Phonic 1 對比 Qwen Audio 3.1：82.0% 與 79.9% 並非同一個數字

大家都會做的比較，是拿Phonic 1 和 Qwen Audio 3.1 Realtime 來比，結果就是一張兩行表格：Qwen 在 τ-Voice 上得分 82.0%，Phonic 得分 79.9%，因此較便宜的模型勝出。這是個簡潔俐落的故事，但它是錯的，因為這兩個數字來自不同的測量工具。Qwen 的 82.0% 出自廠商自己的論文，是在該基準的一個改編過、半雙工的語音轉文字變體上測得。Phonic 的 79.9% 則是 Artificial Analysis 語音轉語音指數中的代理式（agentic）部分，是在真實情境上測得。把一個從另一個減掉，就等同於拿練習卷的分數和正式考試的分數相比，一樣是錯誤。

這個錯誤之所以值得寫出來，是因為它是目前唯一可得的比較。Qwen Audio 3.1 Realtime 完全沒有出現在 Artificial Analysis 的語音對語音排行榜上——該榜單列出 Qwen Audio 3.0 Realtime Plus 為 69.5、Qwen Audio 3.0 Realtime Flash 為 67.7，沒有更新的項目。因此，這個類別中最新的廉價挑戰者已用自己的單位公布了自己的數字，卻沒有任何獨立機構對它評分。這個落差就是故事所在，而一篇誠實的文章主要談的，正是目前還不能說的事。

Qwen Audio 3.1 究竟是什麼

阿里巴巴的 Qwen-Audio-3.1 於 2026 年 9 月下旬登場，並非單一版本，而是一套由五個模型組成的產品陣容：ASR、ASR-Next、TTS、TTS-Next 與 Realtime。其中能與 Phonic 1 競爭的是 Qwen Audio 3.1 Realtime，具體而言是 Realtime-Plus 等級；此等級只能透過 QwenCloud 經由 WebSocket 取得——與同家族的 TTS 和 ASR 成員不同，它並未開放權重，公開資料中也沒有自架部署的途徑。

• 上下文 — 總計 262K，最大輸入 245K，最大輸出 16K，相較於 Phonic 1 未公開的上下文。

• 吞吐量限制 — 在 QwenCloud 上，預設為每分鐘 60 次請求和 100K 個 token；Phonic 則未公布相應的工作階段上限。

• 功能 — 函式呼叫、網路搜尋、結構化輸出、上下文快取、微調與語音複製皆列於 Qwen Audio 3.1 Realtime；Phonic 則列出內嵌同步工具、50 多種語言以及對話中途語言切換。

• 可用性 — Qwen Audio 3.1 Realtime 僅提供 API；Phonic 1 提供雲端、單租戶、VPC 對等互連與自架部署。

那兩列是採購時真正要緊的。Qwen 家族通常會提供權重；這個成員則不提供，這消除了團隊選擇 Qwen 而非託管供應商的主要原因。Phonic 的自架選項正好相反——它是這兩個模型能在別人的雲端以外任何地方運作的唯一途徑。

那個並非同一項基準的基準

82.0% 這個數字出現在阿里巴巴關於 Qwen-Audio-3.1 的 arXiv 論文中，並被呈現為相較於前一代 78.4% 的進步。同一篇論文明確指出，這是對 τ-Voice 的半雙工、語音轉文字改編，而非產生公開排行榜上數字的全雙工代理式評估。這並非不誠實——它已被揭露——但這意味著該數字回答的是一個更狹窄的問題：在逐字稿式的設定與一項任務下，模型完成該任務的頻率有多高。

Phonic 1 的 79.9% 回答了更廣泛的問題，而這兩個問題之間的差距並不小。半雙工調適去除了代理式通話中最難做對的部分：插話、重疊語音、決定何時停止聆聽，以及在來電者於工具呼叫中途改變心意時復原。上述每一項都是模型會遺失原本能完成任務的地方。

