Phonic 1 กับ GPT Live 1: เดโม 1.1 วินาที สติกเกอร์ราคา 5 เซนต์ และบิลที่ไม่มีใครวัด

ข้อเท็จจริงที่ถูกพูดถึงซ้ำมากที่สุดเกี่ยวกับ Phonic 1คือการเปรียบเทียบจากเดโม: ในการทดสอบของ Phonic เอง เอเจนต์ของบริษัทตอบสนองภายใน 1.1 วินาทีหลังจากผู้เรียกหยุดพูด เทียบกับ 15.7 วินาทีของ OpenAI GPT Live 1 นี่เป็นตัวเลขที่ดูน่าตื่นเต้น เป็นการทดสอบที่ผู้ขายจัดทำเอง และเป็นสิ่งที่มีประโยชน์น้อยที่สุดในการเปรียบเทียบนี้ สิ่งที่มีประโยชน์ที่สุดเกือบจะตรงกันข้าม — ราคาป้ายห้าเซนต์ต่อนาทีของ GPT Live 1 ซึ่งดูเหมือนจะชนะราคาเจ็ดเซนต์ของ Phonic จนกว่าคุณจะบวกมิเตอร์ตัวที่สองที่ OpenAI แนบมากับมัน ระหว่างข้อเท็จจริงสองข้อนั้นคือการเปรียบเทียบที่สำคัญจริง ๆ และมีคำตอบที่ชัดเจนเพียงหนึ่งเดียว: บนกระดาน speech-to-speech ของ Artificial Analysis Phonic 1 (High) ได้ 87.1 และ GPT-Live-1 ในคอนฟิกูเรชัน Astra-medium ได้ 83.2 ช่องว่าง 3.9 คะแนนที่กระจุกตัวเกือบทั้งหมดอยู่ในองค์ประกอบเดียว

ทั้งสองโมเดลเป็นระบบสนทนาแบบฟูลดูเพล็กซ์ที่เรียกใช้เครื่องมือระหว่างการสนทนา ทั้งคู่เปิดตัวเข้าสู่ตลาดที่เมื่อสิบแปดเดือนก่อนยังไม่มีโมเดลเสียงที่เรียกใช้เครื่องมือได้อย่างจริงจัง และทั้งคู่แยกการให้เหตุผลออกจากชั้นเสียงในลักษณะใดลักษณะหนึ่ง ความคล้ายกันประการหลังนี้เองที่ทำให้การเปรียบเทียบต้นทุนเป็นเรื่องที่พลาดได้ง่าย และเป็นจุดที่บทความนี้ใช้เวลาส่วนใหญ่

เดโมที่ถูกแยกชิ้นส่วน

การสาธิตของ Phonic ที่ 1.1 วินาทีเทียบกับ 15.7 วินาทีเป็นการสังเกตจริงของพฤติกรรมจริง และยังเป็นการเปรียบเทียบที่มีสิ่งที่ไม่ทราบสองอย่าง อย่างแรกคือการกำหนดค่า: ความหน่วงของ GPT-Live-1 ขึ้นอยู่กับโมเดลแบ็กเอนด์ที่มันส่งงานต่อไปอย่างมาก และ Artificial Analysis วัดเวลาถึงเสียงแรกได้ที่ 1.34 วินาทีสำหรับการกำหนดค่า Astra-medium และ 1.24 วินาทีสำหรับ Sol-low — ซึ่งไม่มีค่าใดเป็นสิบห้าวินาที ตัวเลข 15.7 วินาทีบ่งชี้ว่าเป็นแบ็กเอนด์ที่อยู่ภายใต้ภาระการให้เหตุผลหนัก หรือไม่ก็เป็นงานที่มีห่วงโซ่เครื่องมือยาว สิ่งที่ไม่ทราบอย่างที่สองคืองาน: ตัวเลขสองค่านี้อธิบายบทสนทนาที่ต่างกัน และไม่มีระเบียบวิธีที่เผยแพร่รองรับคู่นี้

