Phonic 1 在 Speech Index 上首次亮相即排名第一。0.2 个百分点的差距掩盖了真正的领先优势。

Phonic 1现已成为 Artificial Analysis 语音到语音指数（Speech to Speech Index）上排名最高的语音到语音模型，得分87.1，在这场仅以十分之一分见分晓的较量中，它力压 xAI 的Grok Voice 3.0（86.9）而胜出。0.2 分的差距通常会被视为噪声，而在这个指数上，它几乎确实就是噪声：这两个模型并非在同一批任务上取胜，因此综合排名上的并列掩盖了其下大得多的分化。在占该分数四分之一的智能体任务基准上，Phonic 1 达到 79.9%，而 OpenAI 最佳配置为 74.5%。

Phonic 是一家由 MIT 和 Stanford 研究人员成立的约十人分拆公司，于 2026 年 10 月 29 日推出了该模型，同时宣布由 First Round 领投的 2750 万美元 A 轮融资，使其总融资额达到 3150 万美元。该公司将该模型写作 Phonic-1，这一写法见其自己的发布帖子和文档；Artificial Analysis 将其列为 Phonic 1 (High)，其中括号内容是 API 设置，而非产品名称。两种拼写都指向同一个端点，以及同样的每分钟 0.07 美元标价。

用供应商自己的话来说，Phonic-1 是什么

它是一个端到端语音模型，而不是“先转写、再思考、后说话”的级联流程。音频输入，音频输出；Phonic 为这种架构提出的论点是：转录文本只是对话的有损副本——语调、犹豫和重叠在语言模型看到之前就被丢弃了。自 2024 年以来，每个语音到语音厂商都提出过这个论点；Phonic 实际卖的，是在此基础上的一种调度技巧。

这个技巧就是在呼叫方发言期间进行工具调用。模型不会等呼叫方停止说话后才开始查询，而是在语音仍在传入时就发起工具调用，因此当呼叫方结束发言时，结果已经就绪。在 Phonic 发布的演示中，模型在一句话说到一半时调用了全部五个工具，并在呼叫方停止说话后 1.1 秒作出回答；同一脚本中，OpenAI 的 GPT-Live-1 被记为 15.7 秒。这一比较是供应商演示，任务由供应商选定，并非实测基准，因此值得将其视为该设计的说明，而不是直接对比结果。

已发布的 API 接口面比大多数发布文章都更具体：

• 模型 ID — phonic-1，phonic-0.5 仍可作为上一代版本使用。省略该字段时，将采用当前默认值。

• 智能 — 一个 intelligence_level 枚举：默认是 standard，当你需要更强大的模型进行复杂推理时使用 high。文档将 standard 描述为针对更低延迟进行优化的设置，这意味着迄今为止所有基准测试所评分的配置，并不是对延迟敏感的部署默认获得的那个配置。

• 语言 — 共 51 种，按 ISO 代码一直列出到菲律宾语（fil）和粤语（yue），支持对话中途切换，并保持同一说话人的身份不变。

• 延迟 — Phonic 声称从语音输入到语音输出的延迟低于 600 毫秒。Artificial Analysis 在其自有测试工具上测得首个音频输出耗时 0.61 秒，这与该声称一致，但两者并非同一项测量。

• 部署 — 托管 API、TypeScript 和 Python SDK、CLI 与无代码智能体构建器；企业版还提供自托管和 VPC 选项，并在页面上标明 SOC 2 Type II、HIPAA BAA、零数据留存以及 99.9% 正常运行时间 SLA。

索引，逐行

语音到语音指数由四个等权重结果综合而成：用于语音推理的 Big Bench Audio、用于智能体式客服行为的 τ-Voice、人类偏好竞技场以及任务成功率。模型必须四项齐全才能获得评分，这就是为什么 StepAudio 3 Realtime 出现在推理表中却没有综合分数——其智能体、竞技场和任务成功率三列均为空。

根据 Artificial Analysis，Phonic 1 的四个组成部分：

语音到语音指数——87.1，排名第一，领先于 Grok Voice 3.0 的 86.9、GPT-Live-1（Astra，medium）的 83.2、Grok Voice 2.0 的 81.3 以及 GPT-Live-1（Sol，low）的 80.1。

• τ-Voice — 79.9%，排名第一，领先 GPT-Live-1（Astra，medium）5.4 个百分点，后者为 74.5%。

• Big Bench Audio — 98.9%，排名第三，落后于 StepAudio 3 Realtime 的 99.7% 和 Qwen Audio 3.0 Realtime Plus 的 99.2%。

• Speech Agent Arena — 在偏好方面以 Elo 1012 在 30 个中排名第 8，在任务成功率方面以 92.3% 排名第 4。

按顺序看这四行，综合结果就不再像是一场平局。Phonic 1 在智能体基准测试中直接夺冠，在推理上位列第三，但在人类实际更偏爱哪种声音上仅排第八，在原始任务成功率上排第四——这是一个可量化地更擅长调用工具、却并非大众最爱的对话者的模型。这与我们两周前在 Grok Voice 3.0 的 86.9 上看到的同一个结构性故事，只是方向相反：xAI 守住了竞技场（arena），却输掉了智能体那一栏；而 Phonic 守住了智能体那一栏，却放弃了竞技场。

