Phonic 1 ra mắt ở vị trí số 1 trên Speech Index. Cách biệt 0,2 điểm đang che giấu mức dẫn đầu thực sự.

Phonic 1 hiện là mô hình giọng nói sang giọng nói xếp hạng cao nhất trên Chỉ số Giọng nói sang Giọng nói của Artificial Analysis với 87,1, một cuộc đua chỉ cách nhau một phần mười điểm mà nó thắng nhờ nhỉnh hơn Grok Voice 3.0 của xAI ở mức 86,9. Cách biệt 0,2 điểm thông thường sẽ chỉ là nhiễu, và trên chỉ số này thì gần như đúng là như vậy: hai mô hình không giành chiến thắng ở cùng những hạng mục, nên kết quả hòa ở điểm tổng hợp đang che giấu một khoảng cách lớn hơn nhiều ở bên dưới. Trên bộ đánh giá tác vụ agentic góp một phần tư vào điểm số đó, Phonic 1 đạt 79,9% so với 74,5% của cấu hình OpenAI tốt nhất.

Phonic, một công ty tách ra với khoảng mười người từ các nhà nghiên cứu tại MIT và Stanford, đã giới thiệu mô hình này vào ngày 29 tháng 10 năm 2026 cùng với vòng gọi vốn Series A trị giá 27,5 triệu USD do First Round dẫn dắt, nâng tổng vốn đầu tư của công ty lên 31,5 triệu USD. Công ty viết tên mô hình là Phonic-1 trong bài đăng ra mắt và tài liệu của chính mình; Artificial Analysis liệt kê nó là Phonic 1 (High), trong đó phần trong ngoặc là một cài đặt API chứ không phải tên sản phẩm. Cả hai cách viết đều trỏ đến cùng một endpoint và cùng mức giá niêm yết 0,07 USD/phút.

Phonic-1 là gì, theo cách diễn đạt của chính nhà cung cấp

Đây là một mô hình giọng nói end-to-end, chứ không phải một chuỗi gồm chuyển lời nói thành văn bản, rồi suy nghĩ, rồi nói. Âm thanh đi vào, âm thanh đi ra, và lập luận mà Phonic đưa ra cho kiến trúc này là bản ghi lời nói chỉ là một bản sao mất dữ liệu của cuộc trò chuyện — ngữ điệu, sự ngập ngừng và sự chồng lấn bị ném bỏ trước khi mô hình ngôn ngữ từng nhìn thấy chúng. Lập luận đó đã được mọi nhà cung cấp speech-to-speech đưa ra kể từ năm 2024; thứ mà Phonic thực sự đang bán là một mẹo lập lịch nằm trên đó.

Thủ thuật đó là gọi công cụ trong lượt nói của người gọi. Thay vì đợi người gọi dừng nói rồi mới bắt đầu tra cứu, mô hình kích hoạt các lời gọi công cụ ngay khi lời nói vẫn đang đến, nên kết quả đã sẵn sàng vào lúc người gọi nhường lượt. Trong bản demo do Phonic công bố, mô hình đã gọi cả năm công cụ giữa câu và trả lời 1,1 giây sau khi người gọi dừng nói; còn GPT-Live-1 của OpenAI được ghi nhận ở 15,7 giây trên cùng kịch bản. So sánh đó là một bản trình diễn của nhà cung cấp trên một tác vụ do nhà cung cấp lựa chọn, không phải một benchmark được đo lường, và đáng được đọc như một minh họa về thiết kế chứ không phải kết quả đối đầu trực tiếp.

Bề mặt API được công bố cụ thể hơn hầu hết các bài đăng ra mắt:

• ID mô hình — phonic-1, với phonic-0.5 vẫn được chấp nhận như thế hệ trước. Bỏ trống trường này sẽ dùng mặc định hiện tại.

• Intelligence — một enum intelligence_level, mặc định là standard, high khi bạn muốn mô hình có năng lực cao hơn cho suy luận phức tạp. Tài liệu mô tả standard là thiết lập được tối ưu hoá cho độ trễ thấp hơn, nghĩa là cấu hình mà mọi benchmark đã chấm cho đến nay không phải là cấu hình mà một triển khai nhạy cảm với độ trễ nhận được theo mặc định.

• Ngôn ngữ — 51 ngôn ngữ, được liệt kê kèm mã ISO, bao gồm cả tiếng Filipino (fil) và tiếng Quảng Đông (yue), với khả năng chuyển đổi ngôn ngữ giữa cuộc trò chuyện mà vẫn giữ nguyên danh tính người nói.