ข้อกล่าวอ้างเชิงโครงสร้างที่อยู่ใต้เดโมนั้นฟังขึ้น อย่างไรก็ตาม ตรงนี้คุ้มค่าที่จะแยกมันออกจากตัวเลข Phonic 1 เรียกใช้เครื่องมือขณะที่ผู้โทรยังพูดอยู่ เอกสารของผู้จำหน่ายระบุเช่นนั้นอย่างชัดเจน และ API ของมันเปิดเผยเครื่องมือแบบซิงโครนัสที่เข้มงวดซึ่งประกาศไว้แบบอินไลน์ตลอดเซสชัน GPT-Live-1 เป็นฟูลดูเพล็กซ์ในความหมายที่มันฟังขณะที่มันพูด และมันมอบหมายงานเครื่องมือข้ามขอบเขตอะซิงโครนัสไปยังโมเดลแบ็กเอนด์แยกต่างหาก ทั้งสองดีไซน์ย้ายงานออกจากเส้นทางวิกฤต ด้วยกลไกที่ต่างกัน ตัวไหนจะชนะบนทราฟฟิกของคุณคือการวัดที่คุณลงมือทำ ไม่ใช่เดโมที่คุณนั่งดู

GPT-Live-1 เป็นการตั้งค่า ไม่ใช่คะแนน

ตัวเลขสาธารณะทุกตัวเกี่ยวกับ GPT-Live-1 จำเป็นต้องมีคำกำกับติดมาด้วย เพราะคะแนนของโมเดลเปลี่ยนแปลงไปตามแบ็กเอนด์ของมัน บนกระดานเดียวกัน:

• GPT-Live-1 (Astra, medium) — ดัชนีการแปลงเสียงเป็นเสียง 83.2, การให้เหตุผล 90, ไดนามิก 94.9, ความสามารถเชิงเอเจนต์ 74.5, ความชอบในอารีนา 1,027, ความสำเร็จของงาน 87.4%, เวลาจนถึงเสียงแรก 1.34 วินาที

• GPT-Live-1 (Sol, low) — ดัชนี 80.1, การให้เหตุผล 89, พลวัต 97.3, เอเจนต์ 59.3, อารีนา 1,037, ความสำเร็จของงาน 90.9%, เวลาถึงเสียงแรก 1.24 วินาที

• Phonic 1 (High) — ดัชนี 87.1, การให้เหตุผล 99, ไม่ได้รายงานไดนามิกส์, ความสามารถเชิงเอเจนต์ 79.9, อารีนา 1,012, ความสำเร็จของงาน 92.3%, เวลาถึงเสียงแรก 0.61 วินาที

มีสามสิ่งที่ตามออกมาจากเรื่องนี้ อย่างแรก การตั้งค่า Sol ที่ใช้ความพยายามต่ำกว่าทำคะแนนได้ดีกว่าในด้านพลวัต ความสำเร็จของงาน และการถูกเลือกในอารีนา เมื่อเทียบกับตัว Astra ที่ใช้ความพยายามสูงกว่า และทำได้แย่กว่าในด้านการให้เหตุผลและความสามารถในการลงมือทำ (agency) — ซึ่งเป็นจุดแลกเปลี่ยนแบบเดียวกับที่ Gemini โหมดขยายความคิดของ Google แสดงให้เห็น และนั่นหมายความว่า "คะแนน GPT-Live-1" เป็นวลีที่ไม่มีความหมายเลยหากไม่ระบุการตั้งค่ากำกับไว้

ประการที่สอง ช่องว่างด้านเอเจนต์ระหว่าง Phonic 1 กับคอนฟิกูเรชัน GPT-Live-1 ที่ดีที่สุดคือ 5.4 คะแนน ซึ่งน้อยกว่าที่สื่อเปิดตัวของ Phonic บ่งชี้ — ส่วนนำ 8.3 คะแนนที่อ้างนั้นเป็นการเทียบกับ Grok Voice 3.0 ไม่ใช่ OpenAI — และน้อยพอที่ส่วนผสมงานที่แตกต่างออกไปอาจปิดช่องว่างนี้ได้อย่างสมเหตุสมผล

ประการที่สาม GPT-Live-1 นำในด้านความชอบบนอารีนาในการตั้งค่าทั้งสองรูปแบบ โดยมีส่วนต่าง 15 และ 25 Elo ตามลำดับ และนำ Phonic ในด้านพลวัตการสนทนาด้วยตัวเลขที่ Phonic ยังไม่ได้เปิดเผย ในแกนที่ผู้โทรจะอธิบายว่า "ฟังดูเหมือนเป็นคน" OpenAI นำอยู่ และช่องว่างดังกล่าวไม่ได้ถูกวัดจากทั้งสองฝ่าย

สติกเกอร์ห้าเซนต์และมิเตอร์อันที่สอง

GPT-Live-1 ราคา $0.05 ต่อนาทีเสียง โดยคิดค่าบริการเป็นรายวินาทีและไม่ปัดเศษขึ้น พร้อมค่าธรรมเนียมเริ่มต้นเซสชัน 15 วินาทีซึ่งจะได้รับคืนเป็นเครดิต Phonic 1 ราคา $0.07 ต่อนาทีการสนทนา และ $0.065 ในแพ็กเกจ Pro เมื่อเทียบในสองรายการนี้ OpenAI ถูกกว่า 29% และปิดประเด็นได้เลย

