Phonic 1 กับ Qwen Audio 3.1: 82.0% และ 79.9% ไม่ใช่ตัวเลขเดียวกัน

การเปรียบเทียบที่ทุกคนจะหยิบมาทำระหว่างPhonic 1กับQwen Audio 3.1 Realtimeคือตารางสองบรรทัด: Qwen ได้ 82.0% บน τ-Voice, Phonic ได้ 79.9% ดังนั้นโมเดลที่ราคาถูกกว่าจึงชนะ นี่เป็นเรื่องเล่าที่เรียบง่ายและมันผิด เพราะตัวเลขสองตัวนั้นมาจากเครื่องมือคนละอัน 82.0% ของ Qwen มาจากเปเปอร์ของผู้พัฒนาของตัวเอง วัดบนแบบทดสอบเวอร์ชัน speech-to-text แบบ half-duplex ที่ดัดแปลงขึ้น 79.9% ของ Phonic คือองค์ประกอบเชิงเอเจนต์ของดัชนี speech-to-speech ของ Artificial Analysis วัดบนของจริง การเอาตัวเลขหนึ่งไปลบออกจากอีกตัวเป็นความผิดพลาดแบบเดียวกับการเอาคะแนนสอบจากข้อสอบซ้อมมาเทียบกับคะแนนจากข้อสอบจริง

สิ่งที่ทำให้ความผิดพลาดนี้ควรค่าแก่การเขียนถึงก็คือ มันเป็นการเปรียบเทียบเพียงอย่างเดียวที่มีให้ใช้ Qwen Audio 3.1 Realtime ไม่ปรากฏบนกระดาน speech-to-speech ของ Artificial Analysis เลย — บนกระดานระบุว่า Qwen Audio 3.0 Realtime Plus อยู่ที่ 69.5 และ Qwen Audio 3.0 Realtime Flash อยู่ที่ 67.7 และไม่มีรุ่นใหม่กว่านั้น ดังนั้นคู่แข่งราคาประหยัดรายใหม่ล่าสุดในหมวดนี้จึงได้เผยแพร่ตัวเลขของตัวเอง ในหน่วยของตัวเอง และยังไม่มีหน่วยงานอิสระใดให้คะแนนมัน ช่องว่างนั้นเองคือแก่นเรื่อง และบทความที่ตรงไปตรงมาก็จะกล่าวถึงสิ่งที่ยังไม่อาจพูดได้เป็นส่วนใหญ่

Qwen Audio 3.1 จริง ๆ แล้วคืออะไร

Qwen-Audio-3.1 ของ Alibaba เปิดตัวในช่วงปลายเดือนกันยายน 2026 ในรูปแบบสแตกที่ประกอบด้วยห้าโมเดล แทนที่จะเป็นการเปิดตัวโมเดลเดียว ได้แก่ ASR, ASR-Next, TTS, TTS-Next และ Realtime ตัวที่แข่งขันกับ Phonic 1 คือ Qwen Audio 3.1 Realtime และโดยเฉพาะระดับ Realtime-Plus ซึ่งมีให้ใช้ผ่าน QwenCloud ทาง WebSocket เท่านั้น — ไม่มี open weights ต่างจากสมาชิก TTS และ ASR ในตระกูลนี้ และไม่มีเส้นทาง self-host ในเนื้อหาสาธารณะ

• บริบท — รวม 262K, อินพุตสูงสุด 245K และเอาต์พุตสูงสุด 16K เทียบกับบริบทที่ยังไม่เปิดเผยของ Phonic 1

• ขีดจำกัดอัตราการประมวลผล — โดยค่าเริ่มต้นบน QwenCloud คือ 60 คำขอและ 100K โทเค็นต่อนาที; Phonic ไม่ได้เผยแพร่ขีดจำกัดเซสชันที่เทียบเท่ากัน

