Phonic 1 debuterar som nummer 1 på Speech Index. Marginalen på 0,2 punkter döljer den verkliga ledningen.

Phonic 1 är nu den högst rankade tal-till-tal-modellen på Artificial Analysis Speech to Speech Index med 87,1, ett lopp om en tiondels poäng som den vann genom att snävt slå xAI:s Grok Voice 3.0 på 86,9. En marginal på 0,2 poäng skulle normalt vara brus, och på det här indexet är det nästan precis vad det är: de två modellerna vinner inte samma grenar, så den sammansatta oavgjorda ställningen döljer en mycket större klyfta under sig. På benchmarken för agentuppgifter, som bidrar med en fjärdedel av poängen, landar Phonic 1 på 79,9 % mot 74,5 % för den bästa OpenAI-konfigurationen.

Phonic, ett avknoppningsbolag med omkring tio personer, bildat av forskare från MIT och Stanford, introducerade modellen den 29 oktober 2026 tillsammans med en Series A-runda på 27,5 miljoner dollar ledd av First Round, vilket tog bolagets totala finansiering till 31,5 miljoner dollar. Företaget stavar modellen Phonic-1 i sitt eget lanseringsinlägg och dokumentation; Artificial Analysis listar den som Phonic 1 (High), där parentesen är en API-inställning snarare än ett produktnamn. Båda stavningarna pekar på samma endpoint och samma listpris på 0,07 dollar per minut.

Vad Phonic-1 är, med leverantörens egna ord

Det är en end-to-end-talmodell, inte en kaskad av transkribera-sedan-tänka-sedan-tala. Ljud går in, ljud kommer ut, och det argument Phonic framför för arkitekturen är att en transkription är en förlustbehäftad kopia av ett samtal – ton, tvekan och överlappning kastas bort innan språkmodellen någonsin ser dem. Det argumentet har varje tal-till-tal-leverantör framfört sedan 2024; det Phonic egentligen säljer är ett schemaläggningstrick ovanpå det.

Det tricket är verktygsanrop under den inringandes tur. I stället för att vänta på att den inringande slutar innan den påbörjar en sökning, skickar modellen verktygsanrop medan talet fortfarande kommer in, så resultaten är klara när den inringande lämnar ordet. I demon som Phonic publicerade anropade modellen alla fem verktygen mitt i en mening och svarade 1,1 sekund efter att den inringande slutade; den sätter OpenAI:s GPT-Live-1 på 15,7 sekunder för samma manus. Den jämförelsen är en leverantörsdemonstration på en uppgift som leverantören valt ut, inte ett uppmätt benchmark, och den är värd att läsa som en illustration av designen snarare än som ett direkt jämförelseresultat.

Det publicerade API-gränssnittet är mer konkret än de flesta lanseringsinlägg:

• Modell-ID:n — phonic-1, där phonic-0.5 fortfarande accepteras som föregående generation. Om fältet utelämnas används den aktuella standarden.

• Intelligens – en intelligence_level-enum, standard som standard, high när du vill ha den mer kapabla modellen för komplexa resonemang. Dokumentationen beskriver standard som inställningen som är optimerad för lägre latens, vilket innebär att den konfiguration som alla benchmarktester hittills har poängsatt inte är den som en latenskänslig driftsättning får som standard.

• Språk — 51, listade med ISO-koder ända ner till filippinska (fil) och kantonesiska (yue), med växling mitt i konversationen som behåller samma talaridentitet.

Latens – Phonic uppger under 600 ms från tal in till tal ut. Artificial Analysis uppmätte 0,61 s till första ljud i sin egen mätuppsättning, vilket är förenligt med påståendet utan att vara samma mätning.

• Driftsättning – hostat API, TypeScript- och Python-SDK:er, ett CLI och en no-code-agentbyggare, plus självhostade och VPC-alternativ på företagsnivån, med SOC 2 Type II, ett HIPAA BAA, noll datalagring och ett uptime-SLA på 99,9 % på sidan.