两个时钟，两个赢家

延迟正是覆盖范围变得含糊之处，因为两种可靠的测量工具对谁最快意见不一，而两者都没有错。

Artificial Analysis 测量首次音频时间——即从来电者发言结束到音频开始所需的时间。按这一计时，Phonic 1 是该榜单前五名中最快的：

• 首次音频响应时间 — Phonic 1 0.61 秒；Grok Voice 3.0 0.81 秒；GPT-Live-1（Sol，低）1.24 秒；GPT-Live-1（Astra，中）1.34 秒；Qwen Audio 3.0 Realtime Plus 1.54 秒；StepAudio 3 Realtime 8.83 秒。

Cekura 是一家语音智能体评测公司，它通过 WebRTC 在真实的电话测试环境中运行模型，并衡量整通通话的响应时间中位数。按照这一计时口径，Grok Voice 3.0 以 1.34 秒成为该领域最快，Phonic 1 为 1.63 秒——排在第三快，比 1.62 秒的 Grok Voice Think Fast 2.0 慢百分之一秒，并非第一。这两个数字都反映了真实情况。首次音频时间是指模型开始发声的速度；响应时间中位数则是指呼叫者在 82 个场景中实际等待回复的时长，其中包括工具调用繁重的场景——在这些场景中，Phonic 的方案恰好弥补了首次音频测量无法看到的那几秒。

如果你在撰写采购备忘录，要避免的说法是“最快的语音到语音模型”，仅此而已。站得住脚的说法是“在 Artificial Analysis 上首个音频输出最快；在 Cekura 的实时通话测试框架上中位响应速度第三快”。

实时通话看板提出了一个更棘手的问题

Cekura 的语音到语音排行榜是一项难度远高于四个指数组成部分中任何一项的测试：82 个场景——59 个诊所预约电话和 23 个 Medicare 接诊电话——每个场景都在同一个开源 Pipecat 智能体中，使用相同的提示词和工具运行三次，并按 pass³ 计分，也就是说，只有三次运行全部成功且每个字段都记录正确，该场景才算通过。

截至其 2026 年 10 月 22 日更新，在 phonic_v1 模型 ID 下将 Phonic 1 配置为 intelligence high 时，该榜单也将 Phonic 1 排在首位：

• 可靠性，pass-cubed（三次连续通过）—— Phonic 1 90.2%；Grok Voice 3.0 81.7%；GPT Realtime 2.1 79.3%；GPT-Live 1 搭配 GPT-6 Sol 75.6%；Azure Realtime 70.7%。

• 数据准确性 — Phonic 1 97.5%；GPT Realtime 2.1 92.0%；Grok Voice 3.0 87.3%。

• 智能体陷入沉默的通话——Phonic 1 0.0%；Grok Voice 3.0 0.0%；GPT Realtime 2.1 3.3%。

• Medicare 通话成功率 — Phonic 1 88.4%；GPT Realtime 2.1 81.2%；Grok Voice 3.0 58.0%；GPT-Live 1 with Sol 49.3%。

Medicare 分组是整个发布中最值得关注的一项。冗长、需要填写表格的接诊电话，正是端到端模型本应崩溃的场景，而 Phonic 1 保持了 88.4%，Grok Voice 3.0 则跌半至 58.0%。Cekura 自己的报告仍记录了一个值得了解的失败模式：当来电者表示稍后会再打来时，该智能体会不作回应就挂断电话，而且它偶尔会把 Medicare 转接备注或路由细节写错。在 pass-cubed 为 90.2% 的情况下，这 82 个场景中有 74 个每次运行都能通过，8 个则不能——对于才发布一天的模型来说，这是很亮眼的结果，但它还不是成品。

在任何人引用这些数字之前，有两点标注说明。Cekura 的看板带有最后更新日期，而且在不同运行之间会有所修订，因此它的截图不能作为引用依据；应引用实时数字并附上日期。此外，Cekura 记录 Phonic 1 的成本为每分钟 $0.060，而公布的 Starter 价格为 $0.070——这是来自单一测试框架的实测数字，不是价目表价格，也不是可以用来从任何数字中减去的数值。

供应商基准测试，保留在各自的框内

Phonic 的发布帖自带三项结果，而它们之所以值得了解，恰恰是因为它们并非上面的那些数字。在 Sierra 的 τ³-Voice 多语言全双工变体上，该公司报告 Phonic-1 为 83.2，GPT-Live-1 为 79.9，Gemini 3.8 Live 为 68.5。注意这个撞号：79.9 既是 Phonic 在 Artificial Analysis 的 τ-Voice 上的得分，也是 GPT-Live-1 在 Phonic 自己的 τ³-Voice 运行中的得分。相同数字，不同行，不同基准变体——绝不要把数字从一列移到另一列。

