Phonic 1 so với GPT Live 1: Bản demo 1,1 giây, miếng dán 5 xu và hóa đơn không ai đo đếm

Sự thật được nhắc lại nhiều nhất về Phonic 1 là một so sánh demo: trong bài kiểm tra của chính Phonic, tác nhân của nó phản hồi 1,1 giây sau khi người gọi ngừng nói, so với 15,7 giây của OpenAI GPT Live 1. Đó là một con số ngoạn mục, do nhà cung cấp tự thực hiện, và là thứ ít hữu ích nhất trong cuộc so tài này. Thứ hữu ích nhất gần như ngược lại — mức giá niêm yết năm xu mỗi phút của GPT Live 1 trông như đánh bại mức bảy xu của Phonic, cho đến khi bạn cộng thêm mức tính tiền thứ hai mà OpenAI gắn vào nó. Nằm giữa hai sự thật đó là phép so sánh thực sự quan trọng, và nó có một câu trả lời rõ ràng: trên bảng speech-to-speech của Artificial Analysis, Phonic 1 (High) đạt 87,1 và GPT-Live-1 trong cấu hình Astra-medium đạt 83,2, một khoảng cách 3,9 điểm tập trung gần như hoàn toàn vào một thành phần.

Cả hai mô hình đều là hệ thống hội thoại song công toàn phần có khả năng gọi công cụ giữa cuộc gọi, cả hai đều được tung ra thị trường mà mười tám tháng trước chưa có mô hình giọng nói gọi công cụ nào thực sự nghiêm túc, và cả hai đều tách phần suy luận của mình khỏi lớp giọng nói theo một cách nào đó. Chính điểm tương đồng cuối cùng này khiến việc so sánh chi phí rất dễ bị sai, và đây cũng là chỗ bài viết này dành phần lớn thời gian.

Bản demo, được mổ xẻ

Màn trình diễn 1,1 giây so với 15,7 giây của Phonic là một quan sát thực về một hành vi thực, đồng thời cũng là một so sánh với hai ẩn số. Ẩn số thứ nhất là cấu hình: độ trễ của GPT-Live-1 phụ thuộc rất nhiều vào việc nó ủy thác cho mô hình backend nào, và Artificial Analysis đo thời gian đến âm thanh đầu tiên là 1,34 giây đối với cấu hình Astra-medium và 1,24 giây đối với Sol-low — không cấu hình nào trong hai cấu hình đó là mười lăm giây. Con số 15,7 giây ngụ ý hoặc là một backend đang chịu tải suy luận nặng, hoặc là một tác vụ có chuỗi công cụ dài. Ẩn số thứ hai là tác vụ: hai con số mô tả các cuộc trò chuyện khác nhau, và không có giao thức công bố nào đằng sau cặp số đó.

Tuy nhiên, tuyên bố mang tính cấu trúc nằm bên dưới bản demo là hợp lý, và ở đây đáng tách nó ra khỏi con số. Phonic 1 kích hoạt các lệnh gọi công cụ trong khi người gọi vẫn đang nói; tài liệu của nhà cung cấp nói rõ điều đó và API của nó phơi bày các công cụ đồng bộ nghiêm ngặt được khai báo inline qua phiên. GPT-Live-1 là song công toàn phần theo nghĩa nó lắng nghe trong khi nói, và nó ủy thác công việc công cụ qua một ranh giới bất đồng bộ cho một mô hình backend riêng. Cả hai thiết kế đều đưa công việc ra khỏi đường tới hạn, bằng những cơ chế khác nhau. Cái nào thắng trên lưu lượng của bạn là điều bạn đo được, chứ không phải một bản demo bạn xem.

GPT-Live-1 là một cấu hình, không phải là một điểm số

Mọi con số công khai về GPT-Live-1 đều cần có một lưu ý đi kèm, bởi điểm số của mô hình thay đổi theo backend của nó. Trên cùng một bảng:

• GPT-Live-1 (Astra, medium) — chỉ số speech-to-speech 83,2, reasoning 90, dynamics 94,9, agentic 74,5, mức ưu thích trên arena 1.027, tỷ lệ thành công tác vụ 87,4%, thời gian tới âm thanh đầu tiên 1,34 giây.

