Phonic 1 против Cartesia Sonic 3.6: минута за $0.07 и счёт за 49 млн символов — это не одна и та же покупка

Поставьте Phonic 1 и Cartesia Sonic 3.6 на одну страницу — и тут же возникает соблазн выровнять колонки с ценами и на этом закончить. Два числа от поставщиков делают это простым: Phonic берёт $0,07 за минуту разговора, а у Cartesia это нормализуется примерно в $49 за миллион символов. Оба звучат как ошибка округления по сравнению с тем, что вы платили в 2025 году. Но они тарифицируют разные вещи. Cartesia Sonic 3.6 — это потоковый движок преобразования текста в речь: вы даёте ему слова, он возвращает вам голос, а всё, что предшествует этим словам, — ваша проблема. Phonic 1 — это модель преобразования речи в речь, которая слышит звонящего, решает, что делать, вызывает инструменты посреди предложения и отвечает вслух — и всё это в пределах той самой минуты. Один — компонент в вашем счёте. Другой — весь счёт. Сравнивать их только по цене — всё равно что сравнивать стоимость поездки на такси со стоимостью автомобиля.

Это не делает сравнение бесполезным. Оно делает его более узким и честным, чем следует из результата поиска: эти двое конкурируют за одну и ту же статью в бюджете голосового агента, и команде, создающей телефонного агента, приходится решать, является ли голосовой слой услугой, которую она арендует целиком, или стеком, который она собирает из частей. Cartesia продаст вам любой из вариантов — Sonic 3.6 для половины, отвечающей за рендеринг, Cartesia Line для собранной половины — и именно этот второй продукт, а не модель TTS, на самом деле противостоит Phonic 1.

Что каждый из них на самом деле из себя представляет

Cartesia Sonic 3.6 вышел в конце августа 2026 года, примерно через три месяца после Sonic 3.5, и это самый качественный рендерер компании: 44 языка в 61 локали, клонирование голоса примерно по десяти секундам аудио, оплата по кредитам, где один кредит примерно соответствует одному символу. У него нет слоя рассуждений, слоя инструментов и самого понятия разговора. Вы передаёте ему текст и идентификатор голоса, получаете аудио обратно в виде потока, а логика очередности реплик — когда слушать, когда перебивать, что делать, когда звонящий говорит «вообще-то нет» — принадлежит коду, который пишете вы.

Запуск Phonic 1 состоялся в конце октября 2026 года одновременно с раундом Series A на $27,5 млн, который возглавила First Round; позиционирование продукта имеет противоположную форму: единая модель, которая берёт на себя весь ход диалога. В собственном списке функций вендора утверждается, что модель слышит тон и неуверенность, вызовы инструментов срабатывают, пока звонящий ещё говорит, а иногда модель может решить вообще не отвечать — поведение, которого не добиться от TTS-эндпоинта, поскольку у TTS-эндпоинта нет мнения о том, уместно ли говорить. Тарификация — одна цена за минуту разговора; при этом прямо указано, что отдельного перекладывания затрат на LLM и платы за токены нет.

Одна честная оговорка, прежде чем мы пойдём дальше. В публикациях о запуске Phonic его описывали как end-to-end-решение, без привлечения отдельных поставщиков распознавания речи, LLM и синтеза речи. На собственном сайте поставщика описаны supervisor-модели для рассуждений и вызова инструментов, а его конфигурация для бенчмарка обозначена как Phonic 1 (High), что подразумевает выбираемый уровень интеллекта. И то и другое может быть правдой — один поставщик может отвечать за весь ход диалога, при этом всё равно используя внутренний слой рассуждений — но «end-to-end» — это маркетинговое сокращение для «одного контракта», а не доказательство того, что одна сеть делает всё за один прямой проход. Если ваш обзор архитектуры зависит от этого различия, спросите поставщика напрямую; публичные материалы этого не проясняют.

Эти двое часов измеряют разные вещи

Задержка — это то, в чём данное сравнение чаще всего вводит в заблуждение, потому что оба поставщика указывают небольшую цифру в миллисекундах, и ни одна из этих цифр не та, которую ощущает ваш звонящий.

• Phonic 1 — 0,61 с среднего времени до первого аудио по измерению Artificial Analysis, самый быстрый показатель среди пяти лучших протестированных моделей «речь-в-речь»; производитель заявляет менее 600 мс от входа речи до выхода речи.

• Cartesia Sonic 3.6 — менее 90 мс до первого аудиосигнала, по данным производителя и явно без учёта сети; сторонний бенчмарк показал 120 мс p50 при прямом подключении к вендору из восточной части США, а тест реального звонка из Сиднея — 448 мс медианной и 604 мс p90 сквозной задержки.