• Độ trễ — Phonic tuyên bố dưới 600 ms từ giọng nói đầu vào đến giọng nói đầu ra. Artificial Analysis đo được 0,61 giây đến âm thanh đầu tiên trên khung đo riêng của mình, điều này nhất quán với tuyên bố nhưng không phải là cùng một phép đo.

• Triển khai — API được host, SDK TypeScript và Python, CLI và trình xây dựng agent không cần mã, cùng các tùy chọn tự vận hành và VPC ở gói doanh nghiệp, với SOC 2 Type II, BAA HIPAA, không lưu giữ dữ liệu và SLA thời gian hoạt động 99,9% trên trang.

Chỉ mục, từng hàng một

Speech to Speech Index là chỉ số tổng hợp từ bốn kết quả có trọng số bằng nhau: Big Bench Audio cho suy luận lời nói, τ-Voice cho hành vi tác nhân trong dịch vụ khách hàng, một đấu trường sở thích của con người và tỷ lệ thành công của nhiệm vụ. Một mô hình cần có đủ cả bốn để được chấm điểm, đó là lý do StepAudio 3 Realtime xuất hiện trong bảng suy luận mà không có con số tổng hợp — các cột tác nhân, đấu trường và tỷ lệ thành công nhiệm vụ của nó đều trống.

Bốn thành phần của Phonic 1, theo Artificial Analysis:

• Chỉ số Speech to Speech — 87,1, đứng đầu, cao hơn Grok Voice 3.0 ở 86,9, GPT-Live-1 (Astra, medium) ở 83,2, Grok Voice 2.0 ở 81,3 và GPT-Live-1 (Sol, low) ở 80,1.

• τ-Voice — 79,9%, đứng đầu, dẫn trước GPT-Live-1 (Astra, medium) 5,4 điểm, ở mức 74,5%.

• Big Bench Audio — 98,9%, đứng thứ ba, sau StepAudio 3 Realtime với 99,7% và Qwen Audio 3.0 Realtime Plus với 99,2%.

• Speech Agent Arena — đứng thứ tám trong số 30 về mức độ ưu tiên với Elo 1012, thứ tư về tỷ lệ hoàn thành nhiệm vụ với 92,3%.

Đọc bốn dòng đó theo thứ tự và điểm tổng hợp không còn trông như một thế hòa. Phonic 1 thắng tuyệt đối ở bộ đánh giá agentic và đứng thứ ba về suy luận, nhưng lại đứng thứ tám ở hạng mục giọng nói mà con người thực sự ưa thích và thứ tư về tỷ lệ thành công thô của tác vụ — một mô hình được đo lường là giỏi điều khiển công cụ hơn, chứ không phải người trò chuyện được đám đông yêu thích nhất. Đó là cùng một câu chuyện cấu trúc mà chúng tôi đã thấy ở con số 86.9 của Grok Voice 3.0 hai tuần trước, từ phía ngược lại: xAI giữ được sân đấu và thua ở cột agentic, còn Phonic giữ cột agentic trong khi nhường sân đấu.

Hai chiếc đồng hồ, hai người thắng cuộc

Độ trễ là điểm mà phạm vi bao phủ trở nên lỏng lẻo, vì hai công cụ đo đáng tin cậy không đồng ý với nhau về việc cái nào nhanh nhất và cả hai đều không sai.

Artificial Analysis đo thời gian đến âm thanh đầu tiên — khoảng bao lâu từ khi người gọi kết thúc lượt nói đến khi âm thanh bắt đầu. Theo thang đo đó, Phonic 1 là nhanh nhất trong top năm của chỉ số:

• Thời gian đến âm thanh đầu tiên — Phonic 1 0,61 giây; Grok Voice 3.0 0,81 giây; GPT-Live-1 (Sol, thấp) 1,24 giây; GPT-Live-1 (Astra, trung bình) 1,34 giây; Qwen Audio 3.0 Realtime Plus 1,54 giây; StepAudio 3 Realtime 8,83 giây.

