Phonic 1 เปิดตัวที่อันดับ 1 บน Speech Index ส่วนต่าง 0.2 คะแนนซ่อนความได้เปรียบที่แท้จริง

Phonic 1ตอนนี้เป็นโมเดล speech-to-speech ที่ได้อันดับสูงสุดบน Speech to Speech Index ของ Artificial Analysis ที่ 87.1 ซึ่งเป็นการแข่งขันที่ชนะด้วยส่วนต่างหนึ่งในสิบของจุดโดยเฉือน Grok Voice 3.0 ของ xAI ที่ 86.9 ส่วนต่าง 0.2 จุดโดยปกติถือเป็นสัญญาณรบกวน และบนดัชนีนี้ก็แทบจะเป็นเช่นนั้นจริง ๆ: สองโมเดลไม่ได้ชนะในรายการเดียวกัน ดังนั้นคะแนนรวมที่เสมอกันจึงซ่อนความแตกต่างที่ใหญ่กว่ามากไว้ข้างใต้ บนเกณฑ์มาตรฐานงานแบบ agentic ซึ่งคิดเป็นหนึ่งในสี่ของคะแนนนั้น Phonic 1 อยู่ที่ 79.9% เทียบกับ 74.5% สำหรับการกำหนดค่าที่ดีที่สุดของ OpenAI

Phonic ซึ่งเป็นบริษัทแยกตัวออกมาที่มีพนักงานราวสิบคนและก่อตั้งโดยนักวิจัยจาก MIT และ Stanford ได้เปิดตัวโมเดลนี้เมื่อวันที่ 29 ตุลาคม 2026 พร้อมกับการระดมทุนรอบ Series A จำนวน 27.5 ล้านดอลลาร์ที่นำโดย First Round ทำให้เงินทุนรวมของบริษัทอยู่ที่ 31.5 ล้านดอลลาร์ บริษัทสะกดชื่อโมเดลว่า Phonic-1 ในโพสต์เปิดตัวและเอกสารประกอบของบริษัทเอง ส่วน Artificial Analysis ระบุไว้เป็น Phonic 1 (High) โดยข้อความในวงเล็บเป็นการตั้งค่า API ไม่ใช่ชื่อผลิตภัณฑ์ ทั้งสองรูปแบบการสะกดชี้ไปที่ endpoint เดียวกันและราคาตามรายการเดียวกันที่ $0.07 ต่อนาที

Phonic-1 คืออะไร ในถ้อยคำของผู้จำหน่ายเอง

เป็นโมเดลเสียงพูดแบบ end-to-end ไม่ใช่กระบวนการต่อเนื่องแบบถอดเสียง-แล้วคิด-แล้วพูด เสียงเข้า เสียงออก และข้อโต้แย้งที่ Phonic หยิบยกมาสนับสนุนสถาปัตยกรรมนี้ก็คือ ทรานสคริปต์เป็นสำเนาที่สูญเสียข้อมูลของบทสนทนา — น้ำเสียง การลังเล และการพูดทับกันถูกทิ้งไปก่อนที่โมเดลภาษาจะได้เห็นสิ่งเหล่านั้น ข้อโต้แย้งนี้ถูกผู้ให้บริการ speech-to-speech ทุกรายหยิบยกขึ้นมาพูดตั้งแต่ปี 2024; สิ่งที่ Phonic ขายจริง ๆ คือกลเม็ดด้านการจัดตารางเวลาที่วางทับอยู่บนข้อโต้แย้งนั้น

กลเม็ดนั้นคือการเรียกใช้เครื่องมือระหว่างเทิร์นของผู้โทร แทนที่จะรอให้ผู้โทรหยุดพูดก่อนจะเริ่มค้นหา โมเดลจะยิงการเรียกใช้เครื่องมือขณะที่เสียงพูดยังไหลเข้ามา ผลลัพธ์จึงพร้อมทันทีที่ผู้โทรหยุด ในเดโมที่ Phonic เผยแพร่ โมเดลเรียกใช้เครื่องมือทั้งห้าตัวกลางประโยคและตอบภายใน 1.1 วินาทีหลังจากผู้โทรหยุดพูด ขณะที่ให้ผล OpenAI GPT-Live-1 อยู่ที่ 15.7 วินาทีในสคริปต์เดียวกัน การเปรียบเทียบนั้นเป็นการสาธิตจากผู้จำหน่ายบนงานที่ผู้จำหน่ายเลือกเอง ไม่ใช่เกณฑ์มาตรฐานที่วัดได้จริง และควรอ่านในฐานะภาพประกอบของแนวคิดการออกแบบมากกว่าจะเป็นผลการเทียบแบบตัวต่อตัว

