Phonic 1 在 Speech Index 首度登場即奪下第 1 名。0.2 點的差距掩蓋了真正的領先幅度。

Phonic 1 現在是 Artificial Analysis 的 Speech to Speech Index 上排名第一的語音轉語音模型，得分 87.1，以十分之一分的差距擊敗 xAI 的 Grok Voice 3.0（86.9 分），贏得這場競賽。0.2 分的差距通常會被視為雜訊，而在這個指數上，它幾乎也確實是：這兩個模型並非在相同的項目上取勝，因此綜合分數的平手掩蓋了底下大得多的分歧。在佔該分數四分之一的代理式任務基準上，Phonic 1 達到 79.9%，而最佳的 OpenAI 配置則為 74.5%。

Phonic 是一家約十人規模的公司，由麻省理工學院與史丹佛大學的研究人員獨立分拆成立，於 2026 年 10 月 29 日推出該模型，同時宣布由 First Round 領投的 2,750 萬美元 A 輪募資，使其總募資金額達到 3,150 萬美元。該公司在自家的發布文章與文件中將該模型拼寫為 Phonic-1；而 Artificial Analysis 則將其列為 Phonic 1 (High)，其中括號內的標註是 API 設定，並非產品名稱。兩種拼寫指向同一個端點，以及相同的每分鐘 0.07 美元定價。

依廠商自己的說法，Phonic-1 是什麼

這是一個端到端語音模型，而不是「先轉錄、再思考、後說話」的串接流程。音訊進、音訊出，而 Phonic 為這種架構提出的論點是：逐字稿是對話的有損副本——語氣、猶豫與重疊在語言模型看到它們之前就被丟掉了。自 2024 年以來，每個語音對語音供應商都提出過這個論點；Phonic 實際上賣的是建立在其上的排程技巧。

那個技巧是在來電者的回合中進行工具呼叫。模型不會等到來電者停止說話才開始查詢，而是在語音仍持續送來時就觸發工具呼叫，因此等到來電者停止說話時，結果已經準備好了。在 Phonic 公布的示範中，模型在句子中途呼叫了全部五個工具，並在來電者停止說話後 1.1 秒回答；同一份腳本上，它把 OpenAI 的 GPT-Live-1 列為 15.7 秒。那項比較是廠商在廠商自行挑選的任務上所做的示範，並非實測基準，因此值得把它讀作設計上的說明，而不是當成正面對決的結果。

已公開的 API 介面，比大多數發布貼文都來得更具體：

• 模型 ID — phonic-1，phonic-0.5 仍可作為前一世代接受。省略此欄位則會採用目前的預設值。

• Intelligence — 一個 intelligence_level 列舉值，預設為 standard，當你需要更強大的模型來進行複雜推理時則設為 high。文件將 standard 描述為針對較低延遲最佳化的設定，這意味著迄今所有基準測試所評量的配置，並不是對延遲敏感的部署預設所取得的配置。

• 語言 — 51 種，以 ISO 代碼列出，最細至菲律賓語（fil）與粵語（yue），並支援對話中途切換，同時保持同一位說話者的身分。

延遲 — Phonic 宣稱從語音輸入到語音輸出可低於 600 毫秒。Artificial Analysis 在其自有測試架構上測得 0.61 秒即可產生第一個音訊，這與該宣稱相符，但並非同一種測量方式。

• 部署 — 託管 API、TypeScript 與 Python SDK、CLI 與無程式碼 Agent 建置器，企業級方案另提供自託管與 VPC 選項，頁面上並列 SOC 2 Type II、HIPAA BAA、零資料保留與 99.9% 正常運作時間 SLA。

索引，逐行

語音對語音指數（Speech to Speech Index）是由四項等權重的結果構成的綜合指標：用於語音推理的 Big Bench Audio、用於代理式客服行為的 τ-Voice、人類偏好競技場，以及任務成功率。模型必須四項皆具備才會被評分，這就是為何 StepAudio 3 Realtime 出現在推理表中卻沒有綜合分數——其代理式、競技場與任務成功率欄位皆為空白。

根據 Artificial Analysis，Phonic 1 的四個組成部分：

• 語音轉語音指數 — 87.1，排名第一，領先 Grok Voice 3.0 的 86.9、GPT-Live-1（Astra，中）的 83.2、Grok Voice 2.0 的 81.3，以及 GPT-Live-1（Sol，低）的 80.1。

• τ-Voice — 79.9%，排名第一，領先 GPT-Live-1（Astra，中等）5.4 個百分點，後者為 74.5%。

• Big Bench Audio — 98.9%，排名第三，落後於 StepAudio 3 Realtime 的 99.7% 與 Qwen Audio 3.0 Realtime Plus 的 99.2%。