ยังไม่จบแค่นั้น เพราะค่าบริการรายนาทีของ GPT-Live-1 ครอบคลุมเฉพาะเลเยอร์เสียงเท่านั้น การให้เหตุผลฝั่งแบ็กเอนด์ การเรียกใช้เครื่องมือ และการค้นหาเว็บจะคิดค่าบริการแยกต่างหากในอัตราต่อโทเค็นมาตรฐานของโมเดลแบ็กเอนด์ — แนวทางของ OpenAI เองแนะนำให้ใช้โมเดลขนาดเล็กสำหรับรอบสนทนาที่มีปริมาณสูง และใช้โมเดลระดับแนวหน้าสำหรับการให้เหตุผลที่ซับซ้อน Artificial Analysis วัดยอดรวมในโลกจริงได้ที่ $4.47 ถึง $5.83 ต่อชั่วโมงของเสียงอินพุต ขึ้นอยู่กับการกำหนดค่าการให้เหตุผล เทียบกับ $4.20 สำหรับ Phonic 1

• เลเยอร์เสียง — GPT-Live-1 $0.05/นาที เทียบกับ Phonic 1 $0.07/นาที, Pro $0.065

• มีอะไรอีกบ้างที่คิดค่าใช้จ่าย — GPT-Live-1 เพิ่มโทเค็นของโมเดลฝั่งแบ็กเอนด์ การเรียกใช้เครื่องมือ และการค้นหาเว็บ; Phonic 1 ระบุอัตราคงที่ต่อนาทีเพียงอัตราเดียว โดยไม่มีการส่งผ่านต้นทุน LLM

• ต้นทุนอินพุตต่อชั่วโมงที่วัดได้ — GPT-Live-1 $4.47–$5.83 เทียบกับ Phonic 1 $4.20 ตามข้อมูลของ Artificial Analysis

• การคาดการณ์ต้นทุน — ต้นทุนรวมของ GPT-Live-1 ขึ้นอยู่กับการกำหนดเส้นทางแบ็กเอนด์ของคุณ ส่วนของ Phonic 1 ไม่เป็นเช่นนั้น

การกลับด้านนั้นคือข้อโต้แย้งเรื่องต้นทุนทั้งหมด และมันให้ผลตรงกันข้ามกับราคาที่ติดป้ายไว้ ทีมที่ทำให้การคงเบ็กเอนด์ไว้มีต้นทุนต่ำสามารถเอาชนะราคา $4.20 ต่อชั่วโมงของ GPT-Live-1 ได้อย่างสบาย ๆ ส่วนทีมที่ส่งทุกเทิร์นไปยังโมเดลระดับแนวหน้าจะมีต้นทุนสูงกว่านั้น อัตราคงที่ของ Phonic คือราคาคงที่สำหรับภาระงานที่แปรผัน ซึ่งมีคุณค่าหรือมีราคาแพงเกินไปขึ้นอยู่กับสัดส่วนการใช้งานที่คุณใช้จริง

ส่วนแบ็กเอนด์คือจุดที่ OrcaRouter ลงตัวโดยไม่ต้องแสร้งว่าเป็นสิ่งที่ไม่ใช่ ทั้ง Phonic 1 และ GPT Live 1 ไม่ได้อยู่ในแคตตาล็อกของเรา — แต่ละตัวพร้อมใช้งานผ่าน API ของผู้จำหน่ายเอง — แต่โมเดลที่ตอบเทิร์นที่ยากของ GPT-Live-1 นั้นเป็นโมเดลข้อความธรรมดา และนั่นคือโมเดล 200+ รายการที่เราเราเตอร์ผ่านคีย์เดียว โดยคิดมาร์กอัป 0% เหนือราคาตามรายการของผู้ให้บริการ. แบ็กเอนด์ทั้งสองที่ OpenAI ระบุชื่อ ได้แก่ GPT-5.6 Luna และ GPT-6 Astra ต่างมีหน้าโมเดลอยู่ที่นี่ กฎการกำหนดเส้นทางสามารถคงเทิร์นที่ง่ายไว้บนแบ็กเอนด์ราคาประหยัด และยกระดับเฉพาะเทิร์นที่ต้องการเท่านั้น โดยมี การ failover อัตโนมัติหากผู้ให้บริการเกิดความไม่เสถียรระหว่างการเรียก — ซึ่งเป็นกลไกควบคุมที่ทำให้ค่าใช้จ่ายผันแปรของ GPT-Live-1 กลายเป็นค่าใช้จ่ายที่มีขอบเขตจำกัดได้อย่างแม่นยำ