因此，誤差的方向是可預測的，而且與顯而易見的解讀相反。Qwen 的 82.0% 極可能是其全雙工行為的樂觀上限，而非在相同條件下勝過 Phonic 的 79.9%。它能否跨越那道門檻仍不得而知。阿里巴巴尚未把該模型交給產生 79.9 的評測者。

Qwen 究竟公布了哪些內容，以及它自己的數字又在哪裡反過來對它不利

阿里巴巴的發布對失敗異常坦誠，這使它比標題中的 τ-Voice 說法更有用。讀完整張表，這個模型看起來不太像決定性的挑戰者，而更像是一個強大的第二代即時系統，帶有兩個具體的弱點。

• FLEURS 詞錯誤率 — 從 9.01 降至 3.98，跨語言辨識準確度獲得實質提升。

• 14 種語言 Big Bench Audio 平均 — 81.7% 至 88.1%。

• Audio MultiChallenge — 47.12 至 52.21。

• 在 Full-Duplex-Bench v1.5 上的背景語音回應率 — 從 73.0% 降至 13.0%，意味著模型回應並非針對它說的語音的可能性大幅降低。

• 中斷停止延遲——1.116 秒，相較於 GPT-Realtime-2 的 0.383 秒。這個數字應與 Phonic 的 0.61 秒首次音訊時間一併衡量：一個衡量模型啟動有多快，另一個衡量它停止有多快，而停止得慢，就是通話者所說的「被搶話」。

• 非必要恢復率 — 從 0.035 上升到 0.130，這是論文相較於其自身前代模型所報告的退步；模型更可能在原本不該開口時再次開始說話。

最後那兩行是 {{1}}Qwen Audio 3.1{{/1}} 發表中最未被充分報導的事實。一個要花 {{2}}1.116 秒{{/2}} 才讓出發言權、又會在不該接話時重新開口的模型，在真實電話通話中，給人的感覺會比其準確率分數所暗示的更差——而這正是 {{3}}Phonic 1{{/3}} 行銷主打的面向：它宣稱「{{4}}在來電者說完前就回應{{/4}}」，並具備低於 600 毫秒的語音到語音延遲。

唯一可比較的資料點

由於 Qwen Audio 3.1 Realtime 沒有指數分數，唯一能讓它與 Phonic 1 在同一評測工具上比較的方法，就是透過它的前代產品。Qwen Audio 3.0 Realtime Plus 在語音對語音指數上得分 69.5，代理式效能為 54.6%、語音推理為 99%、任務成功率為 77.8%、競技場 Elo 為 798，首個音訊延遲為 1.54 秒。

• 代理式表現——Phonic 1 為 79.9，Qwen Audio 3.0 Realtime Plus 為 54.6。若 3.1 在任務上能達到其論文所暗示的改善幅度，便可縮小這 25 分差距的一部分；但目前尚無人測量實際能縮小多少。

• Arena 偏好 — Phonic 1 為 1,012，而 3.0 為 798。這是比較中差距最大的一項，也是最不可能已經縮小的一項，因為 Arena 偏好是一種人類投票指標，在不同世代之間變化緩慢。

• 首次音訊延遲——Phonic 1 為 0.61 秒，而 3.0 為 1.54 秒。Qwen 的即時層級一向是此處較慢的系列，而 3.1 並未公布首次音訊延遲數據。

• 任務成功率 — Phonic 1 為 92.3%，而 3.0 為 77.8%。

三代模式始終一致：Qwen 的即時模型一向是強大的辨識器，卻是不夠力的代理，而 3.1 正是宣稱要補上代理那一半的世代。它究竟有沒有做到，正是那個缺失的指標分數會告訴你的事。

兩個無法換算的價格單位

Qwen Audio 3.1 Realtime 按 token 計費：新加坡區域每百萬文字輸入 token 為 0.80 美元，音訊輸入為 6.40 美元，文字輸出為 6.40 美元，音訊輸出為 24 美元；北京費率整體約低 14%。Phonic 1 則按對話分鐘計費，每分鐘 0.07 美元，採固定費率，不收取 token 費用。