• GPT-Live-1 (Sol, low) — chỉ số 80,1, suy luận 89, động lực 97,3, năng lực tác tử 59,3, đấu trường 1.037, tỷ lệ thành công tác vụ 90,9%, thời gian đến âm thanh đầu tiên 1,24 giây.

• Phonic 1 (High) — chỉ số 87.1, suy luận 99, động lực không được báo cáo, năng lực tác nhân 79.9, đấu trường 1,012, tỷ lệ thành công tác vụ 92.3%, thời gian đến âm thanh đầu tiên 0.61 giây.

Có ba điều rút ra từ đó. Thứ nhất, cấu hình Sol nỗ lực thấp đạt điểm tốt hơn về tính năng động, thành công nhiệm vụ và mức độ ưu tiên trên đấu trường so với cấu hình Astra nỗ lực cao, và kém hơn về suy luận và khả năng tự chủ — đây chính là sự đánh đổi tương tự mà Gemini tư duy mở rộng của Google thể hiện, và điều đó có nghĩa là “điểm GPT-Live-1” là một cụm từ vô nghĩa nếu không gắn với một cấu hình.

Thứ hai, khoảng cách agentic giữa Phonic 1 và cấu hình GPT-Live-1 tốt nhất là 5,4 điểm. Khoảng cách đó nhỏ hơn so với hàm ý trong tài liệu ra mắt của Phonic — mức dẫn trước 8,3 điểm mà hãng tuyên bố là so với Grok Voice 3.0, không phải OpenAI — và đủ nhỏ để một bộ nhiệm vụ khác có thể hợp lý thu hẹp nó.

Thứ ba, GPT-Live-1 dẫn đầu về mức độ ưa thích trên đấu trường ở cả hai cấu hình, lần lượt với 15 và 25 Elo, và dẫn trước Phonic về động lực hội thoại với một con số mà Phonic chưa công bố. Ở trục mà người gọi sẽ mô tả là “nghe như một người thật”, OpenAI đang dẫn trước và khoảng cách không được đo ở cả hai phía.

Tem năm xu và đồng hồ thứ hai

GPT-Live-1 có giá $0.05 mỗi phút thoại, tính theo giây mà không làm tròn lên, cùng khoản phí khởi tạo phiên 15 giây được ghi có hoàn lại. Phonic 1 có giá $0.07 mỗi phút hội thoại, $0.065 ở gói Pro. Trên hai dòng đó, OpenAI rẻ hơn 29% và vấn đề đã ngã ngũ.

Điều đó không khép kín, vì phí theo phút của GPT-Live-1 chỉ bao gồm lớp giọng nói. Suy luận phía backend, gọi công cụ và tìm kiếm web được tính riêng theo mức giá token tiêu chuẩn của mô hình backend — hướng dẫn của chính OpenAI gợi ý dùng mô hình nhỏ cho các lượt có lưu lượng cao và mô hình tiên phong cho suy luận phức tạp. Artificial Analysis đo tổng chi phí thực tế từ $4.47 đến $5.83 mỗi giờ âm thanh đầu vào tùy theo cấu hình suy luận, so với $4.20 của Phonic 1.

• Lớp giọng nói — GPT-Live-1 $0.05/phút so với Phonic 1 $0.07/phút, $0.065 gói Pro.

• Ngoài ra còn tính phí những gì — GPT-Live-1 tính thêm token mô hình backend, lệnh gọi công cụ và tìm kiếm web; Phonic 1 cho biết một mức giá cố định mỗi phút, không cộng thêm chi phí LLM.

• Chi phí đầu vào đo được theo giờ — GPT-Live-1 $4,47–$5,83 so với Phonic 1 $4,20, theo Artificial Analysis.

• Khả năng dự đoán chi phí — tổng chi phí của GPT-Live-1 phụ thuộc vào cách bạn định tuyến backend; còn của Phonic 1 thì không.