API ที่เผยแพร่แล้วมีความเป็นรูปธรรมชัดเจนกว่าบทความเปิดตัวส่วนใหญ่:

• รหัสโมเดล — phonic-1 โดย phonic-0.5 ยังคงได้รับการยอมรับในฐานะรุ่นก่อนหน้า การไม่ระบุฟิลด์นี้จะใช้ค่าเริ่มต้นปัจจุบัน

• Intelligence — enum intelligence_level ค่าเริ่มต้นคือ standard และเป็น high เมื่อคุณต้องการโมเดลที่มีความสามารถสูงขึ้นสำหรับการให้เหตุผลที่ซับซ้อน เอกสารระบุว่า standard คือการตั้งค่าที่ปรับให้เหมาะสมกับ latency ที่ต่ำกว่า ซึ่งหมายความว่าคอนฟิกที่ benchmark ทุกตัววัดคะแนนมาจนถึงตอนนี้ ไม่ใช่คอนฟิกที่ deployment ที่ไวต่อ latency จะได้รับโดยค่าเริ่มต้น

• ภาษา — 51 ภาษา แสดงพร้อมรหัส ISO ไล่ไปจนถึงฟิลิปปินส์ (fil) และกวางตุ้ง (yue) โดยสามารถสลับภาษาได้กลางบทสนทนาโดยที่ยังคงอัตลักษณ์ของผู้พูดคนเดิมไว้

• ความหน่วง (Latency) — Phonic อ้างว่าใช้เวลาต่ำกว่า 600 มิลลิวินาทีตั้งแต่เสียงเข้าไปจนถึงเสียงออก Artificial Analysis วัดได้ 0.61 วินาทีจนถึงเสียงแรกด้วยชุดทดสอบของตนเอง ซึ่งสอดคล้องกับข้อกล่าวอ้างนั้นโดยไม่ได้เป็นการวัดแบบเดียวกัน

• การติดตั้งใช้งาน — มี API แบบโฮสต์, SDK สำหรับ TypeScript และ Python, CLI และตัวสร้างเอเจนต์แบบไม่ต้องเขียนโค้ด รวมถึงตัวเลือกแบบ self-hosted และ VPC ในระดับ enterprise พร้อมด้วย SOC 2 Type II, HIPAA BAA, การไม่เก็บรักษาข้อมูล และ SLA ความพร้อมใช้งาน 99.9% ที่ระบุไว้บนหน้านี้

ดัชนี ทีละแถว

ดัชนี Speech to Speech เป็นค่าผสมจากผลลัพธ์สี่ด้านที่ถ่วงน้ำหนักเท่ากัน ได้แก่ Big Bench Audio สำหรับการให้เหตุผลด้านเสียงพูด, τ-Voice สำหรับพฤติกรรมการให้บริการลูกค้าแบบเอเจนต์, อารีนาเปรียบเทียบความชอบของมนุษย์ และอัตราความสำเร็จของงาน โมเดลจะต้องมีครบทั้งสี่ด้านจึงจะได้รับการให้คะแนนได้ ซึ่งเป็นสาเหตุที่ StepAudio 3 Realtime ปรากฏอยู่ในตารางการให้เหตุผลโดยไม่มีตัวเลขค่าผสม — คอลัมน์ด้านเอเจนต์ อารีนา และอัตราความสำเร็จของงานนั้นว่างเปล่า

องค์ประกอบทั้งสี่ของ Phonic 1 ตามข้อมูลจาก Artificial Analysis:

• ดัชนี Speech to Speech — 87.1 เป็นอันดับหนึ่ง นำหน้า Grok Voice 3.0 ที่ 86.9, GPT-Live-1 (Astra, medium) ที่ 83.2, Grok Voice 2.0 ที่ 81.3 และ GPT-Live-1 (Sol, low) ที่ 80.1

