Phonic 1 与 Qwen Audio 3.1：82.0% 和 79.9% 并不是同一个数字

所有人都会在 Phonic 1 与 Qwen Audio 3.1 Realtime 之间进行的那个对比，无非就是一张两行表格：Qwen 在 τ-Voice 上得分 82.0%，Phonic 得分 79.9%，所以更便宜的模型胜出。这是一个干净利落的故事，但它是错的，因为这两个数字来自不同的测量工具。Qwen 的 82.0% 出自厂商自己的论文，是在该基准的一个经过改造的半双工语音转文本变体上测得的。Phonic 的 79.9% 是 Artificial Analysis 语音到语音指数中的智能体（agentic）部分，是在真实场景上测得的。把这两个数字相减，就如同拿练习卷上的分数与正式考试的分数作比较，是同一类错误。

这个错误之所以值得写，是因为它是唯一可用的对比。Qwen Audio 3.1 Realtime 根本没有出现在 Artificial Analysis 的语音到语音榜单上——该榜单列出的是 Qwen Audio 3.0 Realtime Plus 的 69.5 分和 Qwen Audio 3.0 Realtime Flash 的 67.7 分，再没有更新的型号。因此，这一类别中最新的廉价挑战者公布了自己的数据，用的是自己的单位，而没有任何独立机构给它评分。这个空白才是故事所在，而一篇诚实的文章主要讲的是目前还不能下结论的内容。

Qwen Audio 3.1 究竟是什么

阿里巴巴的 Qwen-Audio-3.1 于 2026 年 9 月下旬推出，它并非单一版本发布，而是一个由五款模型组成的套件：ASR、ASR-Next、TTS、TTS-Next 和 Realtime。与 Phonic 1 竞争的是 Qwen Audio 3.1 Realtime，具体来说是 Realtime-Plus 档位；该档位仅可通过 QwenCloud 经 WebSocket 使用——与同系列中的 TTS 和 ASR 成员不同，它没有开放权重，公开材料中也没有自托管路径。

上下文 — 总计 262K，最大输入 245K，最大输出 16K，与 Phonic 1 未公开的上下文相比。

• 吞吐量限制——QwenCloud 默认每分钟 60 次请求和 100K 个 token；Phonic 未公布等效的会话上限。

• 功能——Qwen Audio 3.1 Realtime 列出了函数调用、网络搜索、结构化输出、上下文缓存、微调和声音克隆；Phonic 列出了内联同步工具、50+ 种语言以及对话中途语言切换。

• 可用性 — Qwen Audio 3.1 Realtime 仅提供 API；Phonic 1 提供云端、单租户、VPC 对等互联及自托管部署方式。

这两行才是采购时真正重要的。Qwen 家族通常会发布权重；这个成员则不会，这就消除了团队选择 Qwen 而非托管供应商的主要理由。Phonic 的自托管选项正好相反——它是这两个模型中的任何一个能在别人的云之外运行的唯一方式。

并非同一个基准的那个基准

82.0%这一数字出现在阿里巴巴关于Qwen-Audio-3.1的arXiv论文中，并被表述为相较上一代78.4%的提升。同一篇论文明确指出，这是对τ-Voice进行的半双工、语音转文字适配，而非产生公开排行榜上那些数字的全双工智能体评测。这并不算不诚实——因为这是公开披露的——但这意味着该数字回答的是一个更狭窄的问题：在类似转录的设置下给定一个任务，模型完成该任务的频率有多高。

Phonic 1 的 79.9% 回答了更广泛的问题，而这两个问题之间的差距并不小。半双工适配去掉了智能体通话中最难做对的部分：打断、语音重叠、判断何时停止聆听，以及在工具调用中途呼叫方改变主意时的恢复。每一个都是模型会丢失原本可以完成的任务的环节。

因此，误差的方向是可预测的，而且与显而易见的解读正好相反。Qwen 的 82.0% 很可能是其全双工表现的乐观上限，而不是对 Phonic 的 79.9% 的对等胜利。它能否越过这一门槛尚不可知。阿里巴巴尚未让该模型面对那个得出 79.9% 的评估方。

Qwen 究竟发布了什么，以及它自己的数据在哪里反过来对它不利

Alibaba 的发布对失败之处异常坦诚，这使它比头条上的 τ-Voice 说法更有用。读完整个表格，这个模型看起来不太像一个决定性的挑战者，而更像一个有着两个具体软肋的强大第二代实时系统。

• FLEURS 词错误率——从 9.01 降至 3.98，跨语言识别准确率得到切实提升。

• 14 种语言的 Big Bench Audio 平均分 — 81.7% 至 88.1%。

• Audio MultiChallenge — 47.12 至 52.21。

• 在 Full-Duplex-Bench v1.5 上的背景语音响应率——从 73.0% 降至 13.0%，这意味着模型响应并非针对其的语音的可能性大大降低。

• 打断停止延迟——1.116 秒，而 GPT-Realtime-2 为 0.383 秒。这个数字需要与 Phonic 的 0.61 秒首音频延迟放在一起权衡：一个衡量的是模型启动有多快，另一个衡量的是停止有多快，而停止缓慢正是通话者所说的“被抢话”。

• 非预期恢复发言率——从 0.035 升至 0.130，这是论文报告的相对其前代模型的性能退步；模型更可能在本不该再次发言时重新开口。

最后两句话是 Qwen Audio 3.1 发布中最未被充分报道的事实。一个需要 1.116 秒才让出话轮、又会在我并不想它恢复时重新开口的模型，在真实电话通话中的体感会比其准确率分数所暗示的更差——而这恰恰是 Phonic 1 营销所主打的维度，凭借其“在来电者说完之前就响应”的说法以及低于 600 毫秒的语音到语音延迟。