Indexet, rad för rad

Speech to Speech Index är ett sammanvägt mått av fyra lika viktade resultat: Big Bench Audio för talresonemang, τ-Voice för agentiskt kundtjänstbeteende, en arena för mänskliga preferenser och en uppgiftsframgångsgrad. En modell måste ha alla fyra för att överhuvudtaget kunna poängsättas, vilket är varför StepAudio 3 Realtime förekommer i resonemangstabellen utan ett sammanvägt värde — dess kolumner för agentiskt beteende, arena och uppgiftsframgång är tomma.

Phonic 1:s fyra komponenter, enligt Artificial Analysis:

Tal-till-tal-index — 87,1, etta, före Grok Voice 3.0 på 86,9, GPT-Live-1 (Astra, medium) på 83,2, Grok Voice 2.0 på 81,3 och GPT-Live-1 (Sol, low) på 80,1.

• τ-Voice — 79,9 %, etta, 5,4 poäng före GPT-Live-1 (Astra, medium) på 74,5 %.

• Big Bench Audio — 98,9 %, tredje plats, efter StepAudio 3 Realtime på 99,7 % och Qwen Audio 3.0 Realtime Plus på 99,2 %.

• Speech Agent Arena — åttonde av 30 gällande preferens vid Elo 1012, fjärde gällande uppgiftsframgång vid 92,3 %.

Läs de fyra raderna i ordning, så slutar det sammanvägda resultatet att se ut som ett oavgjort läge. Phonic 1 vinner den agentiska benchmarken utan vidare och kommer trea i resonemang, men den är åtta när det gäller vilken röst människor faktiskt föredrar och fyra i rå uppgiftsframgång – en modell som mätbart är den bättre verktygsköraren och inte publikens favoritkonversatör. Det är samma strukturella historia som vi hittade i Grok Voice 3.0:s 86,9 för två veckor sedan, fast från motsatt håll: xAI höll arenan och förlorade den agentiska kolumnen, och Phonic håller den agentiska kolumnen medan man ger upp arenan.

Två klockor, två vinnare

Latens är där täckningen blir slarvig, eftersom två ansedda instrument är oense om vem som är snabbast och ingen av dem har fel.

Artificial Analysis mäter tid till första ljud — hur lång tid det tar från slutet av samtalarens tur tills ljudet börjar. Enligt den mätningen är Phonic 1 snabbast av de fem främsta i indexet:

• Tid till första ljudet — Phonic 1 0,61 s; Grok Voice 3.0 0,81 s; GPT-Live-1 (Sol, låg) 1,24 s; GPT-Live-1 (Astra, medel) 1,34 s; Qwen Audio 3.0 Realtime Plus 1,54 s; StepAudio 3 Realtime 8,83 s.

Cekura, ett företag som utvärderar röstagenter och som kör modeller i en verklig telefonrigg via WebRTC, mäter mediansvarstiden för hela samtal. Enligt det måttet är Grok Voice 3.0 snabbast i fältet med 1,34 s, och Phonic 1 ligger på 1,63 s – tredje snabbast, en hundradel efter Grok Voice Think Fast 2.0 på 1,62 s, och inte först. Båda siffrorna beskriver något verkligt. Tid till första ljud är hur snabbt modellen bestämmer sig för att börja tala; mediansvarstiden är hur länge en uppringare faktiskt väntar på svaret över 82 scenarier, inklusive de verktygstunga där Phonics metod vinner tillbaka exakt de sekunder som en mätning av första ljudet inte kan se.

Om du skriver en inköpspromemoria är meningen du bör undvika "den snabbaste tal-till-tal-modellen", punkt slut. Den försvarbara versionen är "snabbast till första ljud på Artificial Analysis; tredje snabbast på medianrespons i Cekuras live-samtalstestbänk".

Live-samtalstavlan ställer en svårare fråga

Cekuras tal-till-tal-topplista är ett betydligt svårare test än någon av de fyra indexkomponenterna: 82 scenarier – 59 klinikbokningssamtal och 23 Medicare-intagningssamtal – som var och en körs tre gånger i samma Pipecat-agent med öppen källkod, med samma prompt och verktyg, och poängsätts som pass i kubik, vilket innebär att ett scenario bara räknas om alla tre körningarna lyckas och varje fält registreras korrekt.