• คุณสมบัติ — การเรียกใช้ฟังก์ชัน การค้นหาเว็บ เอาต์พุตแบบมีโครงสร้าง การแคชบริบท การปรับแต่งละเอียด และการโคลนเสียง ล้วนถูกระบุไว้สำหรับ Qwen Audio 3.1 Realtime ส่วน Phonic ระบุถึงเครื่องมือแบบซิงโครนัสที่ทำงานในบรรทัด ภาษามากกว่า 50 ภาษา และการสลับภาษาระหว่างการสนทนา

• ความพร้อมใช้งาน — Qwen Audio 3.1 Realtime ให้บริการผ่าน API เท่านั้น; Phonic 1 มีทั้งแบบคลาวด์, single-tenant, VPC peering และแบบโฮสต์เอง

สองแถวนั้นคือแถวที่มีความสำคัญต่อการจัดซื้อ ครอบครัวของ Qwen มักเผยแพร่น้ำหนักโมเดล แต่สมาชิกรายนี้ไม่เผยแพร่ ซึ่งตัดเหตุผลหลักที่ทีมจะเลือก Qwen แทนผู้ให้บริการแบบโฮสต์ออกไป ตัวเลือกการโฮสต์เองของ Phonic เป็นภาพสะท้อนตรงกันข้าม — เป็นวิธีเดียวที่โมเดลสองตัวนี้จะรันที่อื่นนอกคลาวด์ของผู้อื่นได้

เกณฑ์มาตรฐานที่ไม่ใช่เกณฑ์มาตรฐานเดียวกัน

ตัวเลข 82.0% ปรากฏอยู่ในบทความ arXiv ของ Alibaba เรื่อง Qwen-Audio-3.1 โดยนำเสนอว่าเป็นการปรับปรุงจาก 78.4% ในรุ่นก่อนหน้า บทความเดียวกันระบุชัดเจนว่านี่คือการดัดแปลงแบบ half-duplex สำหรับการแปลงเสียงเป็นข้อความของ τ-Voice มิใช่การประเมินแบบ agentic แบบ full-duplex ที่ให้ตัวเลขบนกระดานผู้นำสาธารณะ นั่นไม่ใช่การหลอกลวง — มีการเปิดเผยไว้ — แต่หมายความว่าตัวเลขนี้ตอบคำถามที่แคบกว่า นั่นคือ เมื่อกำหนดการตั้งค่าแบบบทถอดความและงานให้หนึ่งงาน โมเดลทำงานนั้นสำเร็จบ่อยเพียงใด

79.9% ของ Phonic 1 ตอบคำถามที่กว้างกว่าได้ และช่องว่างระหว่างสองคำถามนี้ก็ไม่ได้น้อยเลย การปรับให้เป็นแบบ half-duplex จะตัดส่วนของการเรียกแบบ agentic ที่ยากที่สุดที่จะทำให้ถูกต้องออกไป ได้แก่ barge-in, การพูดทับซ้อนกัน, การตัดสินใจว่าจะหยุดฟังเมื่อใด และการกู้กลับมาเมื่อผู้เรียกเปลี่ยนใจกลางการเรียกเครื่องมือ แต่ละข้อเหล่านี้ล้วนเป็นจุดที่โมเดลสูญเสียงานที่otherwiseมันจะทำจนสำเร็จ

ทิศทางของข้อผิดพลาดจึงคาดเดาได้ และเป็นทิศทางตรงข้ามกับการตีความที่เห็นได้ชัด 82.0% ของ Qwen มีแนวโน้มสูงว่าเป็นเพดานแบบมองโลกในแง่ดีสำหรับพฤติกรรมการทำงานแบบฟูลดูเพล็กซ์ของโมเดลนี้ ไม่ใช่การเอาชนะแบบเทียบกันได้จริงเหนือ 79.9% ของ Phonic ยังไม่ทราบว่าโมเดลจะผ่านเกณฑ์นั้นหรือไม่ Alibaba ยังไม่ได้นำโมเดลไปให้ผู้ประเมินที่สร้างผล 79.9 ตรวจสอบ