• τ-Voice — 79.9% เป็นอันดับหนึ่ง นำอยู่ 5.4 คะแนนเหนือ GPT-Live-1 (Astra, medium) ที่ 74.5%

• Big Bench Audio — 98.9% เป็นอันดับที่สาม ตามหลัง StepAudio 3 Realtime ที่ 99.7% และ Qwen Audio 3.0 Realtime Plus ที่ 99.2%

• Speech Agent Arena — เป็นอันดับที่ 8 จาก 30 ในด้านความชอบที่ Elo 1012 และเป็นอันดับที่ 4 ในด้านความสำเร็จของงานที่ 92.3%

อ่านสี่แถวนั้นตามลำดับ แล้วคะแนนรวมก็จะไม่ดูเสมอกันอีกต่อไป Phonic 1 ชนะการทดสอบเอเจนต์อย่างชัดเจน และอยู่อันดับสามด้านการให้เหตุผล แต่กลับอยู่อันดับแปดในด้านเสียงที่มนุษย์ชื่นชอบจริง ๆ และอันดับสี่ด้านความสำเร็จของงานแบบตรง ๆ — โมเดลที่วัดออกมาแล้วเป็นผู้ใช้เครื่องมือที่ดีกว่า แต่ไม่ใช่คู่สนทนายอดนิยมของคนส่วนใหญ่ นั่นคือเรื่องราวเชิงโครงสร้างแบบเดียวกับที่เราเจอใน Grok Voice 3.0 ที่ 86.9 เมื่อสองสัปดาห์ก่อน จากมุมตรงกันข้าม: xAI ยึดอารีนาไว้ได้แต่เสียคอลัมน์เอเจนต์ ขณะที่ Phonic ยึดคอลัมน์เอเจนต์ไว้ได้แต่ยอมปล่อยอารีนาไป

นาฬิกาสองเรือน ผู้ชนะสองคน

ความหน่วงเป็นจุดที่ความครอบคลุมเริ่มไม่แม่นยำ เพราะเครื่องมือวัดที่น่าเชื่อถือสองอย่างเห็นต่างกันว่าใครเร็วที่สุด และไม่มีตัวไหนผิด

Artificial Analysis วัดเวลาถึงเสียงแรก — นานแค่ไหนนับจากจังหวะที่ผู้โทรพูดจบจนเสียงเริ่มดังขึ้น ตามการวัดเวลานี้ Phonic 1 เป็นตัวที่เร็วที่สุดในห้าอันดับแรกของดัชนี

• เวลาจนถึงเสียงแรก — Phonic 1 0.61 วินาที; Grok Voice 3.0 0.81 วินาที; GPT-Live-1 (Sol, ระดับต่ำ) 1.24 วินาที; GPT-Live-1 (Astra, ระดับกลาง) 1.34 วินาที; Qwen Audio 3.0 Realtime Plus 1.54 วินาที; StepAudio 3 Realtime 8.83 วินาที

Cekura บริษัทประเมินเอเจนต์เสียงที่รันโมเดลภายในฮาร์เนสโทรศัพท์จริงผ่าน WebRTC วัดเวลาตอบสนองมัธยฐานตลอดการโทรทั้งหมด บนนาฬิกานั้น Grok Voice 3.0 เร็วที่สุดในวงการที่ 1.34 วินาที และ Phonic 1 อยู่ที่ 1.63 วินาที — เร็วเป็นอันดับสาม ตามหลัง Grok Voice Think Fast 2.0 ที่ 1.62 วินาที เพียงหนึ่งในร้อยวินาที และไม่ใช่อันดับหนึ่ง ตัวเลขทั้งสองสะท้อนสิ่งที่เป็นจริง เวลาถึงเสียงแรกคือความเร็วที่โมเดลตัดสินใจเริ่มพูด ส่วนเวลาตอบสนองมัธยฐานคือระยะเวลาที่ผู้โทรรอคำตอบจริงใน 82 สถานการณ์ รวมถึงสถานการณ์ที่ใช้เครื่องมือหนัก ซึ่งวิธีการของ Phonic ชดเชยเวลากลับมาได้พอดีในส่วนที่การวัดเวลาถึงเสียงแรกมองไม่เห็น