Sự đảo ngược đó chính là toàn bộ lập luận chi phí, và nó đi ngược hướng so với giá niêm yết. Một nhóm giữ cho các lượt xử lý phía backend của mình rẻ có thể thoải mái đánh bại mức $4.20 một giờ trên GPT-Live-1; một nhóm gửi mọi lượt đến một mô hình tiên phong sẽ vượt lên trên mức đó. Mức giá phẳng của Phonic là giá cố định cho một khối lượng công việc biến đổi, có giá trị hoặc bị định giá quá cao tùy thuộc vào tổ hợp bạn thực sự vận hành.

Phần backend là nơi OrcaRouter phù hợp mà không cần giả vờ là thứ khác. Cả Phonic 1 lẫn GPT Live 1 đều không có trong danh mục của chúng tôi — mỗi cái đều khả dụng thông qua API riêng của nhà cung cấp — nhưng mô hình xử lý những lượt khó của GPT-Live-1 lại là một mô hình văn bản thông thường, và đó chính là hơn 200 mô hình mà chúng tôi định tuyến trên một khóa với mức chênh lệch 0% so với giá niêm yết của nhà cung cấp. Cả hai backend mà OpenAI nêu tên, GPT-5.6 Luna và GPT-6 Astra, đều có trang mô hình tại đây. Một quy tắc định tuyến có thể giữ các lượt dễ trên backend giá rẻ và chỉ chuyển cấp những lượt cần thiết, với chuyển đổi dự phòng tự động nếu một nhà cung cấp gặp sự cố giữa cuộc gọi — đây chính là cơ chế kiểm soát biến hóa đơn biến thiên của GPT-Live-1 thành một hóa đơn có giới hạn.

Những gì OpenAI có mà Phonic không có

Khoảng cách về độ trưởng thành không phải là một điểm tiếp thị mà là một vấn đề vận hành thực tế. GPT-Live-1 đã có mặt trong ChatGPT từ ngày 8 tháng 7 năm 2026, trong API từ ngày 10 tháng 9 và nhận được một bản cập nhật bổ sung, GPT-Live-1.1, vào ngày 15 tháng 10. Nó đã vận hành ở quy mô mà chưa mô hình nào mới ra đời một tuần có được, và câu chuyện truyền tải của nó phản ánh điều đó: Live Sessions qua WebRTC, WebSocket hoặc SIP, với khả năng điện thoại được xử lý sẵn thay vì giao lại cho bên tích hợp.

Mức độ đón nhận là tín hiệu còn lại. Perplexity đã chuyển chế độ giọng nói của mình sang GPT-Live-1 vào ngày 28 tháng 10 năm 2026, và Yelp cùng Speak được nêu tên là những đối tác ban đầu. Đó không phải là bằng chứng về chất lượng, nhưng là bằng chứng cho thấy mô hình trụ vững khi tiếp xúc với lưu lượng người dùng.

• Truyền tải — GPT-Live-1 cung cấp WebRTC, WebSocket và SIP; Phonic 1 cung cấp một endpoint WebSocket, với webhook, socket giữ mở hoặc LiveKit là các kiểu tích hợp.

• Tính đồng thời — GPT-Live-1 công bố giới hạn phiên đồng thời theo bậc (khoảng 25–50 ở Bậc 1, lên tới 500 ở bậc cao nhất) và không có gói miễn phí; Phonic 1 không công bố giới hạn phiên nào trong tài liệu công khai của mình.

• Ranh giới — GPT-Live-1 không nhận đầu vào hình ảnh hoặc video và không cung cấp đầu ra có cấu trúc trên lớp giọng nói; Phonic 1 là bản gốc âm thanh với các lệnh gọi công cụ đóng vai trò bề mặt có cấu trúc.

• Triển khai — Phonic 1 cung cấp cloud, single-tenant, VPC peering và self-host với khả năng đáp ứng SOC 2 Type II và HIPAA BAA; GPT-Live-1 là API do OpenAI vận hành.

