Phonic 1 против ElevenLabs: сколько вендор готов платить вам за уход, говорит о характере борьбы

Самая информативная цифра в противостоянииPhonic 1 против ElevenLabs — это не бенчмарк. Это скидка. Стартовое предложение Phonic, о котором сообщалось в конце октября 2026 года, включает три бесплатных месяца для команд, переходящих с ElevenLabs или Bland, плюс $250 в виде кредитов для всех, кто регистрируется до 30 ноября. Никто не субсидирует миграцию с поставщика, которого рассчитывает превзойти по продукту. Субсидируют её с поставщика, чьи клиенты удерживаются чем-то иным, а не моделью.

В этом и заключается суть ElevenLabs: голосовая библиотека с более чем 17 000 голосов, более 90 языков, линейка синтеза речи, которая до сих пор остаётся эталоном для синтезированного аудио, и агентная платформа, обёрнутая вокруг всего этого. Phonic 1 — это одна модель с одним счётом. ElevenLabs — это компания, внутри которой вы построили свой продукт. Сравнение имеет смысл, только если держать в уме эти две формы, потому что на доске бенчмарков ответ однозначен, а при решении о закупке — нет.

Eleven Realtime v1 Max — это модель, и она новее, чем вы думаете.

Решение ElevenLabs для преобразования речи в речь — это Eleven Realtime v1 Max, представленный 20 октября 2026 года в рамках поэтапного выпуска вместе с более компактной версией v1 Mini. Это на десять дней раньше освещения запуска Phonic 1 — речь не о зрелом игроке рынка, которому бросает вызов новичок. Это две модели, которые почти ничего не знали друг о друге на момент выпуска.

• Eleven Realtime v1 Max — индекс преобразования речи в речь 77.3, рассуждение 99, динамика диалога 94.1, агентные возможности 47.6, предпочтение на арене 990, успешность выполнения задач 87.1%, время до первого аудио 0.57 с.

• Phonic 1 (High) — индекс речь-в-речь 87.1, рассуждение 99, динамика диалога не указана, агентность 79.9, предпочтение на арене 1,012, успешность выполнения задач 92.3%, время до первого аудио 0.61s.

• Eleven Realtime v1 Mini — индекс речь-в-речь 64,4, рассуждения 76, динамика 95,8, агентность 46,8, арена 981, успешность задач 60,3%, время до первого аудио 0,62 с.

Все приведённые выше цифры принадлежат Artificial Analysis, а не какому-либо из вендоров. Обратите внимание на то, что это сравнение говорит, а чего не говорит. Phonic опережает по составному индексу на 9,8 балла, а по агентному компоненту — на 32,3; разрыв настолько велик, что это единственный показатель в этом противостоянии, который должен повлиять на архитектуру. По предпочтениям на арене он выигрывает 22 балла в шкале, где разница в 22 пункта Elo реальна, но не является решающей. По успешности выполнения задач он опережает на 5,2 балла. По задержке он проигрывает незначительно — 0,61 с против 0,57 с, и оба показателя ниже отметки в одну секунду, важной для телефонного звонка.

Разрыв, который действительно должен повлиять на ваше решение

Агентная производительность — 79,9% против 47,6% — это число, над которым стоит задуматься. Оно показывает, способна ли модель выполнить задачу, требующую вызова инструментов и действий по результату, а не просто поддержать разговор, — и это единственное место, где меньшая, более новая лаборатория обошла компанию с 17 000 голосов и десятилетием продуктового опыта. Если задача вашего агента — что-то найти, забронировать или изменить, пока звонящий ждёт, именно этот показатель предсказывает, сохранится ли ваш уровень завершения при контакте с реальными пользователями.

Оценка ElevenLabs в 94,1 балла за динамику разговора в сравнении с неопубликованной оценкой Phonic — это честный пробел в таблице результатов Phonic, и собственная структура Artificial Analysis объясняет, почему он не проявляется в сводном индексе. Композитный показатель представляет собой взвешенное среднее четырёх компонентов — речевого рассуждения, эффективности агентных функций, предпочтений на арене и доли успешно выполненных задач, — а динамика разговора публикуется рядом с индексом, не входя в число его входных параметров. Поэтому отсутствие у Phonic показателя динамики никак не сказывается на её оценке 87,1 и говорит о том, чего индекс сообщить не может: никто ещё не измерил, насколько хорошо модель ведёт долгий, сумбурный разговор с постоянными самоперебиваниями. Пока эта графа не заполнена, утверждения о том, что Phonic звучит ещё и естественнее ElevenLabs, не подкреплены ни в пользу одной, ни в пользу другой стороны.

Чем на самом деле обходится вам переключение — в том, что не связано с моделью

Цена — тот аргумент, с которого начинает Phonic, и по заявленной ставке он прав. Стартовый тариф Phonic — $0,07 за минуту разговора без отдельной оплаты токенов. Eleven Realtime v1 Max — $0,080 за минуту подключённого аудио плюс токены модели по $1,80 за миллион входных и $9,00 за миллион выходных — а сверх вашего лимита одновременных подключений ставка подскакивает до $0,160. Поминутная плата — это видимая половина.

• Основная ставка — Phonic 1 $0,07/мин (тариф Pro $0,065 при минимальном monthly платеже $200) против Eleven Realtime v1 Max $0,080/мин.

• Что не включает тариф — Phonic 1 указывает, что плата за токены или LLM отсутствует; Eleven Realtime v1 Max начисляет стоимость токенов модели сверх поминутной платы, а также burst-трафик по двойному тарифу.

