Phonic 1 so với ElevenLabs: Số tiền một nhà cung cấp phải trả cho bạn để rời đi nói cho bạn biết điều gì về cuộc chiến

Con số giàu thông tin nhất trong màn so tài Phonic 1 với ElevenLabs không phải là một chuẩn đánh giá. Đó là một ưu đãi giảm giá. Ưu đãi ra mắt của Phonic, theo báo cáo vào cuối tháng 10 năm 2026, bao gồm ba tháng miễn phí cho các đội chuyển từ ElevenLabs hoặc Bland sang, cộng thêm 250 đô la tín dụng cho bất kỳ ai đăng ký trước ngày 30 tháng 11. Không ai trợ cấp cho một cuộc di chuyển để cạnh tranh với một nhà cung cấp mà họ kỳ vọng sẽ đánh bại về sản phẩm. Họ trợ cấp nó để cạnh tranh với một nhà cung cấp mà khách hàng của họ bị giữ chân bởi một thứ khác ngoài mô hình.

Điều đó chính là toàn bộ trọng tâm của ElevenLabs: một thư viện giọng nói với hơn 17.000 giọng, hơn 90 ngôn ngữ, một dòng sản phẩm chuyển văn bản thành giọng nói vẫn là chuẩn tham chiếu cho âm thanh được kết xuất, và một nền tảng agent bao quanh nó. Phonic 1 là một mô hình với một hóa đơn duy nhất. ElevenLabs là một công ty mà bạn đã xây dựng sản phẩm của mình bên trong. Việc so sánh chỉ có ý nghĩa nếu bạn ghi nhớ hai hình thái đó, bởi trên một bảng điểm benchmark, câu trả lời rất rõ ràng, còn trong một quyết định mua sắm thì không.

Eleven Realtime v1 Max là model, và nó mới hơn bạn nghĩ.

Sản phẩm speech-to-speech của ElevenLabs là Eleven Realtime v1 Max, được công bố vào ngày 20 tháng 10 năm 2026 trong một đợt phát hành cuốn chiếu cùng với một v1 Mini nhỏ hơn. Đó là mười ngày trước khi xuất hiện các bài đưa tin về việc ra mắt Phonic 1 — đây không phải là một ông lớn lâu năm đang bị một tân binh thách thức. Mà là hai mô hình gần như không biết gì về nhau vào thời điểm chúng được phát hành.

• Eleven Realtime v1 Max — chỉ số giọng nói sang giọng nói 77,3; khả năng suy luận 99; động lực hội thoại 94,1; khả năng tác tử 47,6; mức ưu tiên arena 990; tỷ lệ thành công tác vụ 87,1%; thời gian đến âm thanh đầu tiên 0,57s.

• Phonic 1 (High) — chỉ số speech-to-speech 87.1, suy luận 99, động lực hội thoại không được báo cáo, năng lực tác tử 79.9, mức ưu tiên trên arena 1,012, tỷ lệ hoàn thành tác vụ 92.3%, thời gian đến âm thanh đầu tiên 0.61s.

• Eleven Realtime v1 Mini — chỉ số chuyển giọng nói thành giọng nói 64,4, suy luận 76, độ năng động 95,8, năng lực tác nhân 46,8, arena 981, tỷ lệ thành công tác vụ 60,3%, thời gian đến âm thanh đầu tiên 0,62 giây.

Tất cả số liệu trên đều của Artificial Analysis, không phải của nhà cung cấp nào trong hai bên. Hãy lưu ý những gì phép so sánh có nói và không nói. Phonic thắng chỉ số tổng hợp với cách biệt 9,8 điểm và thắng thành phần tác nhân với cách biệt 32,3 điểm — khoảng cách lớn đến mức đây là con số duy nhất trong cuộc đối đầu này đáng để thay đổi kiến trúc. Nó thắng mức độ ưu tiên trên arena với 22 điểm, trên một thang điểm mà chênh lệch Elo 22 điểm là có thật nhưng không mang tính quyết định. Nó thắng tỷ lệ hoàn thành tác vụ với 5,2 điểm. Về độ trễ, nó thua sát nút, ở mức 0,61 giây so với 0,57 giây, và cả hai đều dưới mốc một giây vốn quan trọng đối với một cuộc gọi điện thoại.

Khoảng cách thực sự đáng lẽ phải khiến bạn thay đổi quyết định

Hiệu năng agentic, 79.9% so với 47.6%, là con số đáng để suy ngẫm. Nó đo lường liệu mô hình có thể hoàn thành một tác vụ đòi hỏi gọi công cụ và hành động dựa trên kết quả hay không, chứ không chỉ là liệu nó có thể duy trì một cuộc trò chuyện — và đây là một điểm mà một phòng lab nhỏ hơn, mới hơn đã đánh bại một công ty có 17,000 giọng nói và một thập kỷ bề mặt sản phẩm. Nếu công việc của agent của bạn là tra cứu điều gì đó, đặt chỗ điều gì đó hoặc thay đổi điều gì đó trong khi người gọi đang chờ, thì đây là con số dự báo liệu tỷ lệ hoàn thành của bạn có trụ được khi tiếp xúc với người dùng thực hay không.

