Phonic 1 so với Cartesia Sonic 3.6: 0,07 USD mỗi phút và hóa đơn 49 USD mỗi triệu ký tự không phải là cùng một giao dịch mua

Đặt Phonic 1 và Cartesia Sonic 3.6 lên cùng một trang thì rất dễ bị cám dỗ xếp thẳng các cột giá lại rồi coi như xong. Hai con số của nhà cung cấp khiến việc đó trở nên đơn giản: Phonic tính $0.07 cho một phút hội thoại, còn Cartesia quy chuẩn khoảng $49 trên một triệu ký tự. Cả hai đều nghe như sai số làm tròn so với mức bạn từng trả vào năm 2025. Nhưng chúng đang tính tiền cho những đối tượng khác nhau. Cartesia Sonic 3.6 là một engine text-to-speech dạng streaming — bạn đưa cho nó chữ, nó trả lại cho bạn giọng nói, và mọi thứ phía thượng nguồn của những chữ đó là vấn đề của bạn. Phonic 1 là một mô hình speech-to-speech nghe người gọi đến, quyết định phải làm gì, gọi công cụ ngay giữa câu và trả lời thành tiếng, tất cả trong vòng một phút đó. Một cái là một thành phần trên hóa đơn của bạn. Cái kia là toàn bộ hóa đơn. So sánh chúng chỉ trên giá tiền chẳng khác nào so tiền taxi với một chiếc xe.

Điều đó không làm cho cuộc so tài trở nên vô dụng. Nó khiến cuộc so tài hẹp hơn và trung thực hơn so với gợi ý từ kết quả tìm kiếm: hai bên này cạnh tranh cho cùng một hạng mục trong ngân sách voice-agent, và một đội đang xây dựng phone agent phải quyết định xem lớp voice là một dịch vụ họ thuê trọn gói hay một stack họ tự lắp ghép từ các thành phần. Cartesia sẽ bán cho bạn một trong hai cách sắp xếp — Sonic 3.6 cho nửa phần rendering, Cartesia Line cho nửa phần lắp ghép — và sản phẩm thứ hai đó, không phải mô hình TTS, mới là thứ thực sự đối diện với Phonic 1.

Thực tế mỗi thứ là gì

Cartesia Sonic 3.6 ra mắt vào cuối tháng 8 năm 2026, khoảng ba tháng sau Sonic 3.5, và là bộ kết xuất chất lượng cao nhất của công ty: 44 ngôn ngữ trên 61 vùng địa phương, nhân bản giọng nói chỉ từ khoảng mười giây âm thanh, tính phí theo tín dụng trong đó một tín dụng xấp xỉ một ký tự. Nó không có lớp suy luận, không có lớp công cụ và không có khái niệm về một cuộc hội thoại. Bạn gọi nó bằng văn bản và một ID giọng nói, bạn nhận lại âm thanh dưới dạng một luồng, còn logic luân phiên nói — khi nào lắng nghe, khi nào ngắt lời, phải làm gì khi người gọi nói “thật ra thì không” — thuộc về đoạn mã bạn viết.

Phonic 1 ra mắt vào cuối tháng 10 năm 2026 cùng với vòng Series A trị giá 27,5 triệu USD do First Round dẫn dắt, và điểm chào hàng của nó có hình dạng ngược lại: một mô hình duy nhất làm chủ toàn bộ lượt hội thoại. Danh sách tính năng của chính nhà cung cấp tuyên bố rằng giọng điệu và sự ngập ngừng đều được nhận biết, các lệnh gọi công cụ được kích hoạt ngay khi người gọi vẫn đang nói, và đôi khi mô hình sẽ chọn không phản hồi chút nào — một hành vi mà bạn không thể có được từ một điểm cuối TTS vì điểm cuối TTS không có quan điểm về việc lên tiếng có phải là nước đi đúng hay không. Nó tính một mức giá cho mỗi phút hội thoại và nêu rõ rằng không có khoản chuyển tiếp LLM riêng biệt và không có phí theo token.

Một điểm cần nói thật trước khi chúng ta đi xa hơn. Các bài đưa tin ra mắt của Phonic mô tả nó là end-to-end, tránh phải dùng các nhà cung cấp riêng biệt cho nhận dạng giọng nói, LLM và tổng hợp giọng nói. Trang web của chính nhà cung cấp mô tả các mô hình giám sát cho suy luận và gọi công cụ, và cấu hình benchmark của nó được gắn nhãn Phonic 1 (High), ngụ ý có thể chọn mức độ thông minh. Cả hai đều có thể đúng — một nhà cung cấp duy nhất có thể sở hữu toàn bộ lượt xử lý trong khi vẫn chạy một lớp suy luận nội bộ — nhưng "end-to-end" là cách nói tiếp thị tắt cho "một hợp đồng", không phải bằng chứng rằng một mạng duy nhất làm mọi thứ trong một lượt forward pass. Nếu đánh giá kiến trúc của bạn phụ thuộc vào sự phân biệt đó, hãy hỏi trực tiếp nhà cung cấp; tài liệu công khai không giải quyết được điều đó.