สิ่งที่ OpenAI มีแต่ Phonic ไม่มี

ช่องว่างด้านความสมบูรณ์ไม่ใช่จุดขาย แต่เป็นจุดที่เกี่ยวกับการใช้งานจริง GPT-Live-1 อยู่ใน ChatGPT ตั้งแต่ 8 กรกฎาคม 2026 อยู่ใน API ตั้งแต่ 10 กันยายน และได้รับการอัปเดตแบบเพิ่มเติมเป็น GPT-Live-1.1 เมื่อ 15 ตุลาคม มันทำงานในระดับขนาดที่ไม่มีโมเดลอายุหนึ่งสัปดาห์ใดทำได้ และเรื่องราวด้านการรับส่งข้อมูลของมันสะท้อนสิ่งนั้น: Live Sessions ผ่าน WebRTC, WebSocket หรือ SIP โดยจัดการระบบโทรศัพท์ให้เอง แทนที่จะปล่อยให้ผู้พัฒนาระบบเป็นผู้จัดการ

การนำไปใช้คือสัญญาณอีกอย่างหนึ่ง Perplexity ย้ายโหมดเสียงไปยัง GPT-Live-1 เมื่อวันที่ 28 ตุลาคม 2026 และ Yelp กับ Speak ได้รับการระบุว่าเป็นพาร์ตเนอร์ช่วงแรก สิ่งเหล่านี้ไม่ใช่หลักฐานของคุณภาพ แต่เป็นหลักฐานว่าโมเดลนี้ผ่านการสัมผัสกับทราฟฟิกผู้บริโภคได้

• การรับส่งข้อมูล — GPT-Live-1 มี WebRTC, WebSocket และ SIP; Phonic 1 มี endpoint แบบ WebSocket โดยใช้ webhooks, socket ที่เปิดค้างไว้ หรือ LiveKit เป็นรูปแบบการเชื่อมต่อ

• การทำงานพร้อมกัน — GPT-Live-1 ประกาศขีดจำกัดเซสชันที่ใช้งานพร้อมกันแบบแบ่งระดับ (ประมาณ 25–50 ที่ Tier 1 และสูงถึง 500 ที่ระดับสูงสุด) และไม่มีระดับฟรี; Phonic 1 ไม่ได้ประกาศเพดานเซสชันในเอกสารสาธารณะของตน

• ขอบเขต — GPT-Live-1 ไม่รับอินพุตรูปภาพหรือวิดีโอ และไม่มีความสามารถส่งเอาต์พุตแบบมีโครงสร้างบนชั้นเสียง; Phonic 1 เป็นระบบเสียงโดยกำเนิด โดยมีการเรียกใช้เครื่องมือเป็นพื้นผิวแบบมีโครงสร้าง

• การปรับใช้ — Phonic 1 มีให้บริการทั้งคลาวด์, แบบผู้เช่าเดียว, VPC peering และการโฮสต์เอง โดยมีความพร้อมใช้งานของ SOC 2 Type II และ HIPAA BAA; GPT-Live-1 เป็น API ที่โฮสต์โดย OpenAI

สิ่งที่ Phonic 1 มีแต่ OpenAI ไม่มี

ความเร็ว บนกระดานที่วัดด้วยมาตรฐานเดียวกัน: 0.61 วินาทีถึงเสียงแรก เทียบกับ 1.34 วินาทีและ 1.24 วินาที นี่คือช่องว่างที่วัดได้เพียงจุดเดียวในการจับคู่ครั้งนี้ที่ใหญ่พอจะรู้สึกได้โดยผู้โทร แทนที่จะต้องอนุมานจากแผนภูมิ และสอดคล้องกับคำกล่าวอ้างของ Phonic เรื่องการแปลงเสียงพูดเข้าเป็นเสียงพูดออกที่ต่ำกว่า 600 มิลลิวินาที

Agency ในความหมายที่แคบลง: 79.9% เทียบกับ 74.5% บนการกำหนดค่า OpenAI ที่ดีกว่า และบิลใบเดียว ซึ่งเป็นคุณสมบัติด้านการจัดซื้อมากกว่าความสามารถ — แต่สำหรับบริษัทที่ใช้สเปรดชีตซึ่งมีบรรทัดค่าใช้จ่ายด้านเสียง บรรทัดแบ็กเอนด์ และบรรทัดเครื่องมือ การยุบมิเตอร์สามตัวให้เหลือหนึ่งเดียวก็มีคุณค่าจริง

