Phonic 1 so với Qwen Audio 3.1: 82,0% và 79,9% không phải là cùng một con số

Phép so sánh mà ai cũng sẽ thực hiện giữa Phonic 1 và Qwen Audio 3.1 Realtime là một bảng hai dòng: Qwen đạt 82,0% trên τ-Voice, Phonic đạt 79,9%, vì thế mô hình rẻ hơn thắng. Đây là một câu chuyện gọn gàng và nó sai, bởi vì hai con số đó đến từ những công cụ khác nhau. 82,0% của Qwen là từ bài báo của chính nhà cung cấp, được đo trên một biến thể chuyển giọng nói thành văn bản bán song công đã được điều chỉnh của bài đánh giá. 79,9% của Phonic là thành phần agentic của chỉ số giọng nói sang giọng nói của Artificial Analysis, được đo trên chính hệ thống thật. Lấy số này trừ số kia cũng là lỗi giống như so sánh điểm của một đề luyện tập với điểm của bài thi thật.

Điều khiến sai lầm này đáng để viết tới là nó là phép so sánh duy nhất hiện có. Qwen Audio 3.1 Realtime hoàn toàn không xuất hiện trên bảng speech-to-speech của Artificial Analysis — bảng này liệt kê Qwen Audio 3.0 Realtime Plus ở mức 69.5 và Qwen Audio 3.0 Realtime Flash ở mức 67.7, và không có gì mới hơn. Vậy nên đối thủ giá rẻ mới nhất trong hạng mục này đã tự công bố số liệu của riêng mình, theo đơn vị của riêng mình, và chưa có tổ chức độc lập nào chấm điểm nó. Khoảng trống đó chính là câu chuyện, và một bài viết trung thực chủ yếu sẽ nói về những gì chưa thể nói ra.

Qwen Audio 3.1 thực chất là gì

Qwen-Audio-3.1 của Alibaba ra mắt vào cuối tháng 9 năm 2026 dưới dạng một bộ gồm năm mô hình chứ không phải một bản phát hành đơn lẻ: ASR, ASR-Next, TTS, TTS-Next và Realtime. Mô hình cạnh tranh với Phonic 1 là Qwen Audio 3.1 Realtime, và cụ thể là hạng Realtime-Plus, vốn chỉ có thể truy cập qua QwenCloud thông qua WebSocket — không có trọng số mở, khác với các thành viên TTS và ASR trong cùng dòng sản phẩm, và không có lộ trình tự triển khai nào trong tài liệu công khai.

• Ngữ cảnh — tổng 262K, đầu vào tối đa 245K và đầu ra tối đa 16K, so với ngữ cảnh chưa được công bố của Phonic 1.

• Giới hạn thông lượng — mặc định 60 yêu cầu và 100K token mỗi phút trên QwenCloud; Phonic không công bố giới hạn phiên tương đương.

• Tính năng — gọi hàm, tìm kiếm web, đầu ra có cấu trúc, lưu đệm ngữ cảnh, tinh chỉnh và nhân bản giọng nói đều được liệt kê cho Qwen Audio 3.1 Realtime; Phonic liệt kê các công cụ đồng bộ nội tuyến, hơn 50 ngôn ngữ và khả năng chuyển đổi ngôn ngữ giữa cuộc trò chuyện.

• Tính khả dụng — Qwen Audio 3.1 Realtime chỉ có qua API; Phonic 1 cung cấp cloud, single-tenant, VPC peering và self-host.

Hai hàng đó là những hàng quan trọng đối với mua sắm. Dòng họ Qwen thường phát hành trọng số; thành viên này thì không, điều này loại bỏ lý do chính khiến một nhóm chọn Qwen thay vì một nhà cung cấp dịch vụ lưu trữ. Tùy chọn tự lưu trữ của Phonic là hình ảnh phản chiếu — đó là cách duy nhất để một trong hai mô hình này chạy ở bất kỳ đâu ngoài đám mây của người khác.