Från och med uppdateringen den 22 oktober 2026, med Phonic 1 konfigurerad till hög intelligens under modell-ID:t phonic_v1, placerar den resultattavlan också Phonic 1 först:

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

• Dataprecision – Phonic 1 97,5 %; GPT Realtime 2.1 92,0 %; Grok Voice 3.0 87,3 %.

• Samtal där agenten tystnade — Phonic 1 0,0 %; Grok Voice 3.0 0,0 %; GPT Realtime 2.1 3,3 %.

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

Medicare-delningen är den mest intressanta raden i hela lanseringen. Långa intagssamtal där formulär fylls i är där end-to-end-modeller förväntas kollapsa, och Phonic 1 håller 88,4 % där Grok Voice 3.0 halveras till 58,0 %. Cekuras egen redogörelse noterar fortfarande ett felläge som är värt att känna till: agenten avslutar samtalet utan att bekräfta en uppringare som säger att den ringer upp igen senare, och ibland skriver den en Medicare-överlämningsanteckning eller en routningsdetalj fel. Med 90,2 % pass³ klarar 74 av dessa 82 scenarier varje körning och åtta gör det inte – det är ett starkt resultat för en modell som är en dag gammal, inte en färdig.

Två anmärkningar om märkning innan någon citerar dessa siffror. Cekuras tavla har ett datum för senast uppdaterad och har ändrats mellan körningar, så en skärmbild av den är inte en citering; citera det aktuella talet med datumet angivet. Och Cekura registrerar en kostnad på 0,060 USD per minut för Phonic 1 mot en publicerad Starter-avgift på 0,070 USD – en uppmätt siffra från en enda testrigg, inte prislistan, och inget som ska dras av från något.

Leverantörens riktmärken, bevarade i sin egen ruta.

Lanseringsinlägget från Phonic innehåller tre egna resultat, och de är värda att känna till just eftersom de inte är siffrorna ovan. I Sierra:s flerspråkiga full-duplexvariant av τ³-Voice rapporterar företaget Phonic-1 på 83.2 mot GPT-Live-1 på 79.9 och Gemini 3.8 Live på 68.5. Notera kollisionen: 79.9 är poängen för Phonic på Artificial Analysis τ-Voice och även poängen för GPT-Live-1 i den egna τ³-Voice-körningen från Phonic. Samma siffror, olika rader, olika benchmarkvarianter — flytta aldrig ett tal från en kolumn till den andra.

De andra två är blindt utförda mänskliga tester som körs av Podonos, en tredjepartstjänst för lyssnartester. Phonic-1 föredrogs framför GPT-Live-1 med 61,5 % mot 32,0 %, framför Grok Voice 3 med 66,5 % mot 26,5 % och framför Eleven v4 Turbo med 78,0 % mot 14,0 %. Det resultat som Phonic självt framhåller är det där det förlorar: mänskliga röstskådespelare föredrogs framför Phonic-1 med 57,0 % mot 32,0 %. Alla fyra är beställda av leverantörerna och rapporterade av dem; ingen har oberoende replikerats.

Vad en månad av det kostar

Prissättningen är ett enda nummer per minut, utan avgifter per token och utan separat vidarefakturering av LLM, vilket är ovanligt i en kategori där "röstmodellen" ofta är ett tunt hölje runt tre fakturerade tjänster. Nivåerna:

Starter – 0,07 USD per minut, inget minimum, 10 samtidiga samtal, 10 agenter, 3 platser i arbetsytan.

• Pro – $0.065 per minut mot ett månadsminimum på $200, vilket prissättningssidan motsvarar ungefär 3 100 minuter, med 50 samtidiga samtal, 50 agenter och 30 platser.

• Enterprise – anpassad lösning med volymrabatter, VPC- eller on-prem-driftsättning, DPA:er, SLA:er och HIPAA-BAA:er.

Den som anmäler sig före 30 november får 250 dollar i krediter. Räkna på en månad med 10 000 minuter, så klarnar de närmaste konkurrenternas listpriser snabbt:

• 10 000 minuter — Phonic 1 Starter $700; Grok Voice 3.0 $800 till $0,08/minut; GPT-Live-1 (Sol, låg) $750 till $0,075; GPT-Live-1 (Astra, medel) $970 till $0,097.

