Phonic 1 vs Cartesia Sonic 3.6: En minut för $0.07 och en räkning på $49 per miljon tecken är inte samma köp

Ställ Phonic 1 och Cartesia Sonic 3.6 på en och samma sida och frestelsen är att rada upp priskolumnerna och kalla det klart. Två leverantörssiffror gör det enkelt: Phonic tar $0.07 för en minuts konversation, Cartesia normaliserar till cirka $49 per miljon tecken. Båda låter som avrundningsfel jämfört med vad du betalade 2025. Men de fakturerar för olika saker. Cartesia Sonic 3.6 är en strömmande text-till-tal-motor – du ger den ord, den ger dig en röst, och allt som ligger före orden är ditt problem. Phonic 1 är en tal-till-tal-modell som hör en uppringare, avgör vad den ska göra, anropar verktyg mitt i en mening och svarar högt, allt inom den där minuten. Den ena är en komponent på din faktura. Den andra är hela fakturan. Att jämföra dem bara på pris är att jämföra en taxiresa med en bil.

Det gör inte matchen oanvändbar. Det gör den snävare och ärligare än sökresultatet antyder: dessa två konkurrerar om samma budgetpost i en budget för röstagenter, och ett team som bygger en telefonagent måste avgöra om röstlagret är en tjänst de hyr i sin helhet eller en stack de sätter samman av delar. Cartesia säljer båda uppläggen — Sonic 3.6 för renderingshalvan, Cartesia Line för den sammansatta halvan — och det är den andra produkten, inte TTS-modellen, som faktiskt står mittemot Phonic 1.

Vad var och en faktiskt är

Cartesia Sonic 3.6 lanserades i slutet av augusti 2026, ungefär tre månader efter Sonic 3.5, och den är företagets renderare med högsta kvalitet: 44 språk i 61 lokaler, röstkloning från omkring tio sekunders ljud, kreditbaserad fakturering där en kredit ungefär motsvarar ett tecken. Den har inget resonemangslager, inget verktygslager och inget begrepp om en konversation. Du anropar den med text och ett röst-ID, du får tillbaka ljud i en ström, och turväxlingslogiken – när man ska lyssna, när man ska avbryta, vad man ska göra när den som ringer säger "faktiskt, nej" – tillhör kod som du skriver.

Phonic 1 lanserades i slutet av oktober 2026 tillsammans med en $27.5M Series A ledd av First Round, och dess pitch har motsatt form: en enda modell som äger hela turen. Leverantörens egen funktionslista hävdar att ton och tvekan hörs, att verktygsanrop utlöses medan den som ringer fortfarande talar, och att modellen ibland väljer att inte svara alls – ett beteende som du inte kan få från en TTS-slutpunkt eftersom en TTS-slutpunkt inte har någon uppfattning om huruvida det är rätt drag att tala. Den fakturerar ett pris per samtalsminut och anger uttryckligen att det inte finns någon separat LLM-vidarefakturering och ingen kostnad per token.

En ärlig hake innan vi går vidare. Phonics lanseringsbevakning beskrev den som end-to-end, utan separata leverantörer för taligenkänning, LLM och talsyntes. Leverantörens egen webbplats beskriver övervakarmodeller för resonemang och verktygsanrop, och dess benchmarkkonfiguration är märkt Phonic 1 (High), vilket antyder en valbar intelligensnivå. Båda kan vara sanna – en enda leverantör kan äga hela turen och ändå köra ett internt resonemangslager – men "end-to-end" är marknadsföringsförkortning för "ett avtal", inte ett bevis för att ett enda nätverk gör allt i en enda framåtpassning. Om din arkitekturgranskning beror på den skillnaden, fråga leverantören direkt; det offentliga materialet avgör inte saken.

De två klockorna mäter olika saker.

Latens är där den här jämförelsen oftast är mest missvisande, eftersom båda leverantörerna anger ett litet millisekundtal och inget av talen är det som den som ringer dig upplever.

• Phonic 1 — 0,61 s genomsnittlig tid till första ljud enligt Artificial Analys mätning, snabbast bland de fem främsta testade tal-till-tal-modellerna; tillverkaren uppger under 600 ms från tal in till tal ut.

• Cartesia Sonic 3.6 – tid till första ljud på under 90 ms, enligt leverantören och med nätverk uttryckligen uteslutet; en tredjepartsbenchmark mätte 120 ms p50 från US East direkt mot leverantören, och ett test med verkliga samtal baserat i Sydney rapporterade 448 ms median och 604 ms p90 från ände till ände.