另外两项是由 Podonos 进行的盲听人工测试，Podonos 是一家第三方听测服务机构。Phonic-1 以 61.5% 对 32.0% 的偏好率胜过 GPT-Live-1，以 66.5% 对 26.5% 胜过 Grok Voice 3，并以 78.0% 对 14.0% 胜过 Eleven v4 Turbo。而 Phonic 自己着重宣传的结果，恰恰是它输掉的那一项：真人配音演员以 57.0% 对 32.0% 的偏好率胜过 Phonic-1。这四项测试均由厂商委托并由厂商自行报告；其中没有任何一项经过独立复现。

它一个月要多少钱

定价是每分钟一个统一价格，没有按 token 计费，也没有单独的 LLM 转嫁费用——这在一个“语音模型”往往只是对三项计费服务的薄包装的类别中并不常见。各档位如下：

• Starter — 每分钟 $0.07，无最低消费，10 路并发通话，10 个坐席，3 个工作区席位。

• Pro — 每分钟 0.065 美元，每月最低消费为 200 美元，定价页面将其折算为约 3,100 分钟，包含 50 路并发通话、50 名客服人员和 30 个席位。

• 企业版 — 定制方案，提供批量折扣、VPC 或本地部署、DPA、SLA 以及 HIPAA BAA。

11月30日前注册，即可获得250美元额度。按每月10,000分钟算一笔账，最接近的几个竞争对手的标价很快就会高下立判：

• 10,000 分钟 — Phonic 1 Starter $700；Grok Voice 3.0 $800，按每分钟 $0.08；GPT-Live-1（Sol，低）$750，按每分钟 $0.075；GPT-Live-1（Astra，中）$970，按每分钟 $0.097。

• Pro 套餐同样是 10,000 分钟——$650，但只有超过大约 3,100 分钟后，$200 的最低消费才不再成为实际起作用的限制。

价目表上装不下的那个数字，是并发数。Starter 档的十路同时通话，对任何称得上客服队列的场景来说都是实打实的天花板，而这正是在用量上多花每月 50 美元升到 Pro 也值得的原因：这次档位跃升换来的是 50 路并发通话，远比换来那半分钱重要。Phonic 自己的工程博客就主张，并发限制是语音 AI 里的隐性税负——由制定这些限制的一方说出这样的话，算是一种坦诚的表述。

它在哪里运行，以及路由在这里能做什么、不能做什么

Phonic 1 不在 OrcaRouter 的目录中，本文也不会假装它在：目前你只能通过 Phonic 自己的 API、其 SDK、CLI 或无代码构建器来访问它，别无他途。这也是选择端到端语音模型而非级联方案时一个坦诚的结构性弱点——单一供应商、单一端点，当通话中途 websocket 掉线时，没有第二个提供商可以故障转移。

路由确实覆盖的，是另一种方案。转写—思考—说话流水线是 Cekura 自家榜单上持续胜过端到端模型的基线方案，而它的中间环节就是普通的文本推理——这正是一个 API 接入 200+ 模型、0% 加价所适用的层面。转写环节和推理环节可以放在同一个密钥之后，路由 DSL 可以在同一次调用中把廉价的轮次切换调用和昂贵的策略推理调用分发给不同的模型，而无需为技术栈中的每个供应商再签一份合同。供应商标价原样透传，因此供应商降价在公布当天就能传导到该环节，而不必等到下一次合同续约。

这种权衡值得直说，因为上面的排行榜并没有把它计入代价。端到端在轮流发言、打断以及话语中途的工具调用上胜出；级联则胜在能够替换任意一个组件——也胜在这样一个事实：Cekura 的级联基线在 pass-cubed 可靠性上仍然排在它测试过的所有实时模型之前。如果这听起来像是继续使用级联的理由，那它在某种程度上确实是。要转向的理由则在 Medicare 那一列：88.4% 对 58.0%，这种差距决定了一通漫长的信息采集电话究竟能否完成。

还没有人测量过的

在任何人围绕 87.1 重写生产提示词之前，有三个缺口值得点明。

• 所测配置并非默认配置。这里的每一项得分——Artificial Analysis 的 87.1、Cekura 的 90.2%——都是在高智能设置下取得的。API 默认采用标准模式，官方文档将其描述为低延迟模式。目前尚无人公布标准设置下的数据，因此上文的延迟数据并不能反映未做配置的集成实际体验。

• 该指数并未测试含噪信道下的表现。Cekura 报告称，Grok Voice 3.0 在存在背景噪声和音频故障的情况下通过了每一次通话；而对于 Phonic 1，Cekura 并未给出可与之比较的结论，且 Big Bench Audio 是在干净音频上运行的。

• 长会话稳定性只是一次演示，而非一项测量。Phonic 那通持续 44 分钟、在英语和葡萄牙语中进行 123 次工具调用的通话，是已公布的最具体的长时程证据，而且它只是厂商选择展示的单次通话。

一天后站得住脚的总结：在已对它进行评分的两个独立评测工具上，Phonic 1 是最强的智能体式语音到语音模型；取决于你参照哪个时钟，它并不是最快的；而它每分钟 0.07 美元的价格让这一智能体领先优势变得足够便宜，值得去测试，而不是争论。