Phonic 1 vs Qwen Audio 3.1: 82,0 % och 79,9 % är inte samma tal

Jämförelsen som alla kommer att göra mellan Phonic 1 och Qwen Audio 3.1 Realtime är en tabell med två rader: Qwen får 82,0 % på τ-Voice, Phonic får 79,9 %, därför vinner den billigare modellen. Det är en snygg historia, och den är fel, eftersom de två siffrorna kommer från olika instrument. Qwens 82,0 % kommer från leverantörens egen artikel, mätt på en anpassad halvduplex tal-till-text-variant av benchmarken. Phonics 79,9 % är den agentiska komponenten i Artificial Analysiss tal-till-tal-index, mätt på det riktiga. Att subtrahera det ena från det andra är samma fel som att jämföra ett provresultat från ett övningsprov med ett från det riktiga provet.

Det som gör misstaget värt att skriva om är att det är den enda jämförelse som finns tillgänglig. Qwen Audio 3.1 Realtime förekommer inte alls på Artificial Analysiss tal-till-tal-tavla – tavlan listar Qwen Audio 3.0 Realtime Plus på 69,5 och Qwen Audio 3.0 Realtime Flash på 67,7, och inget nyare. Så den nyaste billiga utmanaren i den här kategorin har publicerat sina egna siffror, i sina egna enheter, och ingen oberoende part har poängsatt den. Det gapet är själva historien, och den ärliga artikeln handlar mest om vad som ännu inte går att säga.

Vad Qwen Audio 3.1 egentligen är

Alibabas Qwen-Audio-3.1 lanserades i slutet av september 2026 som en stack med fem modeller snarare än en enskild lansering: ASR, ASR-Next, TTS, TTS-Next och Realtime. Den som konkurrerar med Phonic 1 är Qwen Audio 3.1 Realtime, och mer specifikt Realtime-Plus-nivån, som endast är tillgänglig via QwenCloud över en WebSocket – inga öppna vikter, till skillnad från familjens TTS- och ASR-medlemmar, och ingen väg för egen drift i det offentliga materialet.

• Kontext — 262K totalt, 245K max indata och 16K max utdata, jämfört med Phonic 1:s opublicerade kontext.

• Genomströmningsgränser — som standard 60 förfrågningar och 100K tokens per minut på QwenCloud; Phonic publicerar ingen motsvarande sessionsgräns.

• Funktioner – funktionsanrop, webbsökning, strukturerade utdata, kontextcachning, finjustering och röstkloning finns alla listade för Qwen Audio 3.1 Realtime; Phonic listar inline-synkrona verktyg, 50+ språk och språkväxling mitt i samtalet.

• Tillgänglighet — Qwen Audio 3.1 Realtime är endast tillgängligt via API; Phonic 1 erbjuder molndrift, single-tenant, VPC-peering och egen hosting.

De två raderna är de som är viktiga för inköp. Qwen-familjen levererar vanligtvis vikter; den här medlemmen gör det inte, vilket eliminerar huvudorsaken till att ett team väljer Qwen framför en värdleverantör. Phonics alternativ för självhostning är spegelbilden – det är det enda sättet som någon av dessa två modeller kan köras någon annanstans än i någon annans moln.

Benchmarken som inte är samma benchmark

Siffran 82,0 % förekommer i Alibabas arXiv-paper om Qwen-Audio-3.1 och presenteras som en förbättring från 78,4 % i föregående generation. Samma paper säger uttryckligen att detta är en halvduplex tal-till-text-anpassning av τ-Voice snarare än den full-duplex agentiska utvärdering som producerar siffrorna på den offentliga topplistan. Det är inte ohederligt – det redovisas – men det betyder att siffran besvarar en smalare fråga: givet ett transkriptionsliknande upplägg och en uppgift, hur ofta slutför modellen den.

Phonic 1:s 79,9 % svarar på den bredare frågan, och klyftan mellan de två frågorna är inte liten. En halvduplexanpassning tar bort de delar av ett agentiskt samtal som är svårast att få rätt: avbrytande, överlappande tal, att avgöra när man ska sluta lyssna och att återhämta sig när den som ringer ändrar sig mitt i ett verktygsanrop. Var och en av dessa är en plats där en modell förlorar uppgifter som den annars skulle ha slutfört.