สิ่งที่ Qwen เปิดเผยจริง ๆ และจุดที่ตัวเลขของตัวเองกลายเป็นข้อเสียเปรียบให้ Qwen

การเปิดตัวของ Alibaba เปิดเผยเกี่ยวกับความล้มเหลวอย่างตรงไปตรงมาผิดปกติ ซึ่งทำให้它有ประโยชน์มากกว่าประโยคพาดหัว τ-Voice เมื่ออ่านตารางทั้งหมด โมเดลนี้ดูไม่เหมือนผู้ท้าชิงที่เด็ดขาดเท่าไร แต่ดูเหมือนระบบเรียลไทม์รุ่นที่สองที่แข็งแกร่งซึ่งมีจุดอ่อนเฉพาะสองจุด

• อัตราความผิดพลาดระดับคำของ FLEURS — จาก 9.01 ลดลงเป็น 3.98 ถือเป็นการปรับปรุงความแม่นยำในการรู้จำข้ามภาษาที่แท้จริง

• ค่าเฉลี่ย Big Bench Audio สำหรับ 14 ภาษา — 81.7% ถึง 88.1%

• Audio MultiChallenge — 47.12 ถึง 52.21

• อัตราการตอบสนองต่อเสียงพูดพื้นหลังบน Full-Duplex-Bench v1.5 — ลดลงจาก 73.0% เหลือ 13.0% ซึ่งหมายความว่าโมเดลมีโอกาสตอบสนองต่อเสียงพูดที่ไม่ได้มุ่งมาที่ตัวมันน้อยลงมาก

• ความหน่วงในการหยุดเมื่อถูกขัดจังหวะ — 1.116s เทียบกับ 0.383s สำหรับ GPT-Realtime-2 นี่คือตัวเลขที่ต้องนำไปชั่งน้ำหนักกับ 0.61s ของ Phonic ถึงเสียงแรก: ตัวหนึ่งวัดว่าโมเดลเริ่มต้นได้เร็วแค่ไหน อีกตัววัดว่าหยุดได้เร็วแค่ไหน และการหยุดที่ช้าคือสิ่งที่ผู้โทรอธิบายว่าถูกพูดทับ

• อัตราการกลับมาเริ่มพูดโดยไม่พึงประสงค์ — 0.035 เพิ่มขึ้นเป็น 0.130 ซึ่งเป็นการถดถอยที่บทความรายงานไว้เมื่อเทียบกับรุ่นก่อนหน้าของตัวเอง; โมเดลมีแนวโน้มมากขึ้นที่จะเริ่มพูดอีกครั้งในเวลาที่ไม่ควร

สองบรรทัดสุดท้ายนั้นเป็นข้อเท็จจริงที่ถูกรายงานน้อยที่สุดในการเปิดตัว Qwen Audio 3.1 โมเดลที่ใช้เวลา 1.116 วินาทีกว่าจะเริ่มตอบสนอง และกลับมาทำงานต่อในจังหวะที่ไม่ต้องการ จะรู้สึกแย่บนการโทรจริงกว่าที่คะแนนความแม่นยำบอกไว้ — และนั่นคือมิติที่การตลาดของ Phonic 1 เน้นพอดี ด้วยข้ออ้างที่ว่า “ตอบสนองก่อนผู้โทรพูดจบ” และความหน่วงแบบ speech-to-speech ที่ต่ำกว่า 600ms ของมัน