• ระยะเวลาถึงเสียงแรก — Phonic 1 0.61 วินาที เทียบกับ GPT-Live-1 1.34 วินาที (Astra, medium) และ 1.24 วินาที (Sol, low) ตามข้อมูลของ Artificial Analysis

• ประสิทธิภาพแบบเอเจนติก — Phonic 1 79.9 เทียบกับ 74.5 (Astra, ระดับปานกลาง) และ 59.3 (Sol, ระดับต่ำ)

• ความชอบใน Arena — GPT-Live-1 1,027 และ 1,037 เทียบกับ Phonic 1 1,012

• ความสำเร็จของงาน — Phonic 1 92.3% เทียบกับ 87.4% (Astra) และ 90.9% (Sol)

คำกล่าวอ้างด้านประสิทธิภาพของ OpenAI เองควรได้รับการติดป้ายกำกับแยกต่างหาก เพราะยังไม่มีข้อใดได้รับการทำซ้ำอย่างอิสระ: 80.1% บน Full Duplex Bench v1.5 เทียบกับ 45.4% สำหรับ GPT-Realtime-2.1, ความหน่วงในการผลัดกันพูด 0.798 วินาที เทียบกับ 1.41 วินาที และอัตราความสำเร็จในการเรียกใช้เครื่องมือประมาณ 87% เหล่านี้เป็นตัวเลขจากผู้ขาย ฟังดูน่าเชื่อถือและยังไม่ได้รับการยืนยัน และต้องเขียนประโยคเดียวกันนี้เกี่ยวกับการเปรียบเทียบ 15.7 วินาทีของ Phonic

การตัดสินใจ ซึ่งกล่าวไว้ในรูปแบบของการเดิมพัน

เลือก GPT Live 1 หากการโทรของคุณเป็นการสนทนามากกว่าการทำธุรกรรม หากคุณต้องการให้มีการจัดการด้านการรับส่งและระบบโทรศัพท์ให้ และหากคุณยินดีที่จะดูแลการกำหนดเส้นทางฝั่งแบ็กเอนด์ที่ทำให้บิลของมันอยู่ในระดับที่แข่งขันได้ จุดด้อยด้าน agentic 5.4 จุดนั้นเป็นเรื่องจริง แต่ไม่ถึงขั้นร้ายแรงสำหรับเอเจนต์ที่ส่วนใหญ่ตอบคำถามและบางครั้งเรียกค้นข้อมูล — และไลน์อัปหลายการกำหนดค่าที่ใหญ่กว่าของ OpenAI ตั้งแต่เสียงแบบใช้ความพยายามน้อยที่สุดไปจนถึงแบ็กเอนด์ระดับแนวหน้า ให้ปุ่มปรับได้มากกว่าที่ Phonic เปิดเผยในปัจจุบัน

เลือก Phonic 1 หากการโทรต้องทำธุรกรรมให้สำเร็จ หากการได้รับเสียงแรกภายในหนึ่งในสามของวินาทีช่วยเปลี่ยนอัตราการ abandon ของคุณ และหากร�าคาคงที่ต่อนาทีคุ้มค่าสำหรับคุณมากกว่าการประหยัดเชิงทฤษฎีจาก backend ที่ปรับแต่งมาอย่างดี จงยอมรับว่าคุณกำลังซื้อโมเดลที่เพิ่งเปิดตัวได้หนึ่งสัปดาห์ ซึ่งมีคณะกรรมการอิสระเพียงชุดเดียว ไม่มีข้อจำกัดเซสชันที่เผยแพร่ และไม่มีประวัติการใช้งานระดับผู้บริโภค

สิ่งที่จะตัดสินเรื่องนี้ไม่ใช่การที่ผู้ขายรายใดเผยแพร่อะไร แต่คือการทดลองโทรด้วยตัวเองเป็นเวลาสองสัปดาห์ แบ่งเวลาระหว่างสองรายนี้ และวัดอัตราการทำภารกิจเดียวกันให้สำเร็จเทียบกันแบบเคียงข้าง การนำอยู่ 5.4 คะแนนของ Phonic ในด้านเอเจนต์มีขนาดของช่องว่างพอดีกับที่โดเมนงานเพียงโดเมนเดียวสามารถพลิกกลับได้ ซึ่งเป็นข้อโต้แย้งให้วัดผล ไม่ใช่ให้เลือกผู้นำบนตารางอันดับ