หากคุณกำลังเขียนบันทึกการจัดซื้อจัดจ้าง ประโยคที่ต้องหลีกเลี่ยงคือ “โมเดล speech-to-speech ที่เร็วที่สุด” จบแค่นั้น เวอร์ชันที่ป้องกันได้คือ “เร็วที่สุดในการไปถึงเสียงแรกบน Artificial Analysis; การตอบสนองค่ามัธยฐานเร็วเป็นอันดับสามบน live-call harness ของ Cekura”

บอร์ด live-call ถามคำถามที่ยากกว่า

ลีดเดอร์บอร์ด speech-to-speech ของ Cekura เป็นการทดสอบที่ยากกว่าอย่างมีนัยสำคัญเมื่อเทียบกับองค์ประกอบทั้งสี่ของดัชนี: 82 สถานการณ์ — สายการจองคลินิก 59 สาย และสายรับผู้ป่วย Medicare 23 สาย — แต่ละสถานการณ์รันสามครั้งภายในเอเจนต์ Pipecat โอเพนซอร์สตัวเดียวกัน ด้วยพรอมต์และเครื่องมือเดียวกัน ให้คะแนนแบบ pass-cubed หมายความว่าสถานการณ์จะนับก็ต่อเมื่อทั้งสามครั้งสำเร็จและบันทึกทุกฟิลด์ได้อย่างถูกต้อง

ณ การอัปเดตวันที่ 22 ตุลาคม 2026 ของบอร์ดนั้น เมื่อกำหนดค่า Phonic 1 ให้อยู่ในระดับ intelligence high ภายใต้ model ID phonic_v1 บอร์ดนั้นยังจัดให้ Phonic 1 อยู่ในอันดับแรกด้วย:

• ความน่าเชื่อถือ ผ่านครบ 3 ครั้ง — Phonic 1 90.2%; Grok Voice 3.0 81.7%; GPT Realtime 2.1 79.3%; GPT-Live 1 with GPT-6 Sol 75.6%; Azure Realtime 70.7%

• ความแม่นยำของข้อมูล — Phonic 1 97.5%; GPT Realtime 2.1 92.0%; Grok Voice 3.0 87.3%

• สายที่เอเจนต์เงียบ — Phonic 1 0.0%; Grok Voice 3.0 0.0%; GPT Realtime 2.1 3.3%

• ความสำเร็จในการโทรหา Medicare — Phonic 1 88.4%; GPT Realtime 2.1 81.2%; Grok Voice 3.0 58.0%; GPT-Live 1 ร่วมกับ Sol 49.3%

Medicare split คือรายการที่น่าสนใจที่สุดในการเปิดตัวครั้งนี้ทั้งหมด การโทรรับข้อมูลแบบกรอกฟอร์มที่ยาวนานคือจุดที่โมเดลแบบ end-to-end ควรจะล้มเหลว และ Phonic 1 ทำได้ 88.4% ในขณะที่ Grok Voice 3.0 ลดลงครึ่งหนึ่งเหลือ 58.0% บทความของ Cekura เองยังบันทึกโหมดความล้มเหลวที่ควรรู้ไว้: เอเจนต์วางสายโดยไม่รับทราบผู้โทรที่บอกว่าจะโทรกลับมาทีหลัง และบางครั้งก็เขียนบันทึกการส่งต่อ Medicare หรือรายละเอียดการกำหนดเส้นทางผิด ที่ 90.2% pass-cubed จาก 82 สถานการณ์นั้น 74 สถานการณ์ผ่านทุกการรัน และแปดสถานการณ์ไม่ผ่าน นั่นเป็นผลลัพธ์ที่แข็งแกร่งสำหรับโมเดลที่เพิ่งอายุหนึ่งวัน ไม่ใช่โมเดลที่สมบูรณ์แล้ว

