概览
Phonic-1 是 Phonic 于 2026 年 10 月 29 日发布的语音到语音（speech-to-speech）模型，面向能办事的语音智能体（客服、医疗、招聘、物流等电话场景），只通过 Phonic 平台和 API 提供，不开放权重。官方称它登上 Artificial Analysis Speech to Speech Index 第一名（博文未给出分数），在智能体任务上任务成功率最高、延迟最低；能在来电者仍在说话时调用工具；训练覆盖 50 多种语言，通话中可切换语言并保持同一音色，在 Sierra 多语言全双工 τ³-Voice 基准上得分 83.2，高于 GPT-Live-1（79.9）和 Gemini 3.8 Live（68.5）。第三方盲测中评审多数时候更偏好 Phonic-1 的回应，但官方也承认与真人相比仍有差距（真人约 60% 胜出）。博文示例为一通 44 分钟、调用 123 次工具的酒店预订电话。以上成绩均来自 Phonic 官方博文引用的数据。来源：https://phonic.ai/blog/phonic-1 、https://phonic.ai/pricing 、https://docs.phonic.ai/ （2026-10-31 核对）。 定价：官方定价页按通话分钟计费，Starter 0.07 美元 / 分钟（无最低消费），Pro 0.065 美元 / 分钟（每月最低 200 美元），Enterprise 另议；11 月 30 日前注册赠 250 美元额度。不是按百万 tokens 计价，输入 / 输出价留空。
- 模态
- 音频
能力
- 端到端语音到语音：不走「转写→大模型→语音合成」的级联，直接听语音、说语音，保留语气、停顿等信息
- 边听边调用工具：官方称它是唯一能在来电者还在说话时就调用工具的模型，对方说完答案已经准备好
- 低延迟：官方文档写语音输入到语音输出约 600 ms，长时间、多步骤通话也能保持
- 多语言：训练覆盖 50 多种语言，通话中可切换语言并保持同一音色；Sierra 多语言全双工 τ³-Voice 得分 83.2（官方对比 GPT-Live-1 79.9、Gemini 3.8 Live 68.5）
- 落地配套：TypeScript / Python SDK、CLI、无代码智