Hai chiếc đồng hồ đo những thứ khác nhau

Độ trễ chính là điểm khiến so sánh này dễ gây hiểu nhầm nhất, vì cả hai nhà cung cấp đều công bố một con số mili giây nhỏ, và cả hai con số đó đều không phải là con số mà người gọi của bạn thực sự trải nghiệm.

• Phonic 1 — thời gian trung bình 0,61 giây để có âm thanh đầu tiên theo đo lường của Artificial Analysis, nhanh nhất trong số năm mô hình chuyển giọng nói sang giọng nói hàng đầu được thử nghiệm; nhà cung cấp quảng cáo dưới 600 ms từ đầu vào giọng nói đến đầu ra giọng nói.

• Cartesia Sonic 3.6 — thời gian đến âm thanh đầu tiên dưới 90ms, do nhà cung cấp công bố và loại trừ rõ ràng yếu tố mạng; một phép đo hiệu năng của bên thứ ba đo được p50 120ms từ US East khi truy cập trực tiếp nhà cung cấp, và một bài kiểm tra cuộc gọi thực tế tại Sydney báo cáo trung vị 448ms và p90 604ms từ đầu đến cuối.

• Khoảng cách đó có ý nghĩa gì — 0,61 giây của Phonic bắt đầu từ thời điểm âm thanh đến và bao gồm cả việc quyết định sẽ nói gì. 90 ms của Cartesia bắt đầu khi văn bản đã tồn tại và chỉ bao trùm việc biến văn bản đó thành âm thanh. Hãy thêm nhận dạng giọng nói của riêng bạn và độ trễ mô hình của riêng bạn vào trước Sonic, thì hai con số sẽ hội tụ; chính phép tính còn thiếu đó là lý do các con số thô trông giống như một chiến thắng 7 ăn 1, nhưng thực tế không phải vậy.

Artificial Analysis cũng báo cáo Phonic 1 ở mức 0,61 giây so với 1,34 giây của GPT-Live-1 và 1,35 giây của Gemini 3.8 Live Extended Thinking, và đây chính là phép so sánh mà con số này thực sự phù hợp: mô hình đối mô hình, cùng một công cụ đo. Sonic 3.6 hoàn toàn không xuất hiện trên bảng đó, vì nó không phải là một mô hình hội thoại.

Hóa đơn, được lập từ cùng một công việc

Hãy lấy một cuộc gọi hỗ trợ đầu vào kéo dài mười phút. Trên đường dẫn lắp ghép với Cartesia Sonic 3.6, bạn phải trả tiền cho ít nhất ba thứ: nhận dạng âm thanh của người gọi, một mô hình để quyết định câu trả lời, và việc kết xuất câu trả lời đó. Phần của Sonic là nhỏ nhất và dễ dự đoán nhất trong ba phần — khoảng $0,28 đến $0,49 mỗi phút âm thanh được tạo ra tùy theo gói, và trên thực tế thấp hơn đáng kể so với mức đó vì tác nhân không nói suốt cả mười phút. Phần khó dự đoán là mô hình ở giữa, và đây là phần thay đổi theo một bậc độ lớn tùy thuộc vào việc bạn định tuyến một mô hình nhỏ cho 80% lượt dễ hay gửi mọi thứ đến một mô hình hàng đầu.

Chặng giữa đó chính là nơi định tuyến khẳng định được giá trị của mình chứ không chỉ là một thứ gắn thêm. Trên OrcaRouter, mô hình suy luận đằng sau agent của bạn nằm trên một khóa duy nhất xuyên suốt 200+ mô hình với mức tăng giá 0% so với giá niêm yết của nhà cung cấp, nên việc giảm giá từ bất kỳ nhà cung cấp nào có hiệu lực ngay trong ngày thay vì phải chờ sửa đổi hợp đồng — và một quy tắc định tuyến có thể giữ các lượt rẻ vẫn rẻ trong khi chỉ đẩy các lượt khó lên mức cao hơn. Chuyển đổi dự phòng tự động xử lý được tình huống thực sự làm hỏng agent thoại trong vận hành thực tế: nhà cung cấp mô hình chập chờn giữa cuộc gọi và người gọi nghe thấy im lặng.