Vad gapet innebär — Phonic's 0,61 s börjar i det ögonblick ljudet anländer och inkluderar beslutet om vad som ska sägas. Cartesia's 90 ms börjar när texten redan finns och täcker bara omvandlingen av den till ljud. Lägg till din egen taligenkänning och din egen modelllatens före Sonic, så konvergerar de två siffrorna; det är den aritmetik som saknas som gör att råsiffrorna ser ut som en vinst på sju mot ett och inte är det.

Artificial Analysis rapporterar också Phonic 1 på 0,61 s mot 1,34 s för GPT-Live-1 och 1,35 s för Gemini 3.8 Live Extended Thinking, vilket är den jämförelse som siffran faktiskt är bra för: modell mot modell, samma instrument. Sonic 3.6 förekommer inte alls på den resultattavlan, eftersom den inte är en konversationsmodell.

Fakturan, skapad från samma jobb

Ta ett tio minuter långt inkommande supportsamtal. På den sammansatta vägen med Cartesia Sonic 3.6 betalar du för minst tre saker: igenkänning av den inringandes ljud, en modell som avgör svaret och renderingen av det svaret. Sonics andel är den minsta och mest förutsägbara av de tre – cirka 0,28–0,49 dollar per minut genererat ljud beroende på plan, och betydligt mindre än så i praktiken eftersom en agent inte talar under hela tio minuter. Den oförutsägbara andelen är modellen i mitten, och det är den som varierar med en storleksordning beroende på om du dirigerar en liten modell för de enkla 80 % av turerna eller skickar allt till en frontiermodell.

Det mellersta benet är där routning motiverar sin plats i stället för att vara en påbyggnad. På OrcaRouter ligger resonemangsmodellen bakom din agent på en enda nyckel över 200+ modeller med 0 % påslag på leverantörens listpris, så en prissänkning från vilken leverantör som helst slår igenom samma dag i stället för att vänta på en kontraktsändring – och en routningsregel kan hålla billiga samtalsvändor billiga medan bara de svåra eskaleras. Automatisk failover täcker det fall som faktiskt bryter röstagenter i produktion: modellleverantören störs tillfälligt mitt i samtalet och den som ringer hör tystnad.

På Phonic 1-spåret kokar aritmetiken ner till en enda rad. Tio minuter kostar $0.70 till startpriset $0.07, eller $0.65 till Pro-priset, som har ett månadsminimum på $200. Det är hela kostnaden för modelllagret – inga separata tokens, ingen separat faktura för resonemang – och det är det starkaste argumentet i Phonic-kolumnen, eftersom ett fast pris per minut är en siffra som ett ekonomiteam kan prognostisera utan en användningsmodell.

Läs de två summorna noggrant innan du utropar en vinnare. Den sammansatta vägens golv är lägre – en billig mellanmodell plus Sonics rendering kan bekvämt slå $0,07 i minuten – och dess tak är mycket högre, eftersom en frontier-modell vid varje tur spränger det. Phonic 1:s fasta pris är en satsning på att leverantörens ekonomi håller när din blandning av enkla och svåra anrop ändras. Det är en genuint användbar sak att köpa, och det är också en sak du köper på tillit.

Där Cartesia Sonic 3.6 vinner utan diskussion

Om frågan är "vilket av dessa låter bättre" är Cartesia inte i närheten, och ingen mängd agentiska benchmarkpoäng ändrar på det. Sonic 3.6 tog förstaplatsen i båda Artificial Analysis talarenorna vid lanseringen – ett Provider Voice Elo på omkring 1 282–1 283 och ett Controlled Voice-poäng på nära 1 123 – vilka är preferensmätningar av renderat ljud, precis vad en TTS-motor är till för.

Kontrollytan är också djupare. Röstkloning från tio sekunder, 44 språk över 61 lokaler med val på lokal nivå, fem publicerade planalternativ – från en gratis sandlåda med 20 000 krediter till en Scale-plan för 299 USD med femton samtidiga förfrågningar – och klonade röster debiteras med 1,5x. Om din produkt är uppläsning, dubbning, IVR-promptar eller en assistent vars svar är manusbundna och vars röst är varumärket, är Sonic 3.6 ett bättre verktyg än Phonic 1 och jämförelsen bör sluta där.

Det finns också en kostnadsform som är värd att nämna: Cartesias kreditmodell innebär att du betalar för tecken du renderar, så ett samtal där agenten säger fyra ord kostar fyra ord. En per minut-modell debiterar för hela minuten oavsett. Vid korta interaktioner med hög volym – bokningsbekräftelser, leveransmeddelanden, en verifiering i två turer – är teckenmodellen strukturellt billigare.

