语音模型登顶，真人盲听只排第八：Phonic 1 的分裂成绩单

Phonic 1 (High) 在 Artificial Analysis 的 Speech to Speech Index 上排到第一。总分 87.1，22 个模型里压过 Grok Voice 3.0 的 86.9，差距 0.2。评测通过 Phonic API 的 High 智能档完成。Phonic 1 是 Phonic 的语音到语音模型，API 价格每分钟 0.07 美元。

这个榜的平均分由四项构成：Speech Reasoning 的 Big Bench Audio、Agentic Performance 的 Tau Voice、Arena Preference 和 Task Success Rate。总分第一不等于每一项都第一。Phonic 1 的成绩单很分裂：Tau Voice 第一，Big Bench Audio 第三，真人盲测偏好第八，任务成功率第四。有网友说它是最会干活的，未必是最想听的。这个判断有数据支撑。

先看 Speech Agent Arena。30 个模型里，Phonic 1 (High) 的偏好 Elo 是 1012，排第 8。它落后 Cartesia Managed Agents、Gemini 3.1 Flash Live Minimal 和 Gemini 3.8 Live，领先 Eleven Realtime v1 Max。任务成功率 92.3%，排第 4，前面是 Grok Voice 3.0、Grok Voice 2.0 和 Gemini 3.8 Live。Arena 是真人盲听实时语音对话后选偏好，和长任务测试不是一回事。

Tau Voice 更能说明它为什么总分高。Phonic 1 (High) 拿到 79.9%，第一，领先第二名 GPT-Live-1 (Astra, medium) 的 74.5% 整整 5.4 分。后面是 Grok Voice 3.0 的 71.6%，Gemini 3.8 Live Extended Thinking (High) 的 68.6%，GPT-Live-1 (Sol, low) 的 59.3%。Tau Voice 测严格策略遵循和多步工具调用，场景是长客服任务。Arena 的任务成功率来自更短的真人实时对话。两个指标测的不是同一种能力。

Big Bench Audio 上，Phonic 1 (High) 是 98.9%，排第 3。前面是 StepAudio 3 Realtime 的 99.7% 和 Qwen Audio 3.0 Realtime Plus 的 99.2%。它领先 Grok Voice 3.0 的 98.5% 和 Gemini 3.8 Live Extended Thinking (High) 的 97.7%。语音推理接近饱和，98.9 和 99.7 的体感差距未必有排名看起来大。

速度是另一个卖点。Big Bench Audio 上平均首包音频 0.61 秒，比 Grok Voice 3.0 的 0.81 秒快约 25%，不到 GPT-Live-1 (Astra, medium) 1.34 秒和 Gemini 3.8 Live Extended Thinking (High) 1.35 秒的一半。它是 Speech to Speech Index 前五里最快的；前五里只有 Phonic 1 (High)、Grok Voice 3.0 和 Grok Voice 2.0 低于 1 秒。

成本按输入音频算，Phonic 1 (High) 每小时 4.20 美元，每分钟 0.07 美元。低于 Grok Voice 3.0 的 4.80 美元、GPT-Live-1 (Sol, low) 的 4.47 美元、GPT-Live-1 (Astra, medium) 的 5.83 美元；高于 Gemini 3.8 Live Extended Thinking (High) 的 3.50 美元；比 GPT-Realtime-2.1 High 的 10.75 美元便宜约 2.6 倍。客服热线场景会盯着这个数。

评论区比榜单更直接。有网友问 87.1 和 86.9 差 0.2 分，误差范围是多少，还建议把任务成功率和真人偏好拆开按场景选。有网友说如果盲测偏好只排第 8，想知道前 7 名到底强在哪。也有人问 87.1 里有多少来自 Tau Voice、多少来自 Arena Preference。这些问题素材没有答案，但方向对。另一个网友提到语音代理在皮卡里开着车窗跑 70 英里还能订车，暗示实验室音频和真实噪声是两回事。还有人说拿语音到语音做编码代理，一个会话可以，五个会话同时可能乱，最后撤了。客服和编码不是同一个负载。

有网友调侃客服热线明年都会上一个，也有人说客服终于能用更低延迟误解你。讽刺归讽刺，Phonic 1 的定位很清楚：长任务、工具调用、低延迟、成本可控。真人偏好第八提醒一件事，能完成任务和让人愿意听下去是两套指标。榜单第一是事实，盲测第八也是事实。要选型，先看你的场景更接近 Tau Voice 还是 Arena。

原始发布：https://x.com/ArtificialAnlys/status/2115836126925901915

对比链接：https://artificialanalysis.ai/models/speech-to-speech
Speech Agent Arena：https://artificialanalysis.ai/speech-to-speech/arena
方法说明：https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking