Phonic 1 против Qwen Audio 3.1: 82,0% и 79,9% — не одно и то же число

Сравнение, которое все будут проводить между Phonic 1 и Qwen Audio 3.1 Realtime, — это таблица из двух строк: Qwen набирает 82,0% на τ-Voice, Phonic — 79,9%, следовательно, более дешёвая модель побеждает. Это стройная история, и она неверна, потому что эти две цифры получены разными инструментами. 82,0% Qwen взяты из собственной статьи поставщика и измерены на адаптированном полудуплексном варианте бенчмарка для распознавания речи в текст. 79,9% Phonic — это агентный компонент индекса речи-в-речь от Artificial Analysis, измеренный на реальном продукте. Вычитать одно из другого — та же ошибка, что сравнивать экзаменационный балл из тренировочного варианта с баллом с экзамена.

То, что делает эту ошибку достойной упоминания, — это единственное доступное сравнение. Qwen Audio 3.1 Realtime вообще не фигурирует в рейтинге Artificial Analysis для speech-to-speech: в нём указаны Qwen Audio 3.0 Realtime Plus с 69,5 и Qwen Audio 3.0 Realtime Flash с 67,7, и ничего новее. Так что самый новый дешёвый претендент в этой категории опубликовал собственные цифры, в собственных единицах, и ни одна независимая организация его не оценила. Этот разрыв и есть суть истории, а честная статья в основном о том, что пока нельзя утверждать.

Что на самом деле представляет собой Qwen Audio 3.1

Qwen-Audio-3.1 от Alibaba появился в конце сентября 2026 года не как отдельный релиз, а как стек из пяти моделей: ASR, ASR-Next, TTS, TTS-Next и Realtime. С Phonic 1 конкурирует Qwen Audio 3.1 Realtime, а именно уровень Realtime-Plus, который доступен только через QwenCloud по WebSocket — без открытых весов, в отличие от моделей ASR и TTS в составе семейства, и без пути для самостоятельного развертывания в публичных материалах.

• Контекст — всего 262K, максимум 245K на входе и 16K на выходе, по сравнению с неопубликованным контекстом Phonic 1.

• Ограничения пропускной способности — по умолчанию 60 запросов и 100 тыс. токенов в минуту в QwenCloud; Phonic не публикует аналогичного ограничения на сессию.

• Возможности — вызов функций, веб-поиск, структурированные выходные данные, кэширование контекста, тонкая настройка и клонирование голоса перечислены для Qwen Audio 3.1 Realtime; Phonic указывает встроенные синхронные инструменты, 50+ языков и переключение языка в середине разговора.

• Доступность — Qwen Audio 3.1 Realtime доступен только через API; Phonic 1 предлагает облако, single-tenant, VPC peering и self-host.

Эти две строки — те, что важны для закупок. Семейство Qwen обычно поставляет веса; этот представитель — нет, что устраняет главную причину, по которой команда выбирает Qwen вместо хостинг-провайдера. Вариант самостоятельного размещения у Phonic — зеркальное отражение: это единственный способ, которым любая из этих двух моделей работает где-либо, кроме чужого облака.

Бенчмарк, который не является тем же самым бенчмарком

Показатель 82,0% фигурирует в статье Alibaba на arXiv о Qwen-Audio-3.1 и представлен как улучшение по сравнению с 78,4% в предыдущем поколении. В той же статье прямо указано, что это полудуплексная адаптация τ-Voice для преобразования речи в текст, а не полнодуплексная агентная оценка, которая даёт цифры в публичной таблице лидеров. Это не нечестно — это раскрыто — но означает, что показатель отвечает на более узкий вопрос: в условиях сценария в стиле транскрипта и задачи как часто модель её выполняет.

79,9% у Phonic 1 отвечает на более широкий вопрос, и разрыв между двумя вопросами не мал. Адаптация к полудуплексу устраняет те части агентного вызова, которые труднее всего сделать правильно: перебивание, наложение речи, определение момента, когда перестать слушать, и восстановление, когда вызывающий меняет решение посреди вызова инструмента. Каждый из этих пунктов — место, где модель теряет задачи, которые иначе выполнила бы.

Направление ошибки, таким образом, предсказуемо, и оно противоположно очевидному прочтению. 82,0% у Qwen, весьма вероятно, представляют собой оптимистичный потолок для его полнодуплексного поведения, а не сопоставимую победу над 79,9% у Phonic. Преодолевает ли он эту планку, неизвестно. Alibaba не предоставила модель оценщику, который получил 79,9.