Cekura, một công ty đánh giá voice-agent chạy các mô hình bên trong một bộ khung điện thoại thực thông qua WebRTC, đo thời gian phản hồi trung vị trên toàn bộ cuộc gọi. Trên thang đo đó, Grok Voice 3.0 là nhanh nhất trong lĩnh vực với 1,34 giây và Phonic 1 là 1,63 giây — nhanh thứ ba, chậm hơn Grok Voice Think Fast 2.0 ở mức 1,62 giây đúng một phần trăm giây, và không phải thứ nhất. Cả hai con số đều mô tả một điều có thật. Thời gian đến âm thanh đầu tiên là tốc độ mô hình bắt đầu lên tiếng; thời gian phản hồi trung vị là khoảng thời gian người gọi thực sự phải chờ đợi câu trả lời trên 82 kịch bản, kể cả những kịch bản dùng nhiều công cụ, nơi cách tiếp cận của Phonic đòi lại đúng những giây mà phép đo âm thanh đầu tiên không thể nhìn thấy.

Nếu bạn đang viết một bản ghi nhớ mua sắm, câu cần tránh là "mô hình giọng nói sang giọng nói nhanh nhất", chấm hết. Phiên bản có thể lập luận được là "nhanh nhất đến âm thanh đầu tiên trên Artificial Analysis; phản hồi trung vị nhanh thứ ba trên bộ kiểm thử cuộc gọi trực tiếp của Cekura".

Bảng cuộc gọi trực tiếp đặt ra một câu hỏi khó hơn.

Bảng xếp hạng speech-to-speech của Cekura là một bài kiểm tra khó hơn đáng kể so với bất kỳ thành phần nào trong bốn thành phần của chỉ số: 82 kịch bản — 59 cuộc gọi đặt lịch phòng khám và 23 cuộc gọi tiếp nhận Medicare — mỗi kịch bản được chạy ba lần bên trong cùng một tác nhân Pipecat mã nguồn mở với cùng lời nhắc và công cụ, được chấm điểm theo kiểu pass-cubed, nghĩa là một kịch bản chỉ được tính nếu cả ba lần chạy đều thành công và mọi trường đều được ghi nhận chính xác.

Tính đến bản cập nhật ngày 22 tháng 10 năm 2026 của nó, với Phonic 1 được định cấu hình ở mức trí tuệ cao dưới ID mô hình phonic_v1, bo mạch đó cũng xếp Phonic 1 lên đầu:

• Độ tin cậy, pass-cubed — Phonic 1 90,2%; Grok Voice 3.0 81,7%; GPT Realtime 2.1 79,3%; GPT-Live 1 với GPT-6 Sol 75,6%; Azure Realtime 70,7%.

• Độ chính xác dữ liệu — Phonic 1 97,5%; GPT Realtime 2.1 92,0%; Grok Voice 3.0 87,3%.

• Các cuộc gọi mà nhân viên trực tổng đài im lặng — Phonic 1 0.0%; Grok Voice 3.0 0.0%; GPT Realtime 2.1 3.3%.

• Tỷ lệ thành công cuộc gọi Medicare — Phonic 1 88,4%; GPT Realtime 2.1 81,2%; Grok Voice 3.0 58,0%; GPT-Live 1 với Sol 49,3%.

Phân nhóm Medicare là dòng đáng chú ý nhất trong toàn bộ đợt ra mắt. Các cuộc gọi tiếp nhận dài phải điền biểu mẫu chính là nơi các mô hình đầu-cuối được cho là sẽ sụp đổ, và Phonic 1 giữ được 88,4% trong khi Grok Voice 3.0 giảm xuống một nửa còn 58,0%. Bài viết của chính Cekura vẫn ghi nhận một kiểu lỗi đáng lưu ý: agent ngắt cuộc gọi mà không phản hồi người gọi nói rằng họ sẽ gọi lại sau, và đôi khi viết sai ghi chú bàn giao Medicare hoặc chi tiết định tuyến. Ở mức 90,2% pass-cubed, 74 trong số 82 kịch bản đó đạt ở mọi lần chạy và tám kịch bản không đạt — đó là một kết quả mạnh mẽ đối với một mô hình mới ra một ngày, chứ chưa phải là mô hình đã hoàn thiện.

Hai lưu ý về cách dẫn nguồn trước khi ai đó trích dẫn những con số này. Bảng của Cekura có ghi ngày cập nhật lần cuối và đã được sửa đổi giữa các lần chạy, nên ảnh chụp màn hình của bảng đó không phải là một trích dẫn; hãy trích dẫn con số đang hiện hành kèm theo ngày. Và Cekura ghi nhận mức chi phí $0.060 mỗi phút cho Phonic 1, so với mức giá Starter đã công bố là $0.070 — một con số đo được từ một bộ kiểm thử, không phải bảng giá, và không phải là thứ để trừ đi khỏi bất kỳ khoản nào.