那些單位之間沒有公開的換算方式。要把 token 費率換算成每分鐘成本，你需要音訊 token 密度——也就是每分鐘語音佔用多少 token——而阿里巴巴並未公布此模型的這項數據。任何人若向你報出 Qwen Audio 3.1 的每分鐘等效價格，要嘛是在猜密度，要嘛是從採用不同編解碼器的其他模型系列借用數據。答案的方向毋庸置疑：Qwen 的音訊費率夠低，經過妥善 token 化的一分鐘很可能落在七美分以下，而其在 Realtime 層級約 85% 的降價是發布時的主要亮點。幅度未知，而這個未知數大到足以影響高用量部署。

• 音訊輸入 — Qwen 每 100 萬個 token 6.40 美元（新加坡），而 Phonic 為每通話分鐘 0.07 美元，兩者之間沒有公布的換算率。

• 輸出音訊 — Qwen 每 100 萬個 token 收費 $24；Phonic 的固定分鐘費率涵蓋輸出音訊。

• 地區定價 — Qwen 的北京區域價格比新加坡便宜約 14%；Phonic 則只公布一份全球統一價目表。

• 最低消費額 — Phonic 的 Pro 方案設有每月 $200 的最低消費；QwenCloud 公布的是預設速率限制，而非平台最低消費。

形狀上的差異，是少了換算之後仍然保留下來的部分。按 token 計費會追蹤模型實際做了多少事——長篇逐字稿、冗長回覆，以及大量使用工具的回合，都會更貴。按分鐘計費則追蹤電話線路開通的時間。對於通話大部分時間都在聆聽的代理而言，token 模式是比較友善的一種；對於會長篇回答的代理而言，則不是。

你正在回答哪一個問題

如果你正在挑選要部署到自己基礎設施上的模型，這項比較並不適合你：Qwen Audio 3.1 Realtime 沒有權重，而 Phonic 1 可自託管，這使得 Phonic 成為這裡唯一能完全離開廠商雲端的選項。這是一句話就能回答的答案，卻很容易在滿場的基準測試討論中被忽略。

如果你以成本為考量在選擇託管的即時模型，Qwen Audio 3.1 是更值得押注的選擇——每單位成本大幅更低、辨識準確度的躍升有充分紀錄，而且背後有擁有深厚開放權重生態系的供應商。風險在於它的 agent 部分未經實測，且其打斷行為在供應商自家的表格中出現了退步。

如果你是以可量測的代理式表現來做選擇，Phonic 1 是兩者中唯一你真正能排名的，因為它是唯一已被排名的。這個說法比「Phonic 更好」來得弱，但它是真的。

而且，如果你同時運行 Qwen 的文字模型與語音層，堆疊中那一半已經可以路由——Qwen3.8-Max 就在 OrcaRouter 上，是200+ 個模型之一；這些模型共用單一金鑰，按供應商定價提供，且不加價，因此阿里巴巴一側的降價當天就能生效。音訊端點不在我們的目錄中，Phonic 1 也不在；兩者各自來自其供應商。在這麼年輕的市場裡，路由器能帶給你的，是在更新、更便宜的路徑逐步證明自身價值時，仍能維持一條可用的語音路徑——自動容錯移轉意味著用你自己的流量測試 Qwen Audio 3.1，代價是一條路由規則，而不是一次遷移。

誠實的結論是：就雙方都希望做最終定奪的那個軸線而言，這場對決目前仍無從判定。阿里巴巴公布了一個數字，是透過衡量一項較容易的任務來美化自家模型；Phonic 公布了一個數字，測量方式正確，但僅建立在一張板卡、一種配置、一週的可得性之上。首先該留意的不是降價，也不是某項基準測試——而是 Qwen Audio 3.1 Realtime 出現在一張以相同方式為兩款模型打分的板卡上。在那之前，唯一站得住腳的說法是：Phonic 1 是已知量，Qwen Audio 3.1 是便宜的新未知量；而這正是把它放在容錯移轉規則後面試用、而非擺在客戶面前的大好理由。