หมายเหตุสองข้อเกี่ยวกับการกำหนดป้ายกำกับก่อนที่ใครจะนำตัวเลขเหล่านี้ไปอ้างอิง บอร์ดของ Cekura มีวันที่อัปเดตล่าสุดและมีการแก้ไขระหว่างการรันแต่ละครั้ง ดังนั้นภาพหน้าจอของบอร์ดดังกล่าวจึงไม่ใช่แหล่งอ้างอิงที่ใช้ได้ ให้อ้างอิงตัวเลขสดพร้อมวันที่กำกับไว้ และ Cekura บันทึกต้นทุนที่ $0.060 ต่อนาทีสำหรับ Phonic 1 เมื่อเทียบกับอัตรา Starter ที่เผยแพร่ที่ $0.070 — เป็นตัวเลขที่วัดได้จากชุดทดสอบหนึ่งชุด ไม่ใช่รายการราคา และไม่ใช่ค่าที่จะนำไปหักลบออกจากสิ่งใด

เกณฑ์มาตรฐานของผู้ขาย ซึ่งเก็บไว้ในกล่องของตนเอง

โพสต์เปิดตัวของ Phonic มีผลลัพธ์สามรายการของตัวเอง และสิ่งเหล่านี้น่าทำความรู้จักไว้อย่างแม่นยำ именноเพราะมันไม่ใช่ตัวเลขข้างต้น ในรุ่นย่อยแบบหลายภาษาและฟูลดูเพล็กซ์ของ τ³-Voice จาก Sierra บริษัทรายงานว่า Phonic-1 อยู่ที่ 83.2 เทียบกับ GPT-Live-1 ที่ 79.9 และ Gemini 3.8 Live ที่ 68.5 สังเกตการชนกันของตัวเลข: 79.9 คือคะแนนของ Phonic บน τ-Voice ของ Artificial Analysis และยังเป็นคะแนนของ GPT-Live-1 ในการรัน τ³-Voice ของ Phonic เองด้วย ตัวเลขเดียวกัน คนละแถว รุ่นย่อยของเบนช์มาร์กต่างกัน — อย่าย้ายตัวเลขจากคอลัมน์หนึ่งไปยังอีกคอลัมน์หนึ่งเด็ดขาด

อีกสองรายการเป็นการทดสอบโดยมนุษย์แบบปกปิดแหล่งที่มา ซึ่งดำเนินการโดย Podonos บริการทดสอบผู้ฟังจากบุคคลที่สาม Phonic-1 ได้รับความชื่นชอบมากกว่า GPT-Live-1 ที่ 61.5% ต่อ 32.0% มากกว่า Grok Voice 3 ที่ 66.5% ต่อ 26.5% และมากกว่า Eleven v4 Turbo ที่ 78.0% ต่อ 14.0% ผลลัพธ์ที่ Phonic เองยกมาเป็นผลเด่นกลับเป็นผลที่มันแพ้ นั่นคือ นักพากย์เสียงมนุษย์ได้รับความชื่นชอบมากกว่า Phonic-1 ที่ 57.0% ต่อ 32.0% ทั้งสี่รายการเป็นผลจากการว่าจ้างและรายงานโดยผู้ขาย และไม่มีรายการใดได้รับการทำซ้ำอย่างเป็นอิสระ

ค่าหนึ่งเดือนของมันเท่าไหร่

การกำหนดราคาคือตัวเลขเดียวต่อนาที โดยไม่มีค่าใช้จ่ายต่อโทเค็น และไม่มีการส่งผ่าน LLM แยกต่างหาก ซึ่งเป็นเรื่องผิดปกติในหมวดหมู่ที่ "โมเดลเสียง" มักเป็นเพียงตัวห่อหุ้มบาง ๆ เหนือบริการที่คิดค่าบริการสามรายการ ระดับแพ็กเกจ:

• Starter — $0.07 ต่อนาที ไม่มีขั้นต่ำ 10 สายเรียกพร้อมกัน 10 เอเจนต์ 3 ที่นั่งในเวิร์กสเปซ

• Pro — $0.065 ต่อนาที เทียบกับยอดขั้นต่ำรายเดือนที่ $200 ซึ่งหน้าค่าบริการระบุว่าเทียบได้กับประมาณ 3,100 นาที พร้อมการโทรพร้อมกัน 50 สาย เอเจนต์ 50 ราย และที่นั่ง 30 ที่