Điểm năng động hội thoại 94.1 của ElevenLabs so với con số không được báo cáo của Phonic chính là lỗ hổng trung thực trên bảng điểm của Phonic, và cấu trúc của chính Artificial Analysis giải thích vì sao nó không xuất hiện trong chỉ số tiêu đề. Điểm tổng hợp là trung bình có trọng số của bốn thành phần — suy luận lời nói, hiệu suất tác tử, sở thích đấu trường và tỷ lệ thành công nhiệm vụ — còn năng động hội thoại được báo cáo bên cạnh chỉ số dù không phải một trong các đầu vào của nó. Vì vậy, con số năng động hội thoại bị thiếu của Phonic không khiến nó mất điểm nào trên 87.1 và cho bạn biết một điều mà chỉ số không thể: chưa ai đo được mức độ mô hình xử lý tốt đến đâu một cuộc hội thoại dài, lộn xộn, tự ngắt lời. Cho đến khi cột đó được điền, những tuyên bố rằng Phonic cũng nghe tự nhiên hơn ElevenLabs là không có cơ sở theo cả hai chiều.

Việc chuyển đổi thực sự khiến bạn phải trả giá những gì, ở những thứ không phải là mô hình.

Giá là lập luận mà Phonic dẫn đầu, và ở mức giá niêm yết thì điều đó đúng. Gói khởi đầu của Phonic là 0,07 đô la mỗi phút hội thoại, không tính thêm token. Eleven Realtime v1 Max là 0,080 đô la mỗi phút âm thanh được kết nối cộng thêm token mô hình ở mức 1,80 đô la mỗi triệu token đầu vào và 9,00 đô la mỗi triệu token đầu ra — và khi vượt quá hạn mức đồng thời của bạn, mức giá tăng vọt lên 0,160 đô la. Phí theo phút chỉ là nửa phần hiển hiện.

• Giá nổi bật — Phonic 1 $0,07/phút (gói Pro $0,065 với mức tối thiểu $200/tháng) so với Eleven Realtime v1 Max $0,080/phút.

• Mức giá không bao gồm những gì — {{1}}Phonic 1{{/1}} cho biết không tính phí theo token hoặc phí LLM; {{2}}Eleven Realtime v1 Max{{/2}} tính phí token mô hình cộng thêm vào phí theo phút, và lưu lượng đột biến với mức giá gấp đôi.

• Danh mục giọng nói — ElevenLabs cung cấp hơn 17.000 giọng nói và hơn 90 ngôn ngữ; Phonic 1 nêu hơn 50 ngôn ngữ với tính năng chuyển đổi giữa cuộc trò chuyện mà vẫn giữ nguyên cùng một giọng nói.

• Triển khai — Phonic 1 cung cấp cloud, single-tenant, VPC peering và self-host; ElevenLabs là một nền tảng được lưu trữ, và ghi chú phát hành của chính họ đã nêu rõ rằng các mô hình thời gian thực không khả dụng trong một số môi trường lưu trú dữ liệu khi ra mắt.

• Cấu trúc API — Eleven Realtime v1 Max tương thích với OpenAI-Realtime qua WebSocket, không có WebRTC khi ra mắt; Phonic 1 vận hành một endpoint WebSocket với PCM 24kHz ở cả hai chiều, kèm khai báo công cụ nội tuyến.

Ba tháng miễn phí là một con số thật, và nó cũng chỉ là một sai số làm tròn so với chi phí chuyển đổi. Bản sắc giọng nói là hạng mục không hề xuất hiện trên bất kỳ trang so sánh nào. Nếu agent production của bạn nói bằng một giọng thương hiệu đã được nhân bản, giọng đó nằm trong thư viện của ElevenLabs dưới các điều khoản của ElevenLabs; Phonic có cung cấp tính năng nhân bản giọng nói, nhưng một giọng đã nhân bản không phải là tệp tin có thể mang đi, và việc nhân bản lại sẽ tạo ra một giọng khác chứ không phải chính giọng đó. Những đội ngũ đã xây dựng thương hiệu quanh một âm sắc cụ thể nên tính cả khoản này vào giá trước khi họ tính đến đơn giá theo phút.