Các kết quả benchmark của nhà cung cấp, được giữ trong hộp riêng của chúng

Bài đăng ra mắt của Phonic mang theo ba kết quả của chính mình, và chúng đáng để biết chính xác vì chúng không phải là những con số ở trên. Trên biến thể song công đa ngôn ngữ τ³-Voice của Sierra, công ty báo cáo Phonic-1 đạt 83.2 so với GPT-Live-1 đạt 79.9 và Gemini 3.8 Live đạt 68.5. Lưu ý sự trùng lặp: 79.9 là điểm của Phonic trên τ-Voice của Artificial Analysis và cũng là điểm của GPT-Live-1 trên lần chạy τ³-Voice của chính Phonic. Cùng chữ số, khác hàng, khác biến thể benchmark — đừng bao giờ chuyển một con số từ cột này sang cột kia.

Hai kết quả còn lại là các bài kiểm tra mù do con người thực hiện, được Podonos điều hành — một dịch vụ kiểm thử người nghe của bên thứ ba. Phonic-1 được ưa thích hơn GPT-Live-1 với tỷ lệ 61,5% so với 32,0%, hơn Grok Voice 3 với tỷ lệ 66,5% so với 26,5%, và hơn Eleven v4 Turbo với tỷ lệ 78,0% so với 14,0%. Kết quả mà chính Phonic đưa lên hàng đầu lại là kết quả mà nó thua: các diễn viên lồng tiếng người được ưa thích hơn Phonic-1 với tỷ lệ 57,0% so với 32,0%. Cả bốn đều do nhà cung cấp đặt hàng và do nhà cung cấp báo cáo; chưa có kết quả nào được tái lập độc lập.

Một tháng của nó tốn bao nhiêu

Giá được tính bằng một con số duy nhất mỗi phút, không có phí theo token và không có khoản truyền qua LLM riêng, điều này khá bất thường trong một nhóm sản phẩm mà ở đó "mô hình giọng nói" thường chỉ là lớp bọc mỏng quanh ba dịch vụ bị tính phí. Các gói:

• Starter — $0.07 mỗi phút, không có mức tối thiểu, 10 cuộc gọi đồng thời, 10 tác nhân, 3 chỗ ngồi trong không gian làm việc.

• Pro — $0,065 mỗi phút so với mức tối thiểu hàng tháng $200, mà trang định giá coi là tương đương khoảng 3.100 phút, với 50 cuộc gọi đồng thời, 50 tác nhân và 30 chỗ ngồi.

• Doanh nghiệp — tùy chỉnh, có chiết khấu theo khối lượng, triển khai VPC hoặc on-prem, DPA, SLA và BAA HIPAA.

Đăng ký trước ngày 30 tháng 11 sẽ nhận được 250 USD tín dụng. Hãy tính toán với một tháng 10.000 phút và giá niêm yết của các đối thủ gần nhất sẽ nhanh chóng tự phân định rõ ràng:

• 10.000 phút — Phonic 1 Starter $700; Grok Voice 3.0 $800 với $0.08/phút; GPT-Live-1 (Sol, low) $750 với $0.075; GPT-Live-1 (Astra, medium) $970 với $0.097.

• Vẫn 10.000 phút trên Pro — 650 đô la, nhưng chỉ khi vượt khoảng 3.100 phút thì mức tối thiểu 200 đô la mới không còn là ràng buộc quyết định.

Con số không xuất hiện trên bảng giá là tính đồng thời. Mười cuộc gọi đồng thời trên Starter là mức trần thực sự đối với bất kỳ thứ gì giống một hàng đợi hỗ trợ, và đó là lý do việc nâng cấp lên Pro đáng giá 50 đô mỗi tháng ở quy mô lớn: việc đổi gói mang lại 50 cuộc gọi đồng thời nhiều hơn hẳn so với khoản nửa xu mà nó mang lại. Blog kỹ thuật của chính Phonic lập luận rằng các giới hạn đồng thời là loại thuế ẩn trong AI giọng nói, một cách diễn đạt trung thực đến từ chính bên đặt ra những giới hạn đó.