จุดข้อมูลเดียวที่สามารถเปรียบเทียบได้

เนื่องจาก Qwen Audio 3.1 Realtime ไม่มีคะแนนดัชนี วิธีเดียวที่จะนำมาเทียบกับ Phonic 1 บนเครื่องมือวัดเดียวกันคือผ่านรุ่นก่อนหน้า โดย Qwen Audio 3.0 Realtime Plus ได้คะแนน 69.5 บนดัชนี speech-to-speech ด้วยประสิทธิภาพด้านเอเจนต์ 54.6% การให้เหตุผลด้านเสียงพูด 99% ความสำเร็จของงาน 77.8% arena Elo 798 และเวลา 1.54 วินาทีถึงเสียงแรก

ประสิทธิภาพแบบเอเจนต์ — Phonic 1 79.9 เทียบกับ Qwen Audio 3.0 Realtime Plus 54.6 หาก 3.1 ให้การปรับปรุงตามที่เอกสารของตัวเองบ่งชี้ในงานต่าง ๆ ได้จริง ก็จะปิดช่องว่าง 25 จุดนั้นได้บางส่วน; ยังไม่มีใครวัดว่าได้มากน้อยเพียงใด

ความชอบในอารีนา — Phonic 1 1,012 เทียบกับ 798 ของ 3.0 นี่คือช่องว่างที่ใหญ่ที่สุดในการเปรียบเทียบ และเป็นช่องว่างที่มีโอกาสน้อยที่สุดที่จะถูกปิดลง เนื่องจากความชอบในอารีนาเป็นการวัดด้วยการโหวตของมนุษย์ซึ่งเปลี่ยนแปลงช้าระหว่างรุ่นต่าง ๆ

• เวลาถึงเสียงแรก — Phonic 1 0.61 วินาที เทียบกับ 3.0 ที่ 1.54 วินาที ระดับเรียลไทม์ของ Qwen นั้นเป็นตระกูลที่ช้ากว่าในจุดนี้มาโดยตลอด และ 3.1 ไม่เผยแพร่ตัวเลขเวลาถึงเสียงแรก

• ความสำเร็จของงาน — Phonic 1 92.3% เทียบกับ 77.8% ของ 3.0

รูปแบบสามรุ่นนี้สอดคล้องกัน: โมเดลแบบเรียลไทม์ของ Qwen เป็นตัวรู้จำที่แข็งแกร่งแต่เป็นเอเจนต์ที่อ่อนแอ และ 3.1 คือรุ่นที่อ้างว่าช่วยแก้ครึ่งที่เป็นเอเจนต์ ว่ามันทำได้จริงหรือไม่ก็คือสิ่งที่คะแนนดัชนีที่หายไปจะบอกคุณได้อย่างแม่นยำ

สองหน่วยราคาที่ไม่แปลงกัน

Qwen Audio 3.1 Realtime คิดค่าบริการตามโทเคน: 0.80 ดอลลาร์สำหรับโทเคนข้อความขาเข้า 1 ล้านโทเคน, 6.40 ดอลลาร์สำหรับเสียงขาเข้า, 6.40 ดอลลาร์สำหรับข้อความขาออก และ 24 ดอลลาร์สำหรับเสียงขาออก ในภูมิภาคสิงคโปร์ โดยอัตราของปักกิ่งต่ำกว่าประมาณ 14% ในทุกรายการ ส่วน Phonic 1 คิดค่าบริการ 0.07 ดอลลาร์ต่อนาทีสนทนา แบบเหมาจ่าย โดยไม่มีค่าโทเคน