Riktningen på felet är därför förutsägbar, och den är motsatsen till den uppenbara tolkningen. Qwens 82,0 % är mycket sannolikt ett optimistiskt tak för dess full-duplexbeteende, inte en jämförbar vinst över Phonics 79,9 %. Huruvida det når upp till den ribban är okänt. Alibaba har inte ställt modellen inför den utvärderare som producerade 79,9.

Vad Qwen faktiskt publicerar – och där dess egna siffror talar emot det

Alibabas släpp är ovanligt öppenhjärtigt om misslyckanden, vilket gör det mer användbart än den rubrikframhävda τ-Voice-raden. Läser man hela tabellen framstår modellen mindre som en avgörande utmanare och mer som ett starkt realtidssystem i andra generationen med två specifika svaga punkter.

• FLEURS ordfelsfrekvens – 9,01 ned till 3,98, en genuin förbättring av igenkänningsnoggrannheten för olika språk.

• Genomsnitt för Big Bench Audio på 14 språk — 81,7 % till 88,1 %.

• Audio MultiChallenge — 47,12 till 52,21.

• Andelen svar på bakgrundstal i Full-Duplex-Bench v1.5 – från 73,0 % ned till 13,0 %, vilket innebär att modellen är betydligt mindre benägen att svara på tal som inte riktades till den.

• Latens för avbrottsstopp — 1,116 s, jämfört med 0,383 s för GPT-Realtime-2. Det är den här siffran man ska väga mot Phonics 0,61 s till första ljudet: den ena mäter hur snabbt en modell startar, den andra hur snabbt den stoppar, och ett långsamt stopp är det som uppringare beskriver som att bli överpratad.

• Oönskad återupptagningsfrekvens – 0,035 som stiger till 0,130, en regression som artikeln rapporterar gentemot sin egen föregångare; modellen löper större risk att börja tala igen när den inte borde.

De två sista raderna är de mest underrapporterade fakta i lanseringen av Qwen Audio 3.1. En modell som tar 1,116 sekunder att lämna ordet och som återupptar när det inte önskas kommer i ett verkligt telefonsamtal att kännas sämre än vad dess noggrannhetssiffror antyder – och det är precis den dimension som Phonic 1:s marknadsföring bygger på, med sitt påstående att den ”svarar innan den som ringer har talat färdigt” och sin tal-till-tal-latens på under 600 ms.

Den enda jämförbara datapunkten

Eftersom Qwen Audio 3.1 Realtime inte har någon indexpoäng är det enda sättet att placera det mot Phonic 1 på samma instrument via dess föregångare. Qwen Audio 3.0 Realtime Plus fick 69,5 på tal-till-tal-indexet, med 54,6 % agentisk prestanda, 99 % talresonemang, 77,8 % uppgiftsframgång, 798 i arena-Elo och 1,54 s till första ljud.

• Agentisk prestanda — Phonic 1 79,9 mot Qwen Audio 3.0 Realtime Plus 54,6. Om 3.1 levererar den förbättring som dess egen artikel antyder på uppgifter, sluter den en del av den där 25-poängsklyftan; ingen har mätt hur mycket.

• Arenapreferens – Phonic 1: 1 012 mot 3.0:s 798. Detta är den största skillnaden i jämförelsen och den som minst sannolikt har jämnats ut, eftersom arenapreferens är ett mått baserat på mänskliga röster som förändras långsamt mellan generationerna.

• Tid till första ljud – Phonic 1: 0,61 s jämfört med 3.0:s 1,54 s. Qwens realtidsnivå har historiskt varit den långsammare familjen här, och 3.1 publicerar ingen siffra för tid till första ljud.

• Uppgiftsframgång — Phonic 1 92,3 % mot 3.0:s 77,8 %.

Mönstret över tre generationer är konsekvent: Qwens realtidsmodeller har varit starka igenkännare och svaga agenter, och 3.1 är generationen som påstår sig åtgärda agenthalvan. Huruvida den lyckades är precis vad det saknade indexvärdet skulle visa dig.

Två prisenheter som inte konverteras

Qwen Audio 3.1 Realtime fakturerar per token: 0,80 USD för en miljon textinmatningstoken, 6,40 USD för ljudinmatning, 6,40 USD för textutdata och 24 USD för ljudutdata i Singapore-regionen, medan priserna i Peking är cirka 14 % lägre rakt igenom. Phonic 1 fakturerar 0,07 USD per samtalsminut, med fast pris och utan tokenavgifter.