Bài đánh giá chuẩn không phải là cùng một bài đánh giá chuẩn

Con số 82,0% xuất hiện trong bài báo arXiv của Alibaba về Qwen-Audio-3.1, được trình bày như một cải thiện so với 78,4% ở thế hệ trước. Bài báo đó nói rõ rằng đây là một bản thích ứng chuyển giọng nói thành văn bản, bán song công (half-duplex), của τ-Voice chứ không phải đánh giá tác tử song công đầy đủ (full-duplex) tạo ra các con số trên bảng xếp hạng công khai. Điều đó không phải là không trung thực — nó được công bố rõ — nhưng điều đó có nghĩa là con số này trả lời một câu hỏi hẹp hơn: với một thiết lập kiểu bản ghi lời thoại và một nhiệm vụ, mô hình hoàn thành nhiệm vụ đó thường xuyên đến mức nào.

79,9% của Phonic 1 trả lời câu hỏi rộng hơn, và khoảng cách giữa hai câu hỏi không hề nhỏ. Một bản thích ứng bán song công loại bỏ những phần của cuộc gọi agentic khó làm đúng nhất: ngắt lời, lời nói chồng chéo, quyết định khi nào ngừng lắng nghe, và phục hồi khi người gọi đổi ý giữa lúc gọi công cụ. Mỗi điểm trong số đó là nơi một mô hình đánh mất những tác vụ mà nó lẽ ra sẽ hoàn thành.

Do đó, hướng của sai số là có thể dự đoán được, và nó ngược lại với cách đọc hiển nhiên. Mức 82,0% của Qwen rất có thể là một mức trần lạc quan đối với hành vi song công toàn phần của nó, chứ không phải là một chiến thắng so sánh trực tiếp trước mức 79,9% của Phonic. Liệu nó có vượt qua ngưỡng đó hay không thì vẫn chưa rõ. Alibaba chưa đưa mô hình này ra trước bộ đánh giá đã tạo ra kết quả 79,9.

Qwen thực sự công bố những gì, và những con số của chính nó phản lại nó ở chỗ nào

Bản công bố của Alibaba thẳng thắn một cách bất thường về các thất bại, khiến nó hữu ích hơn cả dòng τ-Voice nổi bật. Đọc toàn bộ bảng, mô hình trông ít giống một đối thủ mang tính quyết định hơn mà giống một hệ thống thời gian thực thế hệ thứ hai vững mạnh với hai điểm yếu cụ thể.

• Tỷ lệ lỗi từ của FLEURS — từ 9,01 xuống 3,98, một cải thiện thực sự về độ chính xác nhận dạng trên nhiều ngôn ngữ.

{{1}}Điểm trung bình Big Bench Audio trên 14 ngôn ngữ{{/1}} — 81,7% đến 88,1%.

• Audio MultiChallenge — 47,12 đến 52,21.

• Tỷ lệ phản hồi với giọng nói nền trên Full-Duplex-Bench v1.5 — giảm từ 73.0% xuống 13.0%, nghĩa là mô hình ít có khả năng trả lời những lời nói không hướng đến nó hơn nhiều.

• Độ trễ dừng khi bị ngắt lời — 1,116 giây, so với 0,383 giây của GPT-Realtime-2. Đây là con số cần đem ra cân nhắc bên cạnh 0,61 giây của Phonic để có âm thanh đầu tiên: một bên đo xem mô hình bắt đầu nhanh đến đâu, bên kia đo xem nó dừng nhanh đến đâu, và dừng chậm chính là điều mà người gọi mô tả như bị nói lấn.

• Tỷ lệ tiếp tục nói không mong muốn — 0,035 tăng lên 0,130, một sự thoái lui mà bài báo báo cáo so với chính phiên bản tiền nhiệm của nó; mô hình có nhiều khả năng bắt đầu nói lại khi lẽ ra không nên.

Hai dòng cuối cùng đó là những sự thật ít được đề cập nhất trong màn ra mắt Qwen Audio 3.1. Một mô hình mất 1,116 giây để nhường lời và tự nói tiếp khi không mong muốn sẽ tạo cảm giác, trong một cuộc gọi điện thoại thực tế, tệ hơn mức mà điểm số độ chính xác của nó gợi ý — và đó chính xác là khía cạnh mà chiến lược tiếp thị của Phonic 1 dựa vào, với tuyên bố “phản hồi trước khi người gọi nói xong” và độ trễ chuyển đổi giọng nói sang giọng nói dưới 600ms của nó.

Điểm dữ liệu có thể so sánh duy nhất

Vì Qwen Audio 3.1 Realtime không có điểm chỉ số, cách duy nhất để xếp nó so với Phonic 1 trên cùng một công cụ là thông qua phiên bản tiền nhiệm. Qwen Audio 3.0 Realtime Plus đạt 69.5 trên chỉ số chuyển giọng nói sang giọng nói, với hiệu suất agentic 54.6%, suy luận giọng nói 99%, thành công tác vụ 77.8%, 798 arena Elo và 1.54 giây cho đến âm thanh đầu tiên.

• Hiệu suất tác nhân — Phonic 1 đạt 79,9 so với Qwen Audio 3.0 Realtime Plus 54,6. Nếu 3.1 mang lại mức cải thiện mà chính bài báo của nó hàm ý trên các tác vụ, thì nó sẽ thu hẹp được một phần khoảng cách 25 điểm đó; chưa ai đo được là bao nhiêu.

• Sở thích đấu trường — Phonic 1 đạt 1.012 so với 798 của 3.0. Đây là khoảng cách lớn nhất trong phép so sánh và cũng là khoảng cách ít có khả năng được thu hẹp nhất, vì sở thích đấu trường là thước đo dựa trên phiếu bầu của con người, vốn thay đổi chậm giữa các thế hệ.

Thời gian đến âm thanh đầu tiên — Phonic 1 0,61 giây so với 1,54 giây của 3.0. Dòng thời gian thực của Qwen trước đây vốn là dòng chậm hơn ở hạng mục này, và 3.1 không công bố số liệu thời gian đến âm thanh đầu tiên.

• Tỷ lệ hoàn thành nhiệm vụ — Phonic 1 92,3% so với 77,8% của 3.0.

Mẫu hình qua ba thế hệ diễn ra nhất quán: các mô hình thời gian thực của Qwen vốn là những bộ nhận dạng mạnh nhưng là những agent yếu, và 3.1 là thế hệ tuyên bố sẽ khắc phục nửa phần agent. Việc nó có thực sự làm được điều đó hay không chính là điều mà điểm chỉ số còn thiếu sẽ cho bạn biết.

Hai đơn vị giá không chuyển đổi được

Qwen Audio 3.1 Realtime tính phí theo token: 0,80 USD cho một triệu token đầu vào văn bản, 6,40 USD cho đầu vào âm thanh, 6,40 USD cho đầu ra văn bản và 24 USD cho đầu ra âm thanh tại khu vực Singapore, với mức giá ở Bắc Kinh thấp hơn khoảng 14% trên tất cả các hạng mục. Phonic 1 tính phí 0,07 USD mỗi phút trò chuyện, cố định, không có phí token.

Không có cách quy đổi công khai nào giữa các đơn vị đó. Để chuyển một tốc độ token thành chi phí mỗi phút, bạn cần biết mật độ token âm thanh — tức một phút lời nói chiếm bao nhiêu token — và Alibaba không công bố con số này cho mô hình này. Bất kỳ ai nói với bạn một con số tương đương mỗi phút của Qwen Audio 3.1 đều hoặc là đang đoán mật độ, hoặc đang vay mượn từ một dòng mô hình khác dùng codec khác. Hướng của câu trả lời thì không còn nghi ngờ gì: giá âm thanh của Qwen đủ thấp để một phút được token hoá tốt rất có thể sẽ rơi xuống dưới bảy xu, và việc cắt giảm giá khoảng 85% ở gói Realtime chính là điểm nhấn của buổi ra mắt. Độ lớn thì vẫn chưa biết, và cái chưa biết đó đủ lớn để có ý nghĩa với một triển khai khối lượng lớn.

• Đầu vào âm thanh — Qwen 6,40 USD / 1 triệu token (Singapore) so với Phonic 0,07 USD mỗi phút hội thoại, không có tỷ giá quy đổi được công bố giữa hai mức giá này.

• Âm thanh đầu ra — Qwen $24 / 1M tokens; gói phút cố định của Phonic bao gồm âm thanh đầu ra.

• Định giá theo khu vực — khu vực Bắc Kinh của Qwen có giá rẻ hơn khoảng 14% so với Singapore; Phonic chỉ công bố một bảng giá toàn cầu duy nhất.

• Mức tối thiểu — Gói Pro của Phonic có mức tối thiểu hàng tháng là 200 USD; QwenCloud công bố giới hạn tần suất mặc định thay vì mức tối thiểu của nền tảng.

