Phonic 1 對上 Cartesia Sonic 3.6：每分鐘 0.07 美元與 4,900 萬字符的帳單，可不是同一筆採購

把 Phonic 1與 Cartesia Sonic 3.6放在同一頁上，很容易讓人心動，只想把價格欄位並排一比就了事。兩個供應商的數字讓這件事輕而易舉：Phonic 對一分鐘的對話收費 0.07 美元，Cartesia 則標準化為每百萬字元約 49 美元。相較於你在 2025 年所付的費用，這兩個數字聽起來都像是四捨五入的誤差。但它們計費的對象並不相同。Cartesia Sonic 3.6 是串流文字轉語音引擎——你給它文字，它還你聲音，而這些文字上游的一切都得由你自己處理。Phonic 1 則是語音轉語音模型，它聽得見來電者、決定該怎麼做、在一句話說到一半時呼叫工具，並開口回答，全都包含在那短短一分鐘之內。一個是你帳單上的一個元件，另一個則是整張帳單。單憑價格比較這兩者，就像拿計程車車資和一整台車相比。

這並不代表這場對決毫無意義。它反而讓對決的範圍比搜尋結果所暗示的更窄、也更誠實：這兩者爭奪的是語音代理預算裡的同一個項目，而打造電話代理的團隊必須決定，語音層究竟是一整套租用的服務，還是由各部件組裝而成的堆疊。Cartesia 兩種安排都能賣給你——Sonic 3.6 負責渲染的那一半，Cartesia Line 負責組裝的那一半——而真正與 Phonic 1 正面對決的，是後者那個產品，而不是 TTS 模型。

每一個實際上是什麼

Cartesia Sonic 3.6 於 2026 年 8 月下旬推出，距離 Sonic 3.5 約三個月，是該公司品質最高的渲染器：涵蓋 61 個地區的 44 種語言、只需約十秒音訊即可進行聲音複製、以點數計費，一點約等於一個字元。它沒有推理層、沒有工具層，也沒有對話的概念。你以文字和語音 ID 呼叫它，就會以串流形式收到音訊，而輪流發言的邏輯——何時該聽、何時該打斷、來電者說「其實不用」時該怎麼辦——都屬於你自己寫的程式碼。

Phonic 1 於 2026 年 10 月下旬推出，同時伴隨由 First Round 領投的 2,750 萬美元 A 輪融資，而它的賣點走向恰恰相反：以單一模型掌控整個對話回合。供應商自家的功能清單宣稱，系統能聽出語氣與猶豫，工具呼叫可在來電者仍開口說話時就觸發，而且模型有時會選擇完全不回應——這種行為無法從 TTS 端點取得，因為 TTS 端點對於「開口是不是正確的做法」毫無意見。它按每通話分鐘單一價格計費，並明確表示沒有另計的 LLM 轉嫁費用，也沒有按 token 計費。

在我們繼續之前，先誠實指出一個小問題。Phonic 的發布報導將其描述為端到端，避開了分別的語音辨識、LLM 與語音合成供應商。該供應商自家網站則描述用於推理與工具呼叫的監督者模型，而其基準測試配置標示為 Phonic 1（High），暗示有可選擇的智慧等級。這兩者可以同時成立——單一供應商可以掌握整個回合，同時仍運行內部推理層——但「端到端」只是「單一合約」的行銷簡稱，並非證明單一網路能在一次前向傳遞中完成所有事情。如果你的架構審查取決於這項區別，請直接詢問供應商；公開資料並未對此給出定論。

這兩個時鐘測量的是不同的東西。

延遲是這類比較最容易誤導人的地方，因為兩家廠商都引用一個毫秒級的小數字，而這兩個數字都不是你的來電者實際感受到的那個。

• Phonic 1 — 根據 Artificial Analysis 的測量，平均首次音訊時間為 0.61 秒，在受測的前五大語音轉語音模型中是最快的；供應商宣稱從語音輸入到語音輸出低於 600 毫秒。

• Cartesia Sonic 3.6 — 首次音訊時間低於 90 毫秒，為廠商所述且明確排除網路傳輸；第三方基準測試從美國東部直接對廠商進行測試，測得 p50 為 120 毫秒，而雪梨的真實通話測試則回報端到端中位數 448 毫秒、p90 604 毫秒。