Что Qwen всё же публикует — и где его собственные цифры оборачиваются против него

Релиз Alibaba необычно откровенно рассказывает о неудачах, что делает его полезнее, чем заголовочная строка τ-Voice. Прочитайте всю таблицу — и модель выглядит уже не столь решительным конкурентом, а скорее сильной системой реального времени второго поколения с двумя конкретными слабыми местами.

• Показатель ошибок в словах FLEURS — с 9,01 до 3,98; это реальное улучшение точности распознавания для разных языков.

• Средний результат Big Bench Audio по 14 языкам — от 81,7% до 88,1%.

• Audio MultiChallenge — с 47,12 до 52,21.

• Доля ответов на фоновую речь в Full-Duplex-Bench v1.5 — снижение с 73,0% до 13,0%, что означает, что модель гораздо реже отвечает на речь, не обращённую к ней.

• Задержка остановки при перебивании — 1,116 с против 0,383 с у GPT-Realtime-2. Именно это число стоит сопоставить с 0,61 с у Phonic до первого аудио: одно измеряет, как быстро модель запускается, другое — как быстро останавливается, а медленная остановка — это то, что звонящие описывают как «когда их перебивают».

• Частота нежелательных возобновлений — 0,035 с ростом до 0,130; это регрессия, которую статья отмечает по сравнению с собственной предшествующей моделью; модель с большей вероятностью снова начинает говорить, когда не должна.

Эти две последние строки — факты, о которых меньше всего говорят в связи с запуском Qwen Audio 3.1. Модель, которой требуется 1,116 секунды, чтобы уступить, и которая возобновляет ответ, когда это нежелательно, в реальном телефонном разговоре будет восприниматься хуже, чем можно предположить по её показателям точности, — и именно на этот аспект делает упор маркетинг Phonic 1 со своим утверждением «отвечает раньше, чем звонящий договорит», и задержкой речи в речь менее 600 мс.

Единственная сопоставимая точка данных

Поскольку у Qwen Audio 3.1 Realtime нет оценки по индексу, единственный способ сопоставить его с Phonic 1 на одном инструменте — через его предшественника. Qwen Audio 3.0 Realtime Plus получил 69,5 балла по индексу преобразования речи в речь, при этом 54,6% агентной производительности, 99% речевого рассуждения, 77,8% успешности выполнения задач, 798 Elo в арене и 1,54 с до первого аудио.

• Производительность в агентных сценариях — Phonic 1 79,9 против Qwen Audio 3.0 Realtime Plus 54,6. Если 3.1 обеспечит улучшение, которое подразумевает его собственная статья применительно к задачам, это сократит часть этого разрыва в 25 пунктов; никто не измерял, насколько именно.

• Предпочтение на арене — Phonic 1: 1,012 против 798 у 3.0. Это самый большой разрыв в сравнении и тот, который наименее вероятно сократился, поскольку предпочтение на арене — это показатель, основанный на голосах людей, который медленно меняется от поколения к поколению.

• Время до первого аудио — Phonic 1: 0,61 с против 1,54 с у 3.0. В режиме реального времени Qwen исторически было более медленным семейством, а 3.1 не публикует показатель времени до первого аудио.

• Успешность выполнения задач — Phonic 1: 92,3% против 77,8% у версии 3.0.

Закономерность трёх поколений неизменна: realtime-модели Qwen были сильны в распознавании и слабы как агенты, а 3.1 — поколение, которое обещает исправить агентскую половину. Исправило ли оно её — именно это и показал бы отсутствующий балл в индексе.

Две единицы цены, которые не конвертируются

Qwen Audio 3.1 Realtime тарифицируется по токенам: 0,80 доллара за миллион токенов текстового ввода, 6,40 доллара за аудиоввод, 6,40 доллара за текстовый вывод и 24 доллара за аудиовыход в регионе Сингапур; при этом тарифы в Пекине примерно на 14% ниже по всем позициям. Phonic 1 взимает 0,07 доллара за минуту разговора по фиксированному тарифу, без оплаты токенов.