Det finns ingen offentlig omvandling mellan dessa enheter. För att omvandla en tokenfrekvens till en kostnad per minut behöver du ljudtokenstätheten – hur många tokens en minut av tal upptar – och Alibaba publicerar inte den för den här modellen. Den som anger en per-minut-ekvivalent för Qwen Audio 3.1 åt dig gissar antingen på tätheten eller lånar den från en annan modellfamilj med en annan codec. Riktningen på svaret är inte osäker: Qwens ljudpriser är låga nog att en väl tokeniserad minut mycket sannolikt hamnar under sju cent, och dess prissänkning på ~85 % för Realtime-nivån var lanseringens huvudnyhet. Storleken är okänd, och det okända är stort nog att ha betydelse för en driftsättning med hög volym.

• Ljudindata – Qwen $6,40 / 1 miljon tokens (Singapore) jämfört med Phonic $0,07 per konversationsminut, utan någon publicerad växelkurs mellan dem.

• Utdata-ljud – Qwen $24 / 1M tokens; Phonic's fasta minutpris täcker utdata-ljud.

• Regional prissättning — Qwens Pekingregion är ungefär 14 % billigare än Singapore; Phonic publicerar en global prislista.

• Minimikrav — Pro-nivån för Phonic har ett månatligt minimibelopp på 200 USD; QwenCloud publicerar standardgränser för anropsfrekvens i stället för ett plattformsminimum.

Formskillnaden är den del som står kvar när konverteringen uteblir. En debitering per token följer hur mycket modellen faktiskt gör – långa transkript, utförliga svar och verktygstunga turer kostar alla mer. En debitering per minut följer hur länge telefonlinjen var öppen. För en agent som tillbringar större delen av ett samtal med att lyssna är tokenmodellen den vänligare; för en agent som svarar utförligt är den det inte.

Vilken fråga besvarar du?

Om du väljer en modell att distribuera på din egen infrastruktur är den här jämförelsen inte för dig: Qwen Audio 3.1 Realtime har inga vikter, och Phonic 1 kan självhostas, vilket gör Phonic till det enda alternativet här som överhuvudtaget lämnar leverantörens moln. Det är ett svar på en rad, och det är lätt att missa bland allt benchmark-snack.

Om du väljer en hostad realtidsmodell utifrån kostnad är Qwen Audio 3.1 den mer intressanta satsningen – dramatiskt billigare per enhet, en väl dokumenterad ökning av igenkänningsnoggrannheten och en leverantör med ett djupt open-weight-ekosystem bakom sig. Risken är att dess agentdel är omätt och att dess avbrottsbeteende har försämrats i leverantörens egen tabell.

Om du väljer utifrån uppmätt agentisk prestanda är Phonic 1 det enda av de två som du faktiskt kan rangordna, eftersom det är det enda som har rangordnats. Det är ett svagare påstående än ”Phonic är bättre”, och det är det sanna påståendet.

Och om du kör Qwens textmodeller tillsammans med ett röstlager är den halvan av stacken redan routbar – Qwen3.8-Max sitter på OrcaRouter bland 200+ modeller på en enda nyckel till leverantörens listpris utan påslag, så en prissänkning från Alibabas sida är live samma dag. Ljudendpointen finns inte i vår katalog och inte heller Phonic 1; var och en kommer från sin egen leverantör. Det en router ger dig på en så här ung marknad är möjligheten att hålla en fungerande röstväg på plats medan en nyare, billigare sådan arbetar sig in – automatisk failover innebär att testa Qwen Audio 3.1 mot din egen trafik kostar dig en routningsregel, inte en migrering.

Den ärliga slutsatsen är att den här jämförelsen för närvarande är omöjlig att avgöra längs den axel som båda leverantörerna vill att den ska avgöras på. Alibaba har publicerat en siffra som smickrar deras modell genom att mäta en enklare uppgift. Phonic har publicerat en siffra som är korrekt mätt men på en enda resultattavla, en enda konfiguration och en veckas tillgänglighet. Det första att hålla utkik efter är inte en prissänkning eller ett benchmark — det är när Qwen Audio 3.1 Realtime dyker upp på en resultattavla som poängsätter båda modellerna på samma sätt. Fram till dess är det enda försvarbara påståendet att Phonic 1 är den kända kvantiteten och Qwen Audio 3.1 den billiga okända, vilket är ett alldeles utmärkt skäl att prova den andra bakom en failover-regel i stället för framför dina kunder.