唯一可比的数据点

由于 Qwen Audio 3.1 Realtime 没有指数得分，要将其与 Phonic 1 放在同一评测工具上进行比较，唯一的方法是通过它的前代版本。Qwen Audio 3.0 Realtime Plus 在语音到语音指数上得分为 69.5，其中智能体任务表现 54.6%、语音推理 99%、任务成功率 77.8%、竞技场 Elo 798，首段音频延迟 1.54 秒。

• Agentic 性能——Phonic 1 为 79.9，而 Qwen Audio 3.0 Realtime Plus 为 54.6。如果 3.1 在任务上实现了其论文所暗示的改进，就能缩小这 25 个百分点差距中的一部分；但尚无人测量究竟能缩小多少。

• 竞技场偏好——Phonic 1 为 1,012，而 3.0 为 798。这是比较中最大的差距，也是最不可能已经弥合的差距，因为竞技场偏好是一种人类投票指标，在代际之间变化缓慢。

• 首个音频输出时间——Phonic 1 为 0.61 秒，而 3.0 为 1.54 秒。Qwen 的实时档历来是该系列中较慢的一档，而 3.1 未公布首个音频输出时间数据。

• 任务成功率 — Phonic 1 为 92.3%，而 3.0 为 77.8%。

三代产品的规律是一致的：Qwen 的实时模型一直是识别能力强、智能体能力弱，而 3.1 是声称要补齐智能体这一半的一代。它是否做到了，正是缺失的指数评分会告诉你的。

两个无法换算的价格单位

Qwen Audio 3.1 Realtime 按 token 计费：在新加坡区域，每百万文本输入 token 为 0.80 美元，音频输入为 6.40 美元，文本输出为 6.40 美元，音频输出为 24 美元；北京区域的价格整体低约 14%。Phonic 1 按对话分钟计费，每分钟 0.07 美元，统一费率，不收取 token 费用。

这些单位之间不存在公开的换算关系。要把 token 费率换算成每分钟成本，你需要音频 token 密度——即一分钟语音占用多少个 token——而阿里巴巴并未针对该模型公布这一数据。任何向你给出 Qwen Audio 3.1 每分钟等效价格的人，要么是在猜这个密度，要么是从采用不同编解码器的另一模型系列那里借用来的。答案的方向毋庸置疑：Qwen 的音频费率足够低，因此一个经过良好 token 化的一分钟语音很可能会低于七美分，而其在 Realtime 档位上约 85% 的降价正是发布时的头条亮点。具体幅度未知，而这个未知数大到足以对高用量部署产生影响。

• 输入音频 — Qwen 每 100 万 tokens 收费 $6.40（新加坡），而 Phonic 为每对话分钟 $0.07，两者之间没有公布汇率。

• 输出音频 — Qwen 每百万 token 收费 $24；Phonic 的固定分钟费率涵盖输出音频。

• 区域定价——Qwen 的北京区域价格比新加坡便宜约 14%；而 Phonic 只发布一张全球统一价目表。

• 最低消费 — Phonic 的 Pro 套餐设有每月 200 美元的最低消费；QwenCloud 公布的是默认速率限制，而非平台最低消费。

形态差异是在缺少换算的情况下依然成立的部分。按 token 计费的账单追踪的是模型实际做了多少事——长转录文本、冗长回复和工具密集型轮次都会更贵。按分钟计费的账单追踪的是电话线路保持了多长时间。对于一通电话中大部分时间都在听的智能体，按 token 计费的模式更友好；对于会长篇回答的智能体，则不是。

你在回答哪个问题

如果你正在挑选一个要部署在自己基础设施上的模型，那么这个对比并不适合你：Qwen Audio 3.1 Realtime 没有提供权重，而 Phonic 1 支持自托管，这使得 Phonic 成为这里唯一一个能够完全脱离厂商云的选项。这是一个一句话就能给出的答案，而在满篇的基准测试讨论中，它很容易被忽略。

如果从成本角度选择托管式实时模型，Qwen Audio 3.1 是更值得押注的一个——单位成本大幅更低，识别准确率有充分记录的跃升，而且背后有一个开源权重生态深厚的供应商。风险在于，它的智能体部分尚未经过评测，而且其打断行为在供应商自己的表格中出现了退步。

如果你要根据实测的智能体表现来做选择，Phonic 1 是两者中唯一真正能被你排名的，因为它是唯一一个已经被排过名的。这个说法比“Phonic 更好”更弱，但它是真实的。

而如果你在语音层之外还运行 Qwen 的文本模型，那半个技术栈已经可路由——Qwen3.8-Max 就在 OrcaRouter 上，在200+ 个模型之中，只需一个密钥，按服务商标价且无加价，因此阿里巴巴一侧的降价当天即生效。音频端点不在我们的目录中，Phonic 1 也不在；二者均来自各自的供应商。在这样一个年轻的市场里，路由器为你带来的是：在更新、更便宜的路径逐步赢得采用的同时，保持一条可用的语音路径—— 自动故障转移意味着用你自己的流量测试 Qwen Audio 3.1，成本只是一条路由规则，而不是一次迁移。

坦率的结论是：在这场两家厂商都希望以此分出胜负的维度上，目前这场对比还无法判定。阿里巴巴公布了一个数字，它通过测量一项更简单的任务来美化自己的模型。Phonic 公布的数字测量方式得当，但只基于一块开发板、一种配置、一周的可用时间。首先要关注的不是降价，也不是基准测试——而是 Qwen Audio 3.1 Realtime 出现在一块以相同方式给两个模型打分的开发板上。在那之前，唯一站得住脚的说法是：Phonic 1 是已知量，Qwen Audio 3.1 是廉价的未知量，而这完全是把它放在故障转移规则之后试用、而不是放在你的客户面前的一个充分理由。