Phonic 1 có gì mà OpenAI không có

Về tốc độ, trên bảng đo lường nó theo cùng một cách: 0,61 giây để có âm thanh đầu tiên so với 1,34 giây và 1,24 giây. Đó là khoảng cách được đo duy nhất trong cuộc so tài này đủ lớn để người gọi cảm nhận được thay vì suy ra từ biểu đồ, và nó nhất quán với tuyên bố của Phonic về thời gian từ lời nói đầu vào đến lời nói đầu ra dưới 600ms.

Khả năng tự chủ, nói hẹp hơn: 79,9% so với 74,5% trên cấu hình OpenAI tốt hơn. Và một hóa đơn duy nhất — thứ không hẳn là một năng lực mà đúng hơn là một đặc tính mua sắm — nhưng với một công ty từ trước đến nay vẫn chạy một bảng tính có dòng voice, dòng backend và dòng tools, thì việc gộp ba đồng hồ đo thành một là đáng giá thật sự.

• Thời gian đến âm thanh đầu tiên — Phonic 1 0,61 giây so với GPT-Live-1 1,34 giây (Astra, medium) và 1,24 giây (Sol, low), theo Artificial Analysis.

• Hiệu năng tác nhân — Phonic 1 79.9 so với 74.5 (Astra, trung bình) và 59.3 (Sol, thấp).

• Ưu tiên ở Arena — GPT-Live-1 1.027 và 1.037 so với Phonic 1 1.012.

• Tỷ lệ hoàn thành nhiệm vụ — Phonic 1 92,3% so với 87,4% (Astra) và 90,9% (Sol).

Các tuyên bố về hiệu suất của chính OpenAI xứng đáng có nhãn riêng, vì chưa có tuyên bố nào trong số đó được tái lập một cách độc lập: 80,1% trên Full Duplex Bench v1.5 so với 45,4% của GPT-Realtime-2.1, độ trễ chuyển lượt là 0,798s so với 1,41s, và khoảng 87% thành công khi gọi công cụ. Đó là những con số của nhà cung cấp. Chúng có vẻ hợp lý và chưa được xác minh, và câu tương tự cũng phải được viết về so sánh 15,7 giây của Phonic.

Quyết định, được phát biểu như một ván cược

Chọn GPT Live 1 nếu các cuộc gọi của bạn mang tính hội thoại nhiều hơn là giao dịch, nếu bạn muốn phần truyền tải và điện thoại được xử lý thay, và nếu bạn sẵn sàng tự chịu trách nhiệm về định tuyến backend — yếu tố giúp hóa đơn của nó có tính cạnh tranh. Mức thiếu hụt 5,4 điểm về năng lực tác tử là có thật nhưng không chí mạng đối với một agent chủ yếu trả lời câu hỏi và thỉnh thoảng gọi tra cứu — và danh mục nhiều cấu hình rộng hơn của OpenAI, từ giọng nói nỗ lực tối thiểu đến các backend tiên phong, mang lại cho bạn nhiều nút điều chỉnh hơn những gì Phonic hiện công bố.

Hãy chọn Phonic 1 nếu cuộc gọi phải hoàn tất một giao dịch, nếu một phần ba giây để có âm thanh đầu tiên làm thay đổi tỷ lệ bỏ cuộc của bạn, và nếu mức giá cố định theo phút đáng giá hơn với bạn so với khoản tiết kiệm lý thuyết của một backend được tinh chỉnh tốt. Hãy chấp nhận rằng bạn đang mua một mô hình mới một tuần tuổi với một bo mạch độc lập, không có giới hạn phiên được công bố và không có lịch sử triển khai ở quy mô người dùng đại chúng.

Điều có thể giải quyết chuyện này không phải là việc cả hai nhà cung cấp đều công bố thứ gì đó. Mà là hai tuần bạn tự gọi thử, chia đều giữa hai bên, với tỷ lệ hoàn thành cho cùng một tác vụ được đo song song. Mức dẫn trước 5,4 điểm về năng lực tác tử của Phonic đúng bằng độ lớn khoảng cách mà một lĩnh vực tác vụ duy nhất có thể đảo ngược — đó là lý do để đo đạc, chứ không phải để chọn kẻ đang dẫn đầu trên bảng xếp hạng.