• Speech Agent Arena — 偏好度以 Elo 1012 在 30 個項目中排名第 8，任務成功率以 92.3% 排名第 4。

依序看那四列，綜合結果就不再像平手。Phonic 1 直接贏得代理式基準測試，推理項目排名第三，但在人類實際偏好哪種聲音上排名第八，在原始任務成功率上排名第四——這是一個可量測地更擅長執行工具、卻不是群眾最愛對話者的模型。這與我們兩週前在 Grok Voice 3.0 的 86.9 中發現的結構性故事相同，只是從相反側來看：xAI 守住競技場、輸掉代理式欄位，而 Phonic 守住代理式欄位、卻放棄了競技場。

兩個時鐘，兩位贏家

延遲正是報導涵蓋範圍變得草率的地方，因為兩個可靠的儀器對於誰最快意見不一，而它們都沒有錯。

Artificial Analysis 測量首次音訊時間——從來電者一輪發言結束到音訊開始的時間。按這個計時標準，Phonic 1 是該指數前五名中最快的：

• 首次音訊時間 — 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 是一家語音代理評測公司，透過 WebRTC 在真實電話測試框架中執行模型，並衡量整通通話的中位回應時間。以這套計時標準來看，Grok Voice 3.0 以 1.34 秒成為全場最快，Phonic 1 則是 1.63 秒——第三快，以百分之一秒之差落後 1.62 秒的 Grok Voice Think Fast 2.0，並非第一。這兩個數字都反映了真實情況。首次音訊時間是模型多快決定開始說話；中位回應時間則是來電者在 82 個情境中實際等待回覆的時間，包括工具密集的情境；在這些情境中，Phonic 的做法正好補回首次音訊量測無法看見的那幾秒。

如果您正在撰寫採購備忘錄，要避免的句子就是「最快的語音轉語音模型」，句點。站得住腳的版本則是「在 Artificial Analysis 上最快輸出第一個音訊；在 Cekura 的 live-call harness 上，中位回應速度排名第三快」。

即時通話看板提出了一個更難的問題

Cekura 的語音對語音排行榜，是比四個指數組成部分中任何一項都難上許多的測試：82 個情境——59 通診所預約電話與 23 通 Medicare 收案電話——每個情境都在同一個開源 Pipecat 代理內，使用相同的提示詞與工具執行三次，並以「三次全過」計分，也就是說，一個情境只有在三次執行都成功、且每個欄位都正確記錄時才計入。

截至 2026 年 10 月 22 日的更新，在 phonic_v1 模型 ID 下將 Phonic 1 的 intelligence 設為 high 後，該排行榜也將 Phonic 1 排在首位：

可靠性，pass-cubed — 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%。

• 資料準確度 — Phonic 1 97.5%；GPT Realtime 2.1 92.0%；Grok Voice 3.0 87.3%。

• 代理沉默不語的通話 — Phonic 1 0.0%；Grok Voice 3.0 0.0%；GPT Realtime 2.1 3.3%。

• Medicare 通話成功率 — Phonic 1 88.4%；GPT Realtime 2.1 81.2%；Grok Voice 3.0 58.0%；GPT-Live 1 搭配 Sol 49.3%。

在整場發布中，Medicare 這一項的差距是最有意思的一行。冗長、需要填表的身分受理電話，正是端到端模型理應崩潰的場景，而 Phonic 1 守住 88.4%，Grok Voice 3.0 則腰斬到 58.0%。Cekura 自己的報告仍記錄了一個值得留意的失效模式：當來電者表示稍後再回電時，該代理未予回應就直接掛斷；而且它偶爾會把 Medicare 的交接備註或路由細節寫錯。在 90.2% 的 pass³（三次全過）之下，82 個情境中有 74 個每次都能通過、8 個未能通過——對一個才問世一天的模型而言，這是相當亮眼的成績，但它還不是完成品。

在任何人引用這些數字之前，有兩點標註說明。Cekura 的看板附有最後更新日期，且在不同執行之間曾經修訂，因此它的截圖不能算是引用依據；請引用即時數字並附上日期。另外，Cekura 記錄 Phonic 1 每分鐘成本為 $0.060，而公布的 Starter 費率為 $0.070——這是來自單一測試框架的實測數字，並非價目表，也不該從任何金額中扣除。

廠商基準測試，各自保留在專屬方框內

Phonic 的發布貼文自帶三項結果，而它們值得了解，正因為它們並不是上面那些數字。在 Sierra 的 τ³-Voice 多語言全雙工變體上，該公司回報 Phonic-1 為 83.2，對比 GPT-Live-1 的 79.9 與 Gemini 3.8 Live 的 68.5。注意這個衝突：79.9 既是 Phonic 在 Artificial Analysis 的 τ-Voice 上的分數，也是 GPT-Live-1 在 Phonic 自家 τ³-Voice 測試中的分數。同樣的數字，不同的列，不同的基準變體——千萬不要把數字從一欄搬到另一欄。

