплаты LLM, что необычно для категории, где «голосовая модель» часто представляет собой тонкую обёртку над тремя платными сервисами. Тарифы:

• Starter — $0.07 за минуту, без минимальной оплаты, 10 одновременных звонков, 10 агентов, 3 места в рабочем пространстве.

• Pro — $0,065 за минуту при минимальном ежемесячном платеже $200, что, согласно странице с ценами, примерно соответствует 3 100 минутам, с 50 одновременными вызовами, 50 агентами и 30 местами.

• Enterprise — индивидуальные условия, скидки за объем, развертывание в VPC или на собственной инфраструктуре, соглашения DPA, SLA и BAA по HIPAA.

Зарегистрировавшиеся до 30 ноября получат кредиты на $250. Проведите расчёт для месяца с 10 000 минут — и прайс-листы ближайших конкурентов быстро прояснятся:

• 10 000 минут — Phonic 1 Starter $700; Grok Voice 3.0 $800 по $0,08/минута; GPT-Live-1 (Sol, низкий) $750 по $0,075; GPT-Live-1 (Astra, средний) $970 по $0,097.

• Те же 10 000 минут на Pro — $650, но лишь после примерно 3 100 минут минимальная сумма в $200 перестаёт быть связывающим ограничением.

Показатель, который не вписывается в прайс-лист, — это конкурентность. Десять одновременных вызовов на Starter — это реальный потолок для чего угодно, что похоже на очередь поддержки, и именно поэтому при больших объёмах переход на Pro стоит $50 в месяц: смена тарифа даёт 50 одновременных вызовов, и это гораздо ценнее, чем экономия в полцента. Инженерный блог самой Phonic утверждает, что ограничения конкурентности — это скрытый налог в голосовом ИИ, и это честная формулировка от стороны, которая устанавливает эти ограничения.

Где это выполняется и что маршрутизация может и не может делать здесь

Phonic 1 отсутствует в каталоге OrcaRouter, и эта статья не будет утверждать обратное: сегодня до него можно добраться только через собственный API Phonic, его SDK, CLI или конструктор без кода — и больше нигде. Это также честная структурная слабость покупки сквозной голосовой модели вместо каскада — один поставщик, одна конечная точка и никакого второго провайдера, на которого можно переключиться, когда websocket обрывается посреди звонка.

Что маршрутизация действительно обеспечивает — так это альтернативный подход. Пайплайн «транскрипция — мышление — речь» — это базовая схема, на которой Cekura на собственном стенде неизменно превосходит сквозные модели, а его средний этап — обычный текстовый инференс — это ровно тот слой, где один API для 200+ моделей с 0% наценкиприменяется. Этап транскрипции и этап рассуждений могут находиться за одним ключом, а DSL маршрутизации может направлять дешёвые вызовы передачи хода и дорогие вызовы рассуждений о политике к разным моделям в рамках одного вызова, без второго контракта для каждого поставщика в стеке. Прейскурантная цена провайдера передаётся без изменений, поэтому снижение цены поставщиком доходит до этого звена в тот же день, когда оно объявлено, а не при следующем продлении контракта.

О компромиссе стоит сказать прямо, потому что приведённые выше таблицы результатов его не отражают. Сквозной подход выигрывает в передаче очереди, перебивании и вызовах инструментов в середине реплики; каскадный выигрывает за счёт возможности заменить любой отдельный компонент — и того, что базовый каскад Cekura по-прежнему превосходит все realtime-модели, которые она тестировала, по надёжности pass-cubed. Если это звучит как причина остаться на каскаде, то отчасти так и есть. Причина переходить — столбец Medicare: 88,4% против 58,0% — это тот разрыв, который решает, завершится ли вообще долгий звонок первичного приёма.

То, что ещё никто не измерил

Прежде чем кто-либо начнёт переписывать production-промпт под 87,1, стоит назвать три пробела.

• Измеренная конфигурация не является конфигурацией по умолчанию. Каждый показатель здесь — 87,1 от Artificial Analysis, 90,2% от Cekura — был получен в режиме высокого интеллекта. API по умолчанию работает в стандартном режиме, который в документации описан как режим с меньшей задержкой. Никто не публиковал показатели для стандартного режима, поэтому приведённые выше данные о задержке не описывают опыт интеграции без настройки.

• Поведение в условиях шумного канала индексом не проверяется. Cekura сообщает, что Grok Voice 3.0 проходит каждый вызов при фоновом шуме и аудиосбоях; ничего сопоставимого о Phonic 1 не говорится, а Big Bench Audio работает на чистом аудио.

• Стабильность на длинных сессиях — это демонстрация, а не измерение. 44-минутный звонок Phonic со 123 вызовами инструментов на английском и португальском — наиболее конкретное опубликованное доказательство работы на длинном горизонте, и это единственный звонок, который поставщик решил показать.

Обоснованный вывод спустя один день: Phonic 1 — сильнейшая агентная модель речи-в-речь по двум независимым инструментам, которые её оценивали; она не самая быстрая — в зависимости от того, по каким часам смотреть; а цена $0.07/минута делает агентное преимущество достаточно дешёвым, чтобы его проверить, а не спорить о нём.