ไม่มีการแปลงสาธารณะระหว่างหน่วยเหล่านั้น การจะแปลงอัตราต่อโทเคนให้เป็นต้นทุนต่อนาทีได้นั้น คุณต้องรู้ความหนาแน่นของโทเคนเสียง — คือจำนวนโทเคนที่คำพูดหนึ่งนาทีใช้ — และ Alibaba ไม่ได้เผยแพร่ข้อมูลนี้สำหรับโมเดลนี้ ใครก็ตามที่บอกค่าเทียบเท่าต่อนาทีให้คุณสำหรับ Qwen Audio 3.1 ย่อมเป็นการเดาความหนาแน่น หรือไม่ก็หยิบยืมมาจากตระกูลโมเดลอื่นที่มีตัวแปลงสัญญาณต่างกัน ทิศทางของคำตอบไม่ต้องสงสัยเลย: อัตราค่าเสียงของ Qwen ต่ำพอที่หนึ่งนาทีที่แปลงเป็นโทเคนอย่างดีจะมีแนวโน้มสูงมากที่จะต่ำกว่าเจ็ดเซนต์ และการลดราคาราว 85% ในระดับ Realtime ก็เป็นพาดหัวข่าวของการเปิดตัว ขนาดของตัวเลขยังไม่ทราบ และความไม่ทราบนั้นใหญ่พอที่จะมีนัยสำคัญต่อการติดตั้งใช้งานปริมาณมาก

• อินพุตเสียง — Qwen $6.40 / 1M โทเค็น (สิงคโปร์) เทียบกับ Phonic $0.07 ต่อนาทีการสนทนา โดยไม่มีอัตราแลกเปลี่ยนที่เผยแพร่ระหว่างกัน

• เสียงเอาต์พุต — Qwen $24 / 1M โทเค็น; อัตราคิดตามนาทีแบบเหมาจ่ายของ Phonic ครอบคลุมเสียงเอาต์พุต

• ราคาตามภูมิภาค — ภูมิภาคปักกิ่งของ Qwen มีราคาถูกกว่าสิงคโปร์ประมาณ 14%; Phonic เผยแพร่เรตการ์ดเดียวทั่วโลก

• ขั้นต่ำ — แพ็กเกจ Pro ของ Phonic มีขั้นต่ำรายเดือนที่ $200; QwenCloud เผยแพร่ขีดจำกัดอัตราเริ่มต้นแทนที่จะกำหนดขั้นต่ำระดับแพลตฟอร์ม

ความต่างในรูปร่างของการคิดค่าบริการคือส่วนที่ยังคงอยู่แม้ไม่มีการแปลงหน่วย การคิดค่าบริการตามโทเคนจะติดตามปริมาณงานที่โมเดลทำจริง — บันทึกบทสนทนายาว คำตอบที่ละเอียดยืดเยื้อ และรอบการสนทนาที่ใช้เครื่องมือมาก ล้วนมีค่าใช้จ่ายสูงขึ้น การคิดค่าบริการรายนาทีติดตามระยะเวลาที่สายโทรเปิดอยู่ สำหรับเอเจนต์ที่ใช้เวลาส่วนใหญ่ของสายในการฟัง รูปแบบคิดตามโทเคนเป็นแบบที่เป็นมิตรกว่า ส่วนเอเจนต์ที่ตอบยาว ๆ ไม่ใช่เช่นนั้น

คุณกำลังตอบคำถามข้อใด

หากคุณกำลังเลือกโมเดลเพื่อนำไปติดตั้งบนโครงสร้างพื้นฐานของคุณเอง การเปรียบเทียบนี้ไม่เหมาะกับคุณ: Qwen Audio 3.1 Realtime ไม่มีน้ำหนักโมเดล และ Phonic 1 โฮสต์เองได้ ทำให้ Phonic เป็นตัวเลือกเดียวในที่นี้ที่ออกจากคลาวด์ของผู้ให้บริการได้เลย นั่นคือคำตอบสั้น ๆ บรรทัดเดียว และเป็นเรื่องที่มองข้ามได้ง่ายท่ามกลางการพูดคุยเรื่องเบนช์มาร์ก

หากคุณกำลังเลือกโมเดลเรียลไทม์แบบโฮสต์โดยพิจารณาจากต้นทุน Qwen Audio 3.1 ถือเป็นตัวเลือกที่น่าสนใจกว่า — ถูกกว่าอย่างมากต่อหน่วย มีการยืนยันอย่างชัดเจนถึงความแม่นยำในการจดจำที่เพิ่มขึ้น และมีผู้จำหน่ายที่อยู่เบื้องหลังด้วยระบบนิเวศโมเดลน้ำหนักเปิดที่แข็งแกร่ง ความเสี่ยงคือส่วนที่เป็นเอเจนต์ยังไม่ได้รับการวัดผล และพฤติกรรมการขัดจังหวะของมันถอยหลังลงในตารางของผู้จำหน่ายเอง