Публичного пересчёта между этими единицами нет. Чтобы превратить тариф за токены в стоимость за минуту, нужна плотность аудиотокенов — сколько токенов занимает минута речи, — а Alibaba не публикует её для этой модели. Любой, кто называет вам эквивалент в расчёте на минуту для Qwen Audio 3.1, либо угадывает плотность, либо заимствует её из другого семейства моделей с другим кодеком. Направление ответа не вызывает сомнений: аудиотарифы Qwen достаточно низкие, чтобы хорошо токенизированная минута с очень высокой вероятностью оказалась ниже семи центов, а сокращение цены примерно на 85% на тарифе Realtime стало главной новостью запуска. Масштаб неизвестен, и эта неизвестность достаточно велика, чтобы иметь значение для развёртывания с большими объёмами.

• Входное аудио — Qwen $6,40 / 1 млн токенов (Сингапур) против Phonic $0,07 за минуту разговора, при этом опубликованного обменного курса между ними нет.

• Выходное аудио — Qwen $24 / 1 млн токенов; фиксированная поминутная оплата Phonic покрывает выходное аудио.

• Региональное ценообразование — регион Qwen в Пекине примерно на 14% дешевле, чем Сингапур; Phonic публикует единую глобальную тарифную карту.

• Минимальные суммы — в тарифе Pro от Phonic действует минимальный ежемесячный платеж в размере $200; QwenCloud публикует стандартные лимиты частоты запросов, а не минимальный порог платформы.

Разница в форме — это то, что сохраняется даже при отсутствии преобразования. Счёт по токенам отражает, сколько работы модель фактически выполняет: длинные транскрипты, подробные ответы и ходы с интенсивным использованием инструментов стоят дороже. Счёт по минутам отражает, сколько времени телефонная линия была открыта. Для агента, который большую часть вызова слушает, модель по токенам удобнее; для агента, который отвечает пространно, — нет.

На какой вопрос вы отвечаете?

Если вы выбираете модель для развёртывания на собственной инфраструктуре, это сравнение не для вас: у Qwen Audio 3.1 Realtime нет весов, а Phonic 1 можно развернуть самостоятельно — благодаря этому Phonic здесь единственный вариант, который вообще позволяет уйти из облака вендора. Это ответ в одну строку, и его легко упустить за разговорами о бенчмарках.

Если вы выбираете облачную модель реального времени с оглядкой на стоимость, Qwen Audio 3.1 — более интересная ставка: значительно дешевле за единицу, хорошо документированный скачок точности распознавания и поставщик, за которым стоит глубокая экосистема открытых весов. Риск в том, что её агентная часть не измерена, а поведение при прерываниях ухудшилось в собственной таблице поставщика.

Если вы выбираете по измеренной агентной производительности, Phonic 1 — единственный из этих двух, который вы действительно можете ранжировать, потому что только он и был ранжирован. Это более слабое утверждение, чем «Phonic лучше», и именно оно верно.

И если вы используете текстовые модели Qwen вместе с голосовым слоем, эта половина стека уже маршрутизируется — Qwen3.8-Max присутствует на OrcaRouter среди более 200 моделей по одному ключу по цене из прайс-листа провайдера без наценки, поэтому снижение цены на стороне Alibaba вступает в силу в тот же день. Аудиоэндпоинта нет в нашем каталоге, как и Phonic 1; каждый из них предоставляется своим поставщиком. Что роутер даёт вам на таком молодом рынке — это возможность сохранять работающий голосовой путь, пока более новый и дешёвый вариант прокладывает себе дорогу — автоматическое переключение при сбое означает, что тестирование Qwen Audio 3.1 на вашем собственном трафике стоит вам одного правила маршрутизации, а не миграции.

Честный вывод таков: это сравнение сейчас неразрешимо по той оси, по которой оба вендора хотят его разрешить. Alibaba опубликовала число, которое льстит её модели за счёт измерения более простой задачи. Phonic опубликовала число, измеренное должным образом, но на одном стенде, в одной конфигурации и за одну неделю доступности. Первое, за чем стоит следить, — не снижение цены и не бенчмарк, а появление Qwen Audio 3.1 Realtime на стенде, который оценивает обе модели одинаковым образом. До тех пор единственное обоснованное утверждение состоит в том, что Phonic 1 — известная величина, а Qwen Audio 3.1 — дешёвая неизвестная, и это вполне веская причина попробовать вторую модель за правилом аварийного переключения, а не перед вашими клиентами.