Där Phonic 1 vinner utan motargument

Verktygsanrop som börjar innan den som ringer har slutat tala är den enda förmågan i den här jämförelsen som Cartesia Sonic 3.6 helt enkelt inte har, eftersom verktygsanrop inte är en egenskap som en renderare kan besitta. I ett bokningsflöde där den som ringer säger "Jag behöver torsdag, nej vänta, fredag eftermiddag" måste den sammansatta vägen invänta detekteringen av turslutet, köra igenkänning, köra modellen, köra verktyget och sedan rendera – fyra seriella överlämningar mot Phonics påstådda enda. Phonics egen demojämförelse, ett svar 1,1 sekunder efter att den som ringde hade tystnat mot 15,7 sekunder för OpenAIs GPT-Live, är en leverantörsdemonstration och bör läsas som en sådan. Men den strukturella poängen består trots förbehållet: färre överlämningar är färre platser att förlora en sekund på.

• Språk – Phonic 1 stöder 50+ med byte mitt i samtalet som behåller samma röst; Cartesia Sonic 3.6 täcker 44 språk över 61 språkvarianter, endast för rendering.

• Fakturering — Phonic 1 har ett pris per konversationsminut utan vidarefakturering av LLM; Cartesia Sonic 3.6 faktureras per tecken/kredit, och resten av stacken faktureras separat.

• Agentisk förmåga — Phonic 1 får 79,9 % på den agentiska komponenten i Artificial Analysiss tal-till-tal-index, den högsta som registrerats där; Sonic 3.6 har inget agentiskt betyg eftersom den saknar agent.

• Röstkvalitet – Cartesia Sonic 3.6 leder båda Artificial Analysis talarenor för renderat ljud; Phonic 1:s arena-preferenspoäng är 1 012, åttonde av trettio.

• Driftsättning — Phonic 1 erbjuder moln, single-tenant, VPC-peering och self-host, med angiven tillgänglighet för SOC 2 Type II och HIPAA BAA; Sonic 3.6 är ett hostat API.

Jämförelsen som Cartesia faktiskt skulle vilja att du kör

Cartesias verkliga svar på Phonic 1 är Cartesia Line, företagets röstagentprodukt, som företaget prissätter till cirka 0,06 dollar per minut och som visas på Artificial Analysis som en leverantörspipeline i stället för en betygsatt modell – uppställningen bakom den bygger på Ink, Gemini 2.5 Flash och Sonic tillsammans. Det säger två saker på en gång. Det annonserade priset ligger en cent under Phonic 1, och priset är ofullständigt på exakt det sätt som marknadsföringen från Phonic anklagar sammansatta stackar för att vara ofullständiga: Gemini 2.5 Flash-delen fakturerar sina egna tokens ovanpå.

Så den ärliga jämförelsen direkt mot varandra är inte $0,07 mot $0,06. Det är ett fast pris, allt inkluderat, på $0,07 mot en plattformsavgift på $0,06 plus en modellkostnad som du själv styr över. För ett team som redan routar sina egna modeller och vill fortsätta med det är den strukturen en fördel. För ett team som vill ha en siffra, inte ett kalkylblad, är det anledningen till att Phonic 1 finns.

Vem bör agera, och vem bör vänta

Köp Cartesia Sonic 3.6 om rösten är produkten. Uppläsning, varumärkesassistenter, dubbning, allt där en människa bedömer ljudet och ingen bedömer verktygsanropen. Tätplatsen i arenan är verklig, kloningen är snabb, och planstrappan innebär att du kan börja gratis.

Köp Phonic 1 om samtalet måste utföra något – bokning, verifiering, återbetalning, eskalering – och om en femsiffrig ingenjörsbudget för limkod är sämre än ett fast pris per minut. Det är också, vid skrivandets stund, ungefär en vecka gammalt på ett publikt API med en oberoende styrelse bakom sig och inga långsiktiga tillförlitlighetsdata; det kloka sättet att införa det är vid sidan av din nuvarande väg, inte i stället för den.

Och om du bygger själv i stället för att hyra, är beslutet som faktiskt påverkar din faktura inte Sonic kontra Phonic. Det är vilken modell som svarar på de enkla turerna. Den delen är den som körs på OrcaRouter i dag – en nyckel, 200+ modeller, listpris som vidarebefordras, failover när en leverantör faller bort – medan varken Phonic 1 eller Cartesia Sonic 3.6 finns i vår katalog, och var och en måste avtalas med sin egen leverantör.

Köpet som ser ut som en prisjämförelse är egentligen en fråga om hur mycket av turen du vill äga. Sonic 3.6 låter dig äga hela den och ger dig den bäst klingande komponenten att bygga vidare på. Phonic 1 tar den från dig och tar en fast avgift för förmånen. Inget av dem är fel. De är bara fel när de köps av den andra partens skäl.