• Enterprise — ปรับแต่งเฉพาะ พร้อมส่วนลดตามปริมาณ การติดตั้งใช้งานบน VPC หรือ on-prem, DPAs, SLAs และ HIPAA BAAs

ผู้ที่สมัครก่อนวันที่ 30 พฤศจิกายนจะได้รับเครดิต $250 เมื่อลองคำนวณสำหรับการใช้งาน 10,000 นาทีต่อเดือน ราคาตามรายการของคู่แข่งที่ใกล้เคียงที่สุดก็จะเรียงลำดับได้อย่างรวดเร็ว:

• 10,000 นาที — Phonic 1 Starter $700; Grok Voice 3.0 $800 ที่ $0.08/นาที; GPT-Live-1 (Sol, ต่ำ) $750 ที่ $0.075; GPT-Live-1 (Astra, กลาง) $970 ที่ $0.097

• 10,000 นาทีเดียวกันบน Pro — $650 แต่เฉพาะเมื่อเกินประมาณ 3,100 นาทีขึ้นไปเท่านั้นที่ยอดขั้นต่ำ $200 จะเลิกเป็นข้อจำกัดที่ผูกมัดผลลัพธ์

ตัวเลขที่เข้ากันไม่ได้บนใบราคาคือจำนวนการเรียกพร้อมกัน การเรียกพร้อมกันสิบครั้งบน Starter ถือเป็นเพดานจริงสำหรับอะไรก็ตามที่ใกล้เคียงกับคิวสนับสนุน และนี่คือเหตุผลที่การขยับไป Pro คุ้มค่าที่ 50 ดอลลาร์ต่อเดือนเมื่อใช้งานในปริมาณมาก: การเปลี่ยนระดับให้การเรียกพร้อมกัน 50 รายการมากกว่าที่ให้ส่วนลดครึ่งเซนเสียอีก บล็อกวิศวกรรมของ Phonic เองโต้แย้งว่าขีดจำกัดการทำงานพร้อมกันคือภาษีที่ซ่อนอยู่ใน AI เสียง ซึ่งเป็นการวางกรอบอย่างตรงไปตรงมาจากฝ่ายที่กำหนดขีดจำกัดเหล่านั้นเอง

รันที่ไหน และ routing ทำอะไรได้และทำไม่ได้ตรงนี้

Phonic 1 ไม่ได้อยู่ในแค็ตตาล็อกของ OrcaRouter และบทความนี้จะไม่แสร้งทำเป็นว่าเป็นเช่นนั้น: ปัจจุบันคุณเข้าถึงมันได้ผ่าน API ของ Phonic เอง, SDKs ของมัน, CLI หรือ no-code builder และไม่มีทางอื่นอีก นั่นก็เป็นจุดอ่อนเชิงโครงสร้างอย่างตรงไปตรงมาของการซื้อโมเดลเสียงแบบ end-to-end แทนที่จะเป็นแบบ cascade — ผู้ให้บริการรายเดียว, endpoint เดียว และไม่มีผู้ให้บริการรายที่สองให้สลับไปใช้เมื่อ websocket หลุดกลางการสนทนา

สิ่งที่ routing ครอบคลุมคือทางเลือกแทน ไปป์ไลน์ transcribe-think-speak คือพื้นฐานที่บอร์ดของ Cekura เองยังคงเอาชนะโมเดลแบบ end-to-end อยู่เสมอ และขั้นกลางของมันคือการอนุมานข้อความธรรมดา ซึ่งเป็นเลเยอร์เดียวกับที่ API เดียวสำหรับ 200+ โมเดล โดยไม่บวกเพิ่ม 0%นำมาใช้ได้ ขา transcription และขาการให้เหตุผลสามารถอยู่เบื้องหลังคีย์เดียว และ routing DSL สามารถส่งการเรียกแบบ turn-taking ที่ราคาถูกและการเรียกเพื่อให้เหตุผลเชิงนโยบายที่ราคาแพงไปยังโมเดลที่ต่างกันได้ในการเรียกครั้งเดียวกัน โดยไม่ต้องมีสัญญาที่สองสำหรับแต่ละผู้ขายในสแต็ก ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่เปลี่ยนแปลง ดังนั้นการลดราคาของผู้ขายจะไปถึงขานั้นในวันเดียวกับที่ประกาศ แทนที่จะเป็นตอนต่อสัญญาครั้งถัดไป