Có một vấn đề khả năng di chuyển thứ hai, âm thầm hơn. Một tác nhân ElevenLabs là một chồng lớp: giọng nói, câu lệnh, công cụ, luồng hội thoại. Di chuyển mô hình đồng nghĩa với việc xây lại luồng, và các định nghĩa công cụ không đi kèm theo đó. Lớp keo nối đó là nơi một cuộc di chuyển thường thất bại, và cũng là lớp đáng để bạn tự sở hữu thay vì thuê từ bất kỳ nhà cung cấp đơn lẻ nào. Phần suy luận và gọi công cụ của một tác nhân là phần đang chạy trên OrcaRouter hiện nay — một khóa duy nhất xuyên suốt hơn 200 mô hình theo giá niêm yết không phụ phí, một quy tắc định tuyến giúp các lượt rẻ vẫn rẻ, và chuyển đổi dự phòng tự động để một sự cố nhỏ từ nhà cung cấp không trở thành khoảng lặng trên cuộc gọi trực tiếp. Cả Phonic 1 lẫn Eleven Realtime v1 Max đều không có trong danh mục của chúng tôi; mỗi mô hình vẫn đến từ nhà cung cấp riêng của nó. Điều khác biệt là những gì bạn giữ được khi rời đi.

Khi ElevenLabs vẫn là lựa chọn đúng đắn

Dòng TTS của ElevenLabs vẫn là mặc định có lý lẽ vững chắc nhất cho mọi thứ không phải là agent trực tiếp. Mô hình giọng nói Eleven v4 của hãng đạt khoảng 1.157 Elo trên đấu trường giọng nói có kiểm soát của Artificial Analysis với mức giá khoảng 80 USD/1 triệu ký tự, còn Eleven v3 ở mức 100 USD/1 triệu ký tự — cả hai đều cao hơn đáng kể mức 49 USD chuẩn hóa của Cartesia Sonic 3.6, và cả hai đều xứng đáng với vị trí đó cho tường thuật, sách nói, lồng tiếng và thông báo có thương hiệu, nơi âm thanh chính là sản phẩm.

Nếu trường hợp sử dụng của bạn là “đọc văn bản này thật đẹp bằng giọng thương hiệu của chúng tôi”, thì câu hỏi ElevenLabs so với Phonic 1 không mang tính cạnh tranh. Phonic không bán một công cụ tường thuật tổng quát; họ bán một tác nhân hội thoại. Mua một mô hình speech-to-speech để thể hiện nội dung đã soạn sẵn là trả tiền cho khả năng suy luận mà bạn sẽ không bao giờ dùng, và nhận được chất lượng giọng nói chưa từng được chấm điểm độc lập cao hơn ElevenLabs trên arena đo lường chính xác điều đó.

Còn vấn đề về độ rộng và độ trưởng thành nữa. Hơn 90 ngôn ngữ so với hơn 50, hơn 17.000 giọng nói so với một bộ được tuyển chọn, và một nền tảng có sản phẩm agent, SDK và changelog mà nhóm của bạn đã đọc. Đó là những thứ mà một mô hình ra mắt trong tuần chưa có thời gian tích lũy.

Ưu đãi thực sự dành cho ai

Ưu đãi chuyển đổi chỉ hợp lý với một người mua cụ thể: một nhóm mà tác nhân của họ thực sự làm công việc giao dịch, danh tính giọng nói của họ hoặc là phổ thông hoặc là của chính họ để nhân bản lại, và bộ công nghệ hiện tại của họ là ElevenAgents từ đầu đến cuối. Với nhóm đó, khoảng trống về năng lực tác nhân là một vấn đề sản phẩm, ba tháng miễn phí là một biện pháp phòng ngừa thực sự trước một cuộc di chuyển có thể thất bại, và hóa đơn cố định theo phút loại bỏ một bài tập mô hình hóa mà đội tài chính của họ vẫn làm hàng tháng.

Mọi người khác nên chờ và theo dõi xem Phonic sẽ công bố gì tiếp theo. Hai điều sẽ giải quyết chuyện này: một điểm số về động lực hội thoại trên cùng bảng xếp hạng, để thành phần thứ tư của chỉ số không còn là giả định, và một phép đo độc lập đối với tuyên bố của nhà cung cấp về việc gọi công cụ trong khi nói, bên ngoài môi trường demo. Cả hai đều chưa tồn tại. Một mô hình mới một tuần tuổi, mới có một bảng xếp hạng phía sau và chưa từng chạy qua một mùa Black Friday không phải là thứ để chuyển một dòng doanh thu sang — nhưng nó chính xác là loại thứ nên đặt phía sau một đường dự phòng chuyển đổi và đo lường với lưu lượng của chính bạn trong một tháng.

Bản tóm tắt trung thực là không đối xứng. Phonic 1 giỏi hơn ở điều khó xây dựng nhất và dễ đo lường nhất: hoàn thành một tác vụ agentic. ElevenLabs giỏi hơn ở mọi thứ xung quanh nó và khó đo lường hơn: bản sắc giọng nói, độ phủ ngôn ngữ, và một sản phẩm mà đội ngũ của bạn đã quen thuộc. Ba tháng miễn phí không phải là phán quyết về bên nào. Đó là sự thừa nhận của nhà cung cấp rằng những thứ xung quanh mới là thứ giữ chân khách hàng, và là một canh bạc rằng có thể xây dựng lại đủ nhiều trong số đó trong chín mươi ngày.