• 這個差距代表什麼——Phonic 的 0.61 秒是從音訊抵達的那一刻開始計算，而且包含決定要說什麼；Cartesia 的 90 毫秒則是在文字已經存在後才開始，只涵蓋把文字轉成聲音。若在 Sonic 前面加上你自己的語音辨識與你自己的模型延遲，這兩個數字就會趨於一致；少了這段算術，正是為什麼原始數字看起來像七比一的勝利，但實際上並不是。

Artificial Analysis 也報告 Phonic 1 為 0.61 秒，相較之下 GPT-Live-1 為 1.34 秒、Gemini 3.8 Live Extended Thinking 為 1.35 秒；而這正是這個數字真正站得住腳的比較：模型對模型、同一套測量工具。Sonic 3.6 完全沒有出現在該榜單上，因為它並不是對話式模型。

帳單，由同一項工作所建立

以通十分鐘的來電客服通話為例。在搭配 Cartesia Sonic 3.6 的完整流程中，你至少要為三件事付費：辨識來電者的音訊、決定回覆的模型，以及將該回覆渲染出來。Sonic 所佔的部分是三者中最小且最可預測的——依方案不同，每分鐘生成音訊約 $0.28 至 $0.49，實務上則明顯更低，因為客服代理不會整整十分鐘都在說話。不可預測的部分是中間那個模型，而它正是會依你是否把簡單的 80% 輪次交給小型模型、或把所有內容都送到前沿模型，而相差一個數量級的部分。

中間這一段正是路由展現價值、而非僅屬附加功能的地方。在 OrcaRouter 上，支撐你代理的推理模型只需一組金鑰，就能橫跨200+ 個模型，且以供應商定價零加成，因此任一供應商降價當天就會生效，不必等待合約修訂——而路由規則可讓便宜的通話維持低成本，只把困難的通話升級處理。自動容錯移轉涵蓋了真正會讓語音代理在正式環境中斷線的情況：模型供應商在通話中途短暫出錯，來電者只會聽到一片沉默。

在 Phonic 1 方案中，成本計算可簡化為一行。十分鐘是 $0.70（以 $0.07 的入門費率計算），或 $0.65（以 Pro 費率計算，附帶每月 $200 最低消費）。這就是模型層的全部成本——沒有另計的 token，也沒有另計的推理帳單——而這是 Phonic 陣營最有力的論點，因為固定每分鐘費率是財務團隊無需用量模型就能預測的數字。

在宣布誰勝出之前，請先仔細讀懂那兩個總額。組裝式路線的下限更低——便宜的中階模型加上 Sonic 的渲染，就能輕鬆壓到每分鐘低於 $0.07——而它的上限則高得多，因為每一輪都動用前沿模型會遠遠超出這個水準。Phonic 1 的固定費率則是一項賭注：賭的是當你簡單與困難呼叫的組合发生变化時，供應商的成本結構依然站得住腳。那確實是值得購買的東西，但它同時也是你憑信任才買得下的東西。

Cartesia Sonic 3.6 無庸置疑勝出之處

如果問題是「哪一個聽起來更好」，那麼 Cartesia 差得遠了，再多的代理式基準評分也改變不了這件事。Sonic 3.6 在發布時同時登上兩個 Artificial Analysis 語音排行榜的榜首——Provider Voice Elo 約為 1,282–1,283，Controlled Voice 分數則接近 1,123——這些都是針對渲染後音訊的偏好量測，而這正是 TTS 引擎的用途所在。

控制層面同樣更為深入。十秒即可完成語音克隆、涵蓋 61 個地區設定的 44 種語言並可在地區層級選擇、五個公開方案層級（從免費 20K 額度的沙盒方案，到售價 299 美元、支援十五個並行請求的 Scale 方案），以及克隆語音以 1.5 倍計費。若你的產品是旁白、配音、IVR 語音提示，或是回覆內容有腳本、聲音即代表品牌的助理，那麼 Sonic 3.6 是比 Phonic 1 更好的工具，比較也該到此為止。

還有一種值得特別指出的成本結構：Cartesia 的點數模式意味著你按實際渲染的字元付費，因此一通代理只說四個詞的電話，就只花四個詞的費用。按分鐘計費的模式則一律收取整分鐘的費用。在短時、高頻的互動中——預約確認、配送通知、兩輪驗證——字元計費模式在結構上更便宜。