• Голосовой каталог — ElevenLabs предлагает более 17 000 голосов и более 90 языков; Phonic 1 заявляет более 50 языков с переключением в середине разговора, сохраняющим тот же голос.

• Развёртывание — Phonic 1 предлагает облако, single-tenant, VPC peering и self-host; ElevenLabs — хостинговая платформа, и в её собственных примечаниях к выпуску отмечалось, что realtime-модели на момент запуска недоступны в некоторых средах с требованиями к резидентности данных.

• Структура API — Eleven Realtime v1 Max совместим с OpenAI Realtime по WebSocket, без WebRTC на момент запуска; Phonic 1 предоставляет WebSocket-эндпоинт с PCM 24 кГц в обоих направлениях и встроенными объявлениями инструментов.

Три бесплатных месяца — это реальная цифра, но на фоне стоимости перехода она лишь погрешность округления. Идентичность голоса — это тот пункт, которого нет ни на одной странице сравнения. Если ваш производственный агент говорит клонированным брендовым голосом, этот голос живёт в библиотеке ElevenLabs на условиях ElevenLabs; Phonic предлагает клонирование, но клонированный голос не является переносимым файлом, а повторное клонирование даёт другой голос, а не тот же самый. Командам, построившим бренд вокруг конкретного тембра, следует учесть это в цене до того, как они начнут оценивать поминутную ставку.

Есть и вторая, менее очевидная проблема переносимости. Агент ElevenLabs — это стек: голос, промпт, инструменты, поток диалога. Смена модели означает пересборку потока, а определения инструментов не переносятся вместе с ним. Именно на этой связующей прослойке миграция обычно и умирает, и это также слой, который стоит держать у себя, а не арендовать у одного-единственного поставщика. Звено агента, отвечающее за рассуждения и вызовы инструментов, — это то, что сегодня работает на OrcaRouter — один ключ для доступа к 200+ моделям по цене из прайс-листа без наценки, правило маршрутизации, благодаря которому дешёвые ходы остаются дешёвыми, и автоматическое переключение при сбоях, чтобы кратковременный сбой у провайдера не превратился в мёртвую тишину на живом звонке. Ни Phonic 1, ни Eleven Realtime v1 Max нет в нашем каталоге; каждый из них по-прежнему предоставляется своим поставщиком. Разница в том, что вы сохраняете, когда уходите.

Где ElevenLabs всё ещё остаётся правильным выбором

Линейка TTS от ElevenLabs остаётся наиболее обоснованным выбором по умолчанию для всего, что не является live-агентом. Её голосовая модель Eleven v4 находится примерно на уровне 1 157 Elo на арене контролируемых голосов Artificial Analysis при цене около $80 за миллион символов, а Eleven v3 — при $100 за миллион символов; обе значительно выше нормализованной цены $49 у Cartesia Sonic 3.6, и обе оправдывают её выбор для озвучивания, аудиокниг, дубляжа и брендированных объявлений, где аудио является продуктом.

Если ваш сценарий использования — «красиво озвучить этот текст нашим фирменным голосом», то вопрос «ElevenLabs против Phonic 1» — это не конкурентное сравнение. Phonic продаёт не универсальный движок озвучивания, а разговорного агента. Покупка модели «речь-в-речь», чтобы озвучивать заранее написанный текст, — это оплата рассуждений, которые вы никогда не используете, и получение качества голоса, которое независимо не было оценено выше, чем у ElevenLabs, на арене, измеряющей именно это.

Есть также вопрос широты и зрелости. Более 90 языков против более 50, более 17 000 голосов против отобранного набора и платформа с агентским продуктом, SDK и журналом изменений, который ваша команда уже читает. Именно этого модель, выпущенная на неделе запуска, не успела накопить.

Для кого на самом деле предназначена скидка

Предложение о переходе имеет смысл лишь для одного конкретного покупателя: команды, чей агент выполняет реальную транзакционную работу, чья голосовая идентичность либо универсальна, либо принадлежит им и допускает повторное клонирование, а текущий стек целиком построен на ElevenAgents. Для такой команды пробел в агентных возможностях — это продуктовая проблема, три бесплатных месяца — реальная страховка от миграции, которая может провалиться, а фиксированная поминутная оплата избавляет от расчётной модели, которую их финансовая команда строила каждый месяц.

Всем остальным стоит подождать и посмотреть, что Phonic опубликует дальше. Этот вопрос решили бы две вещи: оценка динамики разговора в том же рейтинге, чтобы четвёртый компонент индекса перестал быть допущением, и независимое измерение заявленной вендором возможности вызывать инструменты во время речи за пределами демо. Ни того, ни другого пока нет. Модель, которой всего неделя, за которой лишь один рейтинг и которая никогда не проходила через Чёрную пятницу, — не то, на что стоит переводить поток выручки, но именно её стоит поставить в резервную схему отказоустойчивости и в течение месяца измерять на собственном трафике.

Честный итог асимметричен. Phonic 1 лучше в том, что труднее всего создать и проще всего измерить: в завершении агентной задачи. ElevenLabs лучше во всём, что это окружает и что сложнее измерить: голосовая идентичность, языковой охват и продукт, который ваша команда уже знает. Три бесплатных месяца — не вердикт ни одному из них. Это признание поставщика, что именно окружающие вещи удерживают клиентов, и ставка на то, что достаточную их часть можно воссоздать за девяносто дней.