Khác biệt về hình dạng là phần vẫn còn lại khi thiếu việc quy đổi. Hóa đơn tính theo token theo dõi mức độ mô hình thực sự làm — bản ghi dài, phản hồi dài dòng và các lượt dùng nhiều công cụ đều tốn nhiều hơn. Hóa đơn tính theo phút theo dõi thời gian đường dây điện thoại mở. Với một agent dành phần lớn cuộc gọi để lắng nghe, mô hình token là lựa chọn thân thiện hơn; với một agent trả lời dài, thì không.

Bạn đang trả lời câu hỏi nào?

Nếu bạn đang chọn một mô hình để triển khai trên hạ tầng của chính mình, thì bài so sánh này không dành cho bạn: Qwen Audio 3.1 Realtime không có trọng số, còn Phonic 1 tự lưu trữ được, khiến Phonic trở thành lựa chọn duy nhất ở đây có thể thoát ra khỏi đám mây của nhà cung cấp. Đó là câu trả lời gói trong một dòng và rất dễ bị bỏ sót giữa những màn bàn luận về benchmark.

Nếu bạn đang cân nhắc chọn một mô hình thời gian thực được lưu trữ dựa trên chi phí, thì Qwen Audio 3.1 là lựa chọn đáng quan tâm hơn — rẻ hơn đáng kể trên mỗi đơn vị, một bước tiến được ghi chép rõ ràng về độ chính xác nhận dạng, và có một nhà cung cấp với hệ sinh thái trọng số mở sâu rộng làm hậu thuẫn. Rủi ro là phần tác nhân của nó chưa được đo lường và hành vi ngắt của nó đã bị thoái hóa trong chính bảng của nhà cung cấp.

Nếu bạn đang lựa chọn dựa trên hiệu năng agentic được đo lường, thì Phonic 1 là một trong hai cái duy nhất mà bạn thực sự có thể xếp hạng, vì nó là cái duy nhất đã được xếp hạng. Đó là một khẳng định yếu hơn so với “Phonic tốt hơn”, và đó mới là khẳng định đúng.

Và nếu bạn đang chạy các mô hình văn bản của Qwen song song với một lớp giọng nói, thì nửa phần đó của ngăn xếp vốn đã có thể định tuyến được — Qwen3.8-Max nằm trên OrcaRouter trong số hơn 200 mô hình với một khóa duy nhất ở mức giá niêm yết của nhà cung cấp, không phụ phí, vì vậy việc Alibaba cắt giá sẽ có hiệu lực ngay trong cùng ngày. Điểm cuối âm thanh không nằm trong danh mục của chúng tôi và Phonic 1 cũng vậy; mỗi thứ đến từ nhà cung cấp riêng của nó. Điều mà một bộ định tuyến mang lại cho bạn trong một thị trường non trẻ như thế này là khả năng duy trì một đường dẫn giọng nói đang hoạt động trong khi một lựa chọn mới hơn, rẻ hơn chứng minh được giá trị của mình — chuyển đổi dự phòng tự động nghĩa là việc thử nghiệm Qwen Audio 3.1 với lưu lượng truy cập của chính bạn chỉ tốn một quy tắc định tuyến, chứ không phải một cuộc di trú.

Kết luận trung thực là cuộc so kè này hiện chưa thể phân định trên trục mà cả hai nhà cung cấp đều muốn nó được quyết định. Alibaba đã công bố một con số tâng bốc mô hình của mình bằng cách đo một tác vụ dễ hơn. Phonic đã công bố một con số được đo đúng cách nhưng chỉ trên một bảng đánh giá, một cấu hình, một tuần khả dụng. Điều đầu tiên cần theo dõi không phải là việc giảm giá hay một điểm chuẩn — mà là sự xuất hiện của Qwen Audio 3.1 Realtime trên một bảng đánh giá chấm điểm cả hai mô hình theo cùng một cách. Cho đến lúc đó, tuyên bố duy nhất có thể bảo vệ được là Phonic 1 là phương án đã biết rõ còn Qwen Audio 3.1 là ẩn số giá rẻ, và đó là lý do hoàn toàn chính đáng để thử mô hình thứ hai phía sau một quy tắc chuyển đổi dự phòng thay vì đặt nó trước mặt khách hàng của bạn.