หากคุณกำลังเลือกโดยพิจารณาจากประสิทธิภาพการทำงานแบบเอเจนติกที่วัดได้ Phonic 1 คือหนึ่งในสองตัวเลือกที่คุณสามารถจัดอันดับได้จริง เพราะมันเป็นเพียงตัวเดียวที่ได้รับการจัดอันดับแล้ว นั่นเป็นข้อกล่าวอ้างที่อ่อนกว่า "Phonic ดีกว่า" และมันเป็นข้อกล่าวอ้างที่เป็นความจริง

และหากคุณกำลังรันโมเดลข้อความของ Qwen ควบคู่กับเลเยอร์เสียง ส่วนนั้นของสแต็กก็สามารถเราเตอร์ได้อยู่แล้ว — Qwen3.8-Max อยู่บน OrcaRouter ท่ามกลางโมเดลกว่า 200+ ตัวด้วยคีย์เดียว ในราคาตามที่ผู้ให้บริการประกาศโดยไม่บวกเพิ่ม ดังนั้นการลดราคาฝั่ง Alibaba จึงมีผลในวันเดียวกัน ส่วน audio endpoint ไม่ได้อยู่ในแคตตาล็อกของเรา และ Phonic 1 ก็เช่นกัน แต่ละตัวมาจากผู้ขายของตัวเอง สิ่งที่เราเตอร์มอบให้คุณในตลาดที่ยังใหม่ขนาดนี้ คือความสามารถในการรักษาเส้นทางเสียงที่ใช้งานได้จริงไว้ ในขณะที่ตัวใหม่และถูกกว่าค่อยๆ พิสูจน์ตัวเองเข้ามา — การสลับสำรองอัตโนมัติ หมายความว่าการทดสอบ Qwen Audio 3.1 กับทราฟฟิกของคุณเองมีต้นทุนเพียงกฎการเราเตอร์หนึ่งข้อ ไม่ใช่การย้ายระบบทั้งหมด

บทสรุปที่ตรงไปตรงมาคือ ในขณะนี้การเปรียบเทียบนี้ยังตัดสินไม่ได้บนแกนที่ผู้จำหน่ายทั้งสองรายต้องการให้ตัดสินกัน Alibaba เผยแพร่ตัวเลขที่ทำให้โมเดลของตนดูดีเกินจริงด้วยการวัดงานที่ง่ายกว่า Phonic เผยแพร่ตัวเลขที่วัดอย่างถูกต้อง แต่เป็นบนบอร์ดเดียว การกำหนดค่าเดียว และช่วงเวลาเปิดให้ใช้งานเพียงหนึ่งสัปดาห์ สิ่งแรกที่ต้องจับตาดูไม่ใช่การลดราคาหรือผลทดสอบมาตรฐาน — แต่คือการที่ Qwen Audio 3.1 Realtime ปรากฏบนบอร์ดที่ให้คะแนนทั้งสองโมเดลด้วยวิธีเดียวกัน จนถึงตอนนั้น ข้อกล่าวอ้างเดียวที่ปกป้องได้คือ Phonic 1 เป็นตัวเลือกที่รู้จักแน่ชัด และ Qwen Audio 3.1 เป็นตัวเลือกใหม่ราคาถูกที่ยังไม่รู้แน่ชัด ซึ่งเป็นเหตุผลที่ดีเพียงพอที่จะลองตัวหลังในฐานะตัวสำรองภายใต้กฎ failover มากกว่าจะวางไว้ให้บริการลูกค้าโดยตรง