Trên lộ trình Phonic 1, phép tính thu gọn lại thành một dòng. Mười phút tốn $0,70 ở mức giá khởi điểm $0,07, hoặc $0,65 ở mức giá Pro, vốn có mức tối thiểu $200 mỗi tháng. Đó là toàn bộ chi phí của lớp mô hình — không có token riêng, không có hóa đơn suy luận riêng — và đó là lập luận mạnh nhất trong cột của Phonic, bởi vì mức giá cố định theo phút là con số mà một nhóm tài chính có thể dự báo mà không cần mô hình sử dụng.

Hãy đọc kỹ hai tổng số đó trước khi tuyên bố người thắng cuộc. Mức sàn của đường dẫn lắp ghép thấp hơn — một mô hình tầm trung rẻ cộng với khả năng kết xuất của Sonic có thể thoải mái đánh bại mức $0,07 một phút — và mức trần của nó cao hơn nhiều, bởi vì một mô hình tiên phong ở mọi lượt sẽ vượt xa nó. Mức giá cố định của Phonic 1 là một canh bạc rằng kinh tế học của nhà cung cấp sẽ giữ vững khi tỷ lệ các cuộc gọi dễ và khó của bạn thay đổi. Đó là một thứ thực sự hữu ích để mua, và nó cũng là một thứ bạn đang mua dựa trên niềm tin.

Nơi Cartesia Sonic 3.6 thắng không cần bàn cãi

Nếu câu hỏi là “cái nào trong số này nghe hay hơn”, thì Cartesia không ở gần, và dù điểm chuẩn agentic có cao đến đâu cũng không thay đổi được điều đó. Sonic 3.6 đã đứng đầu cả hai đấu trường giọng nói của Artificial Analysis ngay khi ra mắt — Provider Voice Elo khoảng 1.282–1.283 và điểm Controlled Voice gần 1.123 — đây là các phép đo sở thích trên âm thanh đã kết xuất, đúng là thứ mà một công cụ TTS hướng tới.

Bề mặt điều khiển cũng sâu hơn. Nhân bản giọng nói chỉ từ mười giây, 44 ngôn ngữ trên 61 locale với khả năng chọn theo từng locale, năm bậc gói đã công bố từ sandbox miễn phí 20K tín dụng đến gói Scale $299 với mười lăm yêu cầu đồng thời, và giọng đã nhân bản được tính phí gấp 1.5 lần. Nếu sản phẩm của bạn là thuyết minh, lồng tiếng, lời nhắc IVR, hoặc một trợ lý có câu trả lời được kịch bản hóa và giọng nói chính là thương hiệu, thì Sonic 3.6 là công cụ tốt hơn Phonic 1 và việc so sánh nên dừng ở đó.

Cũng có một dạng chi phí đáng để gọi tên: mô hình tín dụng của Cartesia nghĩa là bạn trả tiền cho những ký tự bạn tạo ra, nên một cuộc gọi mà agent nói bốn từ sẽ tốn bốn từ. Mô hình tính theo phút thì tính phí cả phút bất kể thế nào. Trong các tương tác ngắn, khối lượng lớn — xác nhận lịch hẹn, thông báo giao hàng, một bước xác minh hai lượt — mô hình tính theo ký tự rẻ hơn về mặt cấu trúc.

Nơi Phonic 1 thắng mà không cần tranh cãi

Các cuộc gọi công cụ bắt đầu trước khi người gọi ngừng nói là năng lực duy nhất trong cuộc so tài này mà Cartesia Sonic 3.6 đơn giản là không có, bởi vì gọi công cụ không phải là thuộc tính mà một renderer có thể sở hữu. Trong một luồng đặt chỗ mà người gọi nói "Tôi cần thứ Năm, khoan đã, chiều thứ Sáu", đường ghép nối phải chờ phát hiện kết thúc lượt nói, chạy nhận dạng, chạy mô hình, chạy công cụ, rồi render — bốn lần bàn giao tuần tự so với một lần mà Phonic tuyên bố. So sánh bằng bản demo của chính Phonic, phản hồi sau 1,1 giây kể từ khi người gọi ngừng nói so với 15,7 giây đối với GPT-Live của OpenAI, là một minh chứng từ nhà cung cấp và nên được hiểu đúng như vậy. Nhưng điểm cấu trúc vẫn đứng vững bất chấp lưu ý đó: ít bàn giao hơn nghĩa là ít chỗ hơn để làm mất đi một giây.

• Ngôn ngữ — Phonic 1 hỗ trợ hơn 50 ngôn ngữ, với khả năng chuyển đổi giữa cuộc trò chuyện mà vẫn giữ nguyên giọng nói; Cartesia Sonic 3.6 bao phủ 44 ngôn ngữ trên 61 locale, chỉ dùng để kết xuất.