Phonic 1 無可爭議勝出之處

在來電者停止說話之前就開始的工具呼叫，是這場對決中 Cartesia Sonic 3.6 根本不具備的唯一能力，因為工具呼叫並不是渲染器能擁有的屬性。在預訂流程中，當來電者說「我需要星期四，不，等等，星期五下午」時，組裝後的路徑必須等待輪次結束偵測、執行辨識、執行模型、執行工具，然後渲染——四次串接交接，對比 Phonic 所聲稱的一次。Phonic 自家的示範比較——來電者停止說話後 1.1 秒回應，對比 OpenAI 的 GPT-Live 的 15.7 秒——是廠商示範，也應如此解讀。但結構性論點不受這項但書影響：交接次數越少，能損失一秒的地方就越少。

• 語言 — Phonic 1 支援 50 多種語言，並可在對話中途切換且保持相同聲音；Cartesia Sonic 3.6 涵蓋 61 個地區設定中的 44 種語言，但僅供渲染使用。

• 計費 — Phonic 1 按每通話分鐘單一價格計費，不會將 LLM 成本轉嫁給客戶；Cartesia Sonic 3.6 按字元／點數計費，其餘技術堆疊則另行計費。

• 代理能力 — Phonic 1 在 Artificial Analysis 語音轉語音指數的代理能力部分獲得 79.9%，是該處記錄到的最高分；Sonic 3.6 沒有代理能力分數，因為它沒有代理。

• 語音品質 — 在實際渲染音訊上，Cartesia Sonic 3.6 在兩項 Artificial Analysis 語音競技場中均居首位；Phonic 1 的競技場偏好分數為 1,012，在三十個系統中排名第八。

• 部署方式 — Phonic 1 提供雲端、單租戶、VPC 對等互連與自架選項，並表示具備 SOC 2 Type II 與 HIPAA BAA 可用性；Sonic 3.6 則是託管式 API。

Cartesia 其實真正會希望你執行的比較

Cartesia 對 Phonic 1 的真正回應是 Cartesia Line，也就是其語音代理產品；該公司將其定價為每分鐘約 0.06 美元，且在 Artificial Analysis 上，它呈現為供應商管線，而非受評分模型——其背後的陣容同時動用 Ink、Gemini 2.5 Flash 與 Sonic。這立刻告訴你兩件事。主打費率比 Phonic 1 低一美分，而這個費率的不完整程度，正好就是 Phonic 的行銷指控組裝式堆疊不完整的那種方式：Gemini 2.5 Flash 這個環節會額外收取其自身的 token 費用。

所以，誠實的正面對決並不是 $0.07 對上 $0.06。而是固定、全包的 $0.07，對上 $0.06 的平台費，再加上一筆由你掌控的模型帳單。對於已經在路由自家模型、而且希望繼續這麼做的團隊來說，這樣的結構是一項優勢。對於想要一個數字、而不是一張試算表的團隊來說，這正是 Phonic 1 存在的理由。

誰應該行動，誰應該等待

如果聲音本身就是產品，就買 Cartesia Sonic 3.6。旁白、品牌專屬助理、配音，以及任何人類會評判音訊、但沒人會評判工具呼叫的場景。它在競技場的領先地位是真的，語音克隆速度很快，而分級方案意味著你可以免費起步。

如果這通電話必須執行某些動作——預訂、驗證、退款、升級處理——而且為串接程式碼編列五位數的工程預算，比按分鐘計的固定費率更不划算，那就買 Phonic 1。另外，截至撰寫本文時，它才剛在公開 API 上推出約一週，背後只有一個獨立董事會支持，且尚無長期可靠性資料；明智的採用方式是將它與你現有的流程並行使用，而非取而代之。

如果你是自己組裝而非租用，真正會影響你帳單的決定，並不是 Sonic 與 Phonic 之爭，而是哪個模型負責處理簡單的輪次。今天跑在 OrcaRouter 上的正是這一環——一組金鑰、200 多個模型，按牌價直通，供應商掉線時自動切換——而 Phonic 1 與 Cartesia Sonic 3.6 都不在我們的目錄中，且各自都必須向各自的廠商簽約。

這筆購買看似在比價，其實真正要問的是：你想擁有多少這道流程。Sonic 3.6 讓你全數擁有，並提供音質最好的元件作為建構基礎。Phonic 1 則把它從你手上接走，並為這項特權收取固定費用。兩者都沒有錯。它們只有在因另一方的理由而被購買時，才是錯的。