• Что означает этот разрыв — 0,61 с у Phonic начинаются с момента поступления аудио и включают решение о том, что сказать. 90 мс у Cartesia начинаются, когда текст уже существует, и охватывают только превращение его в звук. Добавьте собственное распознавание речи и собственную задержку модели перед Sonic — и эти два показателя сблизятся; именно из-за недостающей арифметики сырые цифры выглядят как семикратное преимущество, хотя таковым не являются.

Artificial Analysis также сообщает, что у Phonic 1 этот показатель составляет 0,61 с против 1,34 с у GPT-Live-1 и 1,35 с у Gemini 3.8 Live Extended Thinking — и именно для такого сравнения эта цифра действительно хороша: модель против модели, один и тот же инструмент. Sonic 3.6 в этой таблице вообще не фигурирует, поскольку это не разговорная модель.

Счёт, составленный на основе той же работы

Возьмите десятиминутный входящий звонок в поддержку. На собранном пути с Cartesia Sonic 3.6 вы платите как минимум за три вещи: распознавание аудио звонящего, модель для выбора ответа и рендеринг этого ответа. Доля Sonic — самая маленькая и наиболее предсказуемая из трёх — примерно от $0.28 до $0.49 за минуту сгенерированного аудио в зависимости от тарифа, и на практике заметно меньше, потому что агент не говорит все десять минут. Непредсказуемая доля — это модель в середине, и именно она меняется на порядок в зависимости от того, направляете ли вы маленькую модель на простые 80% реплик или отправляете всё на фронтирную модель.

Именно на этом среднем звене маршрутизация оправдывает своё место, а не остаётся прикрученной надстройкой. В OrcaRouter модель рассуждений, стоящая за вашим агентом, работает по одному ключу с 200+ моделями с наценкой 0% к прайс-листу провайдера, поэтому снижение цены у любого поставщика вступает в силу в тот же день, а не ждёт поправки к договору — и правило маршрутизации может сохранять дешёвые ходы дешёвыми, эскалируя только сложные. Автоматическое переключение при сбое закрывает случай, который реально ломает голосовых агентов в продакшене: провайдер модели даёт сбой посреди звонка, и звонящий слышит тишину.

На пути Phonic 1 арифметика сводится к одной строке. Десять минут — это $0.70 по стартовой ставке $0.07 или $0.65 по ставке Pro, которая предполагает минимальный месячный платёж $200. Это вся стоимость слоя модели — никаких отдельных токенов, никакого отдельного счёта за рассуждения — и это самый сильный аргумент в пользу Phonic, потому что фиксированная ставка за минуту — это число, которое финансовая команда может прогнозировать без модели использования.

Внимательно посмотрите на эти два итога, прежде чем объявлять победителя. Нижняя граница у собранного пути ниже — дешёвая средняя модель плюс рендеринг Sonic легко укладываются в $0,07 за минуту — а верхняя граница гораздо выше, потому что фронтирная модель на каждом шаге выходит далеко за неё. Фиксированный тариф Phonic 1 — это ставка на то, что экономика поставщика выдержит, как бы ни менялось ваше соотношение простых и сложных обращений. Это по-настоящему полезная вещь для покупки, но вместе с тем вы покупаете её на доверии.

Где Cartesia Sonic 3.6 выигрывает безоговорочно

Если вопрос в том, «что из этого звучит лучше», то Cartesia здесь даже близко не стоит, и никакие оценки в агентных бенчмарках этого не изменят. Sonic 3.6 при выходе занял первое место в обеих речевых аренах Artificial Analysis — Provider Voice Elo около 1 282–1 283 и оценка Controlled Voice около 1 123, — а это измерения предпочтений на отрендеренном аудио, ровно то, для чего и нужен TTS-движок.

Панель управления также стала глубже. Клонирование голоса по десятисекундному образцу, 44 языка в 61 локали с выбором на уровне локали, пять опубликованных тарифных планов — от бесплатной песочницы с 20 000 кредитов до плана Scale за $299 с пятнадцатью одновременными запросами, а клонированные голоса тарифицируются по коэффициенту 1.5x. Если ваш продукт — это озвучивание, дубляж, IVR-подсказки или ассистент, ответы которого написаны по сценарию и голос которого является брендом, то Sonic 3.6 — более подходящий инструмент, чем Phonic 1, и на этом сравнение стоит закончить.

Есть ещё один аспект структуры затрат, который стоит назвать: кредитная модель Cartesia означает, что вы платите за символы, которые озвучиваете, поэтому вызов, в котором агент произносит четыре слова, стоит как четыре слова. Модель с оплатой за минуту начисляет плату за всю минуту независимо от фактического объёма речи. В коротких взаимодействиях с высокой нагрузкой — подтверждениях записи на приём, уведомлениях о доставке, двухходовой проверке — символьная модель структурно дешевле.