• Tính phí — Phonic 1 là một mức giá cho mỗi phút hội thoại, không có phí chuyển tiếp LLM; Cartesia Sonic 3.6 tính phí theo ký tự/tín dụng, và phần còn lại của hệ thống được tính phí riêng.

• Năng lực tác tử — Phonic 1 đạt 79.9% ở thành phần tác tử trong chỉ số speech-to-speech của Artificial Analysis, mức cao nhất được ghi nhận tại đó; Sonic 3.6 không có điểm tác tử vì nó không có tác tử.

• Chất lượng giọng nói — Cartesia Sonic 3.6 dẫn đầu cả hai đấu trường giọng nói của Artificial Analysis về âm thanh kết xuất; điểm ưu thích trên đấu trường của Phonic 1 là 1.012, đứng thứ tám trong số ba mươi.

• Triển khai — Phonic 1 cung cấp cloud, single-tenant, VPC peering và self-host, với SOC 2 Type II và HIPAA BAA được nêu là có sẵn; Sonic 3.6 là một API được lưu trữ.

Phép so sánh mà Cartesia thực sự muốn bạn thực hiện

Câu trả lời thực sự của Cartesia cho Phonic 1 là Cartesia Line, sản phẩm voice agent của công ty, được công ty định giá khoảng 0,06 USD mỗi phút và xuất hiện trên Artificial Analysis như một pipeline của nhà cung cấp thay vì một mô hình được chấm điểm — đội hình phía sau nó kết hợp Ink, Gemini 2.5 Flash và Sonic với nhau. Điều đó cho bạn biết hai điều cùng lúc. Mức giá được công bố rẻ hơn Phonic 1 một xu, và mức giá đó không đầy đủ theo đúng cách mà marketing của Phonic cáo buộc các tổ hợp lắp ghép là không đầy đủ: phần Gemini 2.5 Flash vẫn tính thêm token riêng của nó.

Vậy nên, so sánh trực tiếp trung thực không phải là $0.07 so với $0.06. Đó là mức $0.07 phẳng, gồm tất cả, so với phí nền tảng $0.06 cộng với hóa đơn mô hình do bạn kiểm soát. Đối với một nhóm đã tự định tuyến các mô hình của riêng mình và muốn tiếp tục làm vậy, cấu trúc đó là một lợi thế. Đối với một nhóm muốn một con số, không phải một bảng tính, đó là lý do Phonic 1 tồn tại.

Ai nên hành động, và ai nên chờ đợi

Hãy mua Cartesia Sonic 3.6 nếu giọng nói chính là sản phẩm. Tường thuật, trợ lý mang thương hiệu, lồng tiếng, bất cứ thứ gì mà con người sẽ đánh giá âm thanh và không ai đánh giá các lệnh gọi công cụ. Vị trí dẫn đầu trên đấu trường là có thật, việc nhân bản diễn ra nhanh chóng, và thang gói dịch vụ nghĩa là bạn có thể bắt đầu miễn phí.

Hãy mua Phonic 1 nếu cuộc gọi phải làm một việc gì đó — đặt lịch, xác minh, hoàn tiền, chuyển cấp — và nếu ngân sách kỹ thuật năm chữ số cho mã kết nối còn tệ hơn mức giá cố định theo phút. Ở thời điểm viết bài, nó cũng chỉ mới khoảng một tuần trên một API công khai với một hội đồng độc lập đứng sau và chưa có dữ liệu độ tin cậy dài hạn; cách hợp lý để áp dụng nó là bên cạnh lối đi hiện tại của bạn, chứ không phải thay thế nó.

Và nếu bạn đang tự lắp ráp thay vì thuê, quyết định thực sự làm thay đổi hóa đơn của bạn không phải là Sonic so với Phonic. Mà là mô hình nào đảm nhận những lượt dễ. Đó chính là chặng chạy trên OrcaRouter hiện nay — một khóa, hơn 200 mô hình, giá niêm yết được chuyển nguyên, chuyển đổi dự phòng khi một nhà cung cấp gặp sự cố — trong khi cả Phonic 1 lẫn Cartesia Sonic 3.6 đều không nằm trong danh mục của chúng tôi, và mỗi cái đều phải ký hợp đồng từ nhà cung cấp riêng của nó.

Việc mua hàng trông giống như một phép so sánh giá thực chất lại là câu hỏi về việc bạn muốn sở hữu bao nhiêu phần của lượt đó. Sonic 3.6 cho phép bạn sở hữu toàn bộ và mang đến cho bạn thành phần âm thanh hay nhất để làm nền tảng. Phonic 1 nhận nó khỏi tay bạn và tính một mức phí cố định cho đặc quyền đó. Không cái nào là sai. Chúng chỉ sai khi được mua vì lý do của cái kia.