ข้อแลกเปลี่ยนนี้ควรพูดให้ตรง ๆ เพราะสกอร์บอร์ดด้านบนไม่ได้สะท้อนมูลค่าของมัน แบบ end-to-end ชนะในเรื่องการผลัดกันพูด การขัดจังหวะ และการเรียกใช้เครื่องมือระหว่างบทพูด ส่วน cascade ชนะในเรื่องความสามารถในการสลับองค์ประกอบใดก็ได้หนึ่งอย่าง — และในข้อเท็จจริงที่ว่า baseline แบบ cascade ของ Cekura ยังคงเหนือกว่าทุกโมเดลเรียลไทม์ที่ทดสอบในด้านความน่าเชื่อถือแบบ pass-cubed ถ้าฟังดูเหมือนเป็นเหตุผลให้อยู่ในระบบ cascade ต่อไป ก็จริงอยู่บ้างบางส่วน เหตุผลที่ต้องเปลี่ยนคือคอลัมน์ Medicare: 88.4% เทียบกับ 58.0% เป็นช่องว่างแบบที่ตัดสินว่าสายรับข้อมูลแบบยาวจะเสร็จสมบูรณ์หรือไม่

สิ่งที่ยังไม่มีใครเคยวัด

ก่อนที่ใครจะเขียนพรอมต์สำหรับใช้งานจริงใหม่โดยอิงจาก 87.1 มีช่องว่างสามประการที่ควรค่าแก่การระบุให้ชัด

• การกำหนดค่าที่วัดได้ไม่ใช่ค่าเริ่มต้น ทุกคะแนนในที่นี้ — 87.1 ของ Artificial Analysis, 90.2% ของ Cekura — ถูกสร้างขึ้นที่การตั้งค่าระดับความฉลาดสูง API มีค่าเริ่มต้นเป็น standard ซึ่งเอกสารระบุว่าเป็นโหมดที่มี latency ต่ำกว่า ไม่มีใครเผยแพร่ตัวเลขของการตั้งค่า standard ดังนั้นตัวเลข latency ข้างต้นจึงไม่ได้สะท้อนสิ่งที่ integration ที่ยังไม่ได้กำหนดค่าจะได้รับประสบการณ์

• ดัชนียังไม่ได้ทดสอบพฤติกรรมในสภาพช่องสัญญาณที่มีเสียงรบกวน Cekura รายงานว่า Grok Voice 3.0 ผ่านทุกการโทรที่มีเสียงรบกวนพื้นหลังและเสียงสะดุด แต่ไม่ได้กล่าวถึงข้อมูลเทียบเคียงใด ๆ เกี่ยวกับ Phonic 1 และ Big Bench Audio ทำงานบนเสียงที่สะอาด

• ความเสถียรในการสนทนาระยะยาวเป็นเพียงเดโม ไม่ใช่การวัดผล การโทร 44 นาทีของ Phonic ที่มีการเรียกใช้เครื่องมือ 123 ครั้งในภาษาอังกฤษและภาษาโปรตุเกสเป็นหลักฐานระยะยาวที่ชัดเจนที่สุดเท่าที่มีการเผยแพร่ และเป็นการโทรเพียงครั้งเดียวที่ผู้ขายเลือกนำมาแสดง

สรุปที่หนักแน่นหลังผ่านไปหนึ่งวัน: Phonic 1 เป็นโมเดลเสียงสู่เสียงแบบเอเจนต์ที่แข็งแกร่งที่สุดบนเครื่องมือวัดอิสระสองรายการที่ให้คะแนนมัน แต่ไม่ใช่ตัวที่เร็วที่สุด ขึ้นอยู่กับว่าคุณอ่านนาฬิกาเรือนไหน และราคา $0.07/minute ของมันทำให้ความเป็นผู้นำด้านเอเจนต์ถูกพอที่จะทดสอบมากกว่าจะเถียงกัน