Где Phonic 1 побеждает безоговорочно

Вызовы инструментов, которые начинаются до того, как звонящий закончит говорить, — это единственная возможность в этом сравнении, которой у Cartesia Sonic 3.6 просто нет, потому что вызов инструментов не является свойством, которым может обладать рендерер. В сценарии бронирования, где звонящий говорит «Мне нужно на четверг, нет, погодите, на пятницу после обеда», собранный путь должен дождаться определения конца реплики, выполнить распознавание, запустить модель, запустить инструмент, а затем отрендерить — четыре последовательные передачи против одной, заявленной Phonic. Собственное сравнение Phonic в демо — ответ через 1,1 секунды после того, как звонящий замолчал, против 15,7 секунды у GPT-Live от OpenAI — это демонстрация поставщика, и её следует воспринимать именно так. Но структурный аргумент сохраняется, несмотря на эту оговорку: меньше передач — меньше мест, где можно потерять секунду.

• Языки — Phonic 1 поддерживает более 50 языков с переключением в ходе разговора, сохраняющим тот же голос; Cartesia Sonic 3.6 охватывает 44 языка в 61 локали только для рендеринга.

• Тарификация — Phonic 1 — единая цена за минуту разговора без перевыставления затрат на LLM; Cartesia Sonic 3.6 тарифицируется за символ/кредит, а остальные компоненты стека тарифицируются отдельно.

• Агентные возможности — Phonic 1 набирает 79,9% по агентному компоненту индекса преобразования речи в речь от Artificial Analysis — это самый высокий показатель, зафиксированный там; у Sonic 3.6 нет агентной оценки, поскольку у него нет агента.

• Качество голоса — Cartesia Sonic 3.6 лидирует в обеих речевых аренах Artificial Analysis по качеству синтезированного аудио; оценка предпочтения Phonic 1 в арене составляет 1 012, восьмое место из тридцати.

• Развёртывание — Phonic 1 предлагает облако, single-tenant, VPC peering и self-host; заявлена доступность SOC 2 Type II и HIPAA BAA; Sonic 3.6 — хостинговый API.

Сравнение, которое Cartesia на самом деле хотела бы, чтобы вы провели.

Настоящий ответ Cartesia на Phonic 1 — это Cartesia Line, её продукт для голосовых агентов, который компания оценивает примерно в 0,06 доллара за минуту и который фигурирует на Artificial Analysis как конвейер провайдера, а не как модель с оценкой; линейка, стоящая за ним, объединяет Ink, Gemini 2.5 Flash и Sonic. Это сразу говорит о двух вещах. Заявленная ставка на один цент ниже, чем у Phonic 1, и эта ставка неполна именно так, как маркетинг Phonic обвиняет собранные стеки в неполноте: компонент Gemini 2.5 Flash сверх этого тарифицирует собственные токены.

Итак, честное сравнение — это не $0,07 против $0,06. Это фиксированные $0,07 «всё включено» против платы за платформу $0,06 плюс счёт за модели, который вы контролируете. Для команды, которая уже маршрутизирует собственные модели и хочет продолжать это делать, такая структура — преимущество. Для команды, которой нужно число, а не электронная таблица, именно поэтому существует Phonic 1.

Кто должен действовать, а кто должен ждать

Купите Cartesia Sonic 3.6, если голос — это сам продукт. Озвучивание, фирменные ассистенты, дубляж — всё, где человек будет оценивать аудио, а не вызовы инструментов. Лидерство на арене реально, клонирование быстрое, а линейка тарифов позволяет начать бесплатно.

Покупайте Phonic 1, если звонок должен сделать что-то — забронировать, подтвердить, вернуть деньги, эскалировать — и если пятизначный бюджет на разработку связующего кода хуже, чем фиксированная поминутная ставка. Кроме того, на момент написания ему примерно неделя в публичном API, за ним стоит одна независимая комиссия и нет данных о долгосрочной надёжности; разумный способ внедрить его — рядом с вашим текущим путём, а не вместо него.

И если вы собираете систему сами, а не арендуете её, решение, которое действительно влияет на ваш счёт, — это не Sonic против Phonic. Это то, какая модель отвечает на простые реплики. Именно это звено сегодня работает на OrcaRouter — один ключ, 200+ моделей, цена по прайс-листу передаётся напрямую, переключение при отказе провайдера — при этом ни Phonic 1, ни Cartesia Sonic 3.6 нет в нашем каталоге, и каждый из них нужно подключать у его собственного поставщика.

Покупка, которая выглядит как сравнение цен, на самом деле — вопрос о том, какую часть работы вы хотите взять на себя. Sonic 3.6 позволяет взять на себя всю работу и даёт лучший по звучанию компонент, на котором можно строить. Phonic 1 снимает её с ваших плеч и берёт за эту привилегию фиксированную плату. Ни один из вариантов не ошибочен. Они ошибочны только тогда, когда их покупают по причине, предназначенной для другого.