另外兩項是由第三方聽眾測試服務 Podonos 所執行的盲測人類測試。Phonic-1 相較於 GPT-Live-1，以 61.5% 對 32.0% 獲得偏好；相較於 Grok Voice 3，以 66.5% 對 26.5%；相較於 Eleven v4 Turbo，以 78.0% 對 14.0%。Phonic 本身主打的那項結果，正是它落敗的一項：人類配音員以 57.0% 對 32.0% 的比率，比 Phonic-1 更受偏好。這四項全都是由廠商委託並由廠商自行報告；沒有任何一項經過獨立重現。

它一個月的費用是多少

定價是每分鐘一個單一價格，沒有按 token 計費，也沒有另收 LLM 轉嫁成本；在這類別中，「語音模型」往往只是三項計費服務的薄包裝，這種定價並不常見。方案層級如下：

• 入門方案 — 每分鐘 $0.07，無最低消費，10 路並行通話，10 位專員，3 個工作區席位。

• Pro — 每分鐘 $0.065，每月最低消費 $200，定價頁面換算約為 3,100 分鐘，包含 50 路並發通話、50 名專員及 30 個席位。

• 企業方案 — 可自訂，並提供批量折扣、VPC 或地端部署、DPAs、SLAs 與 HIPAA BAAs。

11月30日前註冊即可獲得250美元額度。拿每月10,000分鐘來算一算，最接近的競爭對手牌價馬上就高下立判：

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

• Pro 方案同樣是 10,000 分鐘——$650，但只有超過約 3,100 分鐘後，$200 的最低消費才不再成為具約束力的限制。

價目表上沒寫出來的那個數字，就是併發數。Starter 方案上十通同時通話，對任何像樣的客服佇列而言都是實實在在的天花板，而這也正是用量大時升級到 Pro、每月多付 50 美元仍值得的原因：這次方案升級換來的是 50 通併發通話，遠多過它換來的那半分錢。Phonic 自家的工程部落格主張，併發數限制是語音 AI 的隱形稅；而這番話出自訂定這些限制的一方，稱得上是誠實的表述。

它於何處運行，以及路由在此能做什麼、不能做什麼

Phonic 1 不在 OrcaRouter 的目錄中，而本文也不會假裝它在：目前你只能透過 Phonic 自家的 API、SDK、CLI 或無程式碼建構工具取得它，別無其他途徑。這也是相對於串接式方案、購買端到端語音模型時所存在的坦白結構性弱點——單一供應商、單一端點，而且當通話中途 websocket 斷線時，沒有第二家供應商可供切換接手。

路由涵蓋的則是替代方案。轉錄—思考—發聲管線是 Cekura 自家排行榜持續在與端到端模型的較量中勝出的基準，而它的中間階段就是一般的文字推論——這正是一套 API 支援 200+ 模型、0% 加價得以派上用場的層面。轉錄環節與推理環節可以共用同一把金鑰，而路由 DSL 能在同一通呼叫中，把便宜的交談輪替呼叫與昂貴的策略推理呼叫導向不同模型，無須為堆疊中的每個供應商另外簽一份合約。供應商牌價原樣傳遞，因此供應商降價在宣布當天就能反映到該環節，而不必等到下一次合約續約。

這個取捨值得明白說出來，因為上述排行榜並沒有把它的代價計入。端到端在輪流發言、打斷，以及話語中途的工具呼叫上勝出；串接式則勝在能替換任何單一元件——也勝在 Cekura 的串接式基準在 pass³ 可靠度上仍排名高於它測試過的每一個即時模型。如果這聽起來像是繼續採用串接式的理由，那有一部分確實是。要轉向的理由在 Medicare 那一欄：88.4% 對上 58.0%，正是那種足以決定一通冗長 intake 通話究竟能不能完成的差距。

還沒有人測量過的事物

在任何人因為 87.1 這個分數就重寫生產環境提示詞之前，有三個缺口值得點名。

• 實測組態並非預設值。這裡的每一項分數——Artificial Analysis 的 87.1、Cekura 的 90.2%——都是在高智慧設定下產生的。API 預設為標準模式，文件記載為較低延遲模式。沒有人公布標準設定下的數字，因此上述延遲數據並不描述未經設定的整合實際體驗。

• 此指數並未測試雜訊通道下的表現。Cekura 指出，Grok Voice 3.0 在背景雜音與音訊異常的情況下仍通過每一通通話；但對 Phonic 1 並無類似說明，而 Big Bench Audio 則是在乾淨音訊下執行。

• 長工作階段穩定性只是一場示範，不是一項測量。Phonic 那通 44 分鐘、以英文和葡萄牙文進行 123 次工具呼叫的電話，是目前已公布過最具體的長時程證據，而且那只是廠商選擇展示的單一通話。

經過一天的沉澱，站得住腳的總結是：Phonic 1 是兩個獨立評測工具所評分過的代理式語音對語音模型中最強的一個，但取決於你看的是哪一個計時基準，它並不是最快的那一個；而它每分鐘 $0.07 的價格，讓這項代理式優勢便宜到值得直接測試，而不是紙上爭論。