• Samma 10 000 minuter på Pro — $650, men först över ungefär 3 100 minuter upphör minimibeloppet på $200 att vara den bindande begränsningen.

Det tal som inte ryms på en prislista är samtidighet. Tio samtidiga samtal på Starter är ett verkligt tak för något som liknar en supportkö, och det är anledningen till att steget till Pro är värt 50 dollar i månaden vid volym: nivåbytet ger 50 samtidiga samtal, långt mer värt än den halva centen. Phonics egen ingenjörsblogg hävdar att samtidighetsgränser är den dolda skatten inom röst-AI, vilket är en ärlig formulering från den part som sätter dem.

Var det körs, och vad routning kan och inte kan göra här

Phonic 1 finns inte i OrcaRouters katalog, och den här artikeln kommer inte att föreställa något annat: i dag når du den via Phonics eget API, dess SDK:er, CLI eller no-code-byggaren, och ingen annanstans. Det är också den ärliga strukturella svagheten med att köpa en end-to-end-röstmodell i stället för en kaskad – en enda leverantör, en enda slutpunkt och ingen andra leverantör att växla över till när webbsocketen bryts mitt under ett samtal.

Det routing faktiskt täcker är alternativet. En pipeline för transkribering–tänkande–tal är den baslinje som Cekuras egen resultattavla fortsätter att överträffa end-to-end-modellerna på, och dess mellansteg är vanlig textinferens – vilket är exakt det lager där ett enda API för 200+ modeller med 0 % påslag gäller. Transkriberingsdelen och resonemangsdelen kan ligga bakom en enda nyckel, och routing-DSL:en kan skicka de billiga turtagningsanropen och de dyra policyresonemangsanropen till olika modeller i samma anrop, utan ett andra avtal för varje leverantör i stacken. Leverantörens listpris vidarebefordras oförändrat, så en leverantörs prissänkning når den delen samma dag som den tillkännages i stället för vid nästa avtalsförnyelse.

Avvägningen är värd att sägas rakt ut, eftersom poängtavlorna ovan inte tar hänsyn till den. End-to-end vinner på turtagning, avbrott och verktygsanrop mitt i yttrandet; en kaskad vinner på möjligheten att byta ut vilken enskild komponent som helst — och på det faktum att Cekuras kaskadbaslinje fortfarande överträffar alla realtidsmodeller som testades på pass-cubed-tillförlitlighet. Om det låter som ett skäl att stanna kvar på en kaskad, så är det delvis det. Skälet att byta är Medicare-kolumnen: 88,4 % mot 58,0 % är den typ av gap som avgör om ett långt intagningssamtal överhuvudtaget fullföljs.

Vad ingen har mätt ännu

Innan någon skriver om en produktionsprompt kring ett 87,1 är tre luckor värda att nämna.

• Den uppmätta konfigurationen är inte standardinställningen. Varje poäng här – Artificial Analysis 87,1, Cekuras 90,2 % – producerades vid inställningen för hög intelligens. API:et är som standard inställt på standardläget, som dokumenteras som läget med lägre latens. Ingen har publicerat siffrorna för standardinställningen, så latenssiffrorna ovan beskriver inte vad en integration utan konfiguration upplever.

• Beteendet vid brusiga kanaler testas inte av indexet. Cekura rapporterar att Grok Voice 3.0 klarar varje samtal med bakgrundsbrus och ljudglitchar; det säger inget jämförbart om Phonic 1, och Big Bench Audio körs på rent ljud.

Stabilitet över långa sessioner är en demo, inte en mätning. Phonics 44-minuterssamtal med 123 verktygsanrop på engelska och portugisiska är det mest konkreta publicerade beviset på lång horisont, och det är ett enda samtal som leverantören valde att visa.

Den försvarbara sammanfattningen efter en dag: Phonic 1 är den starkaste agentiska tal-till-tal-modellen på de två oberoende instrument som har poängsatt den, den är inte den snabbaste beroende på vilken klocka man läser av, och dess $0,07/minut gör det agentiska försprånget billigt nog att testa i stället för att argumentera om.