Nơi nó chạy, và những gì định tuyến có thể và không thể làm ở đây

Phonic 1 không có trong danh mục của OrcaRouter, và bài viết này sẽ không giả vờ điều ngược lại: hiện nay, bạn chỉ có thể tiếp cận nó thông qua API riêng của Phonic, các SDK của nó, CLI hoặc trình dựng không cần mã, và không qua đâu khác. Đó cũng chính là điểm yếu cấu trúc trung thực của việc mua một mô hình giọng nói đầu-cuối thay vì một kiến trúc xếp tầng — một nhà cung cấp duy nhất, một endpoint duy nhất, và không có nhà cung cấp thứ hai để chuyển sang dự phòng khi websocket ngắt giữa cuộc gọi.

Điều mà định tuyến bao quát được chính là phương án thay thế. Một pipeline phiên âm–suy nghĩ–nói là baseline mà bảng xếp hạng của chính Cekura vẫn liên tục vượt trội so với các mô hình end-to-end, và giai đoạn giữa của nó là suy luận văn bản thông thường — chính xác là lớp mà một API cho hơn 200 mô hình với 0% phụ phíáp dụng. Phần phiên âm và phần suy luận có thể nằm sau một khóa duy nhất, và DSL định tuyến có thể gửi các lệnh gọi lượt lời rẻ tiền và các lệnh gọi suy luận chính sách đắt tiền đến các mô hình khác nhau trong cùng một lệnh gọi, mà không cần hợp đồng thứ hai cho mỗi nhà cung cấp trong ngăn xếp. Giá niêm yết của nhà cung cấp được truyền nguyên vẹn, vì vậy việc giảm giá của nhà cung cấp đến phần đó ngay trong ngày được công bố thay vì vào lần gia hạn hợp đồng tiếp theo.

Sự đánh đổi này đáng được nêu thẳng thắn, vì các bảng điểm ở trên không định giá nó. Kiến trúc đầu-cuối thắng ở khả năng xử lý lượt nói, ngắt lời và gọi công cụ giữa câu; kiến trúc cascade thắng ở khả năng hoán đổi bất kỳ thành phần nào — và ở chỗ đường cơ sở cascade của Cekura vẫn xếp hạng cao hơn mọi mô hình thời gian thực mà nó đã kiểm thử về độ tin cậy pass-cubed. Nếu điều đó nghe như lý do để tiếp tục dùng cascade thì một phần đúng là vậy. Lý do để chuyển sang là cột Medicare: 88,4% so với 58,0% là kiểu khoảng cách quyết định xem một cuộc gọi tiếp nhận dài có hoàn tất được hay không.

Điều mà chưa ai đo lường được

Trước khi bất kỳ ai viết lại một prompt sản xuất xoay quanh mức 87.1, có ba lỗ hổng đáng được nêu tên.

• Cấu hình được đo không phải là mặc định. Mọi điểm số ở đây — 87.1 của Artificial Analysis, 90.2% của Cekura — đều được tạo ra ở thiết lập trí tuệ cao. API mặc định ở chế độ tiêu chuẩn, được ghi nhận là chế độ có độ trễ thấp hơn. Chưa ai công bố các con số ở thiết lập tiêu chuẩn, nên các số liệu độ trễ ở trên không mô tả những gì một tích hợp chưa được cấu hình trải qua.

• Hành vi trên kênh có nhiễu chưa được chỉ số kiểm thử. Cekura báo cáo Grok Voice 3.0 vượt qua mọi cuộc gọi có tiếng ồn nền và lỗi âm thanh; nó không đưa ra thông tin tương đương về Phonic 1, và Big Bench Audio chạy trên âm thanh sạch.

• Độ ổn định của phiên dài chỉ là một bản demo, không phải một phép đo. Cuộc gọi 44 phút của Phonic với 123 lượt gọi công cụ bằng tiếng Anh và tiếng Bồ Đào Nha là bằng chứng tầm xa cụ thể nhất từng được công bố, và đó chỉ là một cuộc gọi duy nhất mà nhà cung cấp chọn để trình diễn.

Bản tóm tắt vững chắc sau một ngày: Phonic 1 là mô hình speech-to-speech agentic mạnh nhất trên hai công cụ độc lập đã chấm điểm nó, đây không phải là mô hình nhanh nhất tùy theo cách đo thời gian, và mức $0.07/phút khiến lợi thế agentic đủ rẻ để kiểm chứng thay vì tranh cãi.