Phonic 融资 2750 万美元，推出在来电者说话时就能行动的语音 AI

当来电者让基于 Phonic-1 的语音智能体预订航班时，系统不会等对方把话说完。工具调用在来电者还在说话时就已发出，指向航班 API、日历服务和 CRM 数据库。等来电者说完，答案已经回来了。在一次公开演示中，这把端到端响应时间从 15.7 秒（同一任务上 GPT-Live-1 的基线）压缩到 1.1 秒。10 月 29 日，总部位于旧金山的 Phonic 发布了统一的语音对语音模型 Phonic-1，同时宣布完成由 First Round Capital 领投的 2750 万美元 A 轮融资，自 2024 年成立以来累计融资 3150 万美元。

10 月 29 日发布了什么

A 轮融资吸引了 Lux Capital、Felicis、Definition 和 Essence VC，天使投资人名单几乎就是开发者基础设施创始人的点名册：Hugging Face 的 Clément Delangue、Replit 的 Amjad Masad、Vercel 的 Guillermo Rauch、Modal 的 Erik Bernhardsson、Dropbox 的 Arash Ferdowsi、AngelList 的 Naval Ravikant、Applied Intuition 的 Qasar Younis，以及 Gokul Rajaram。这轮融资与 Phonic-1 全面开放同时完成，开发者 API 通过 WebSocket 接口上线，价格为每分钟 0.07 美元。新账户在 11 月 30 日前可获得 250 美元免费额度。

企业买家和个人开发者都可以通过自助注册使用 Phonic-1。早期生产部署包括 Ashby（在 25 个国家进行 AI 求职面试）、Maven AGI、Rho、CloudTrucks、TruckSmarter 和 Rehearsals。

统一语音对语音与主流技术栈有何不同

如今企业语音 AI 的主流架构串联三个不同的系统：自动语音识别（ASR）模型把来电者的音频转成文字，大语言模型（LLM）生成文字回复，文本转语音（TTS）合成器再把回复转回音频。每个边界都会引入排队延迟，而文本编码步骤会丢弃原始语音信号中的韵律特征，如语调、节奏、重音和情感起伏。结果是一条有多个单点故障、延迟逐级累加的流水线。

Phonic-1 在单一训练架构内处理音频输入并产生音频输出，在音频处理层跳过了中间的文本表示。重要的是，Phonic 的设计包含一个所谓的「监督智能体」，这是一个前沿级 LLM，负责逻辑深度要求高的复杂推理和工具编排任务。这让 Phonic-1 成为混合系统，而不是纯粹的端到端系统：对话界面采用原生音频处理，智能体决策则依靠基于文本的推理主干。公司称，鉴于目前语音对语音模型在复杂多步骤推理上的能力局限，这是一项有意的设计选择。

后训练专门针对自然度和话轮转换，即决定语音智能体听起来像人还是像机器的副语言行为（犹豫、呼吸模式、附和回应、打断检测）。公司声称，Phonic-1 可以在对话中途切换 50 多种语言，同时保持同一说话人身份。

通话中执行工具：智能体层面的差异点

最关键的架构决策，不是静态语音输出的延迟，而是工具调用相对于来电者话语的触发时机。在传统的智能体语音流水线中（包括基于 GPT-Live-1 构建的），系统要等来电者说完，转写完整话语，确定需要的外部数据，发出工具调用，等待响应，然后才生成音频。外部 API 的每一毫秒延迟，都直接加到用户感知的响应时间上。

Phonic-1 声称的做法是在来电者还在说话时就触发工具调用。系统从部分音频中推断可能的意图，在话语结束之前就向日历、CRM 系统、航班数据库或内部知识库发出 API 调用，等说话者停下时响应已经到手。在一次涉及旅行请求任务的公司演示中，Phonic-1 在来电者说话期间完成了五个并发工具调用，并在来电者停下后 1.1 秒给出回应。同一任务 GPT-Live-1 花了 15.7 秒。一次 44 分钟的测试会话记录了 123 次工具调用。

这一架构选择把语音智能体的瓶颈从模型推理时间转移到了 API 调用延迟上，这种取舍有利于外部 API 快速且结构良好的用例，但在第三方服务缓慢或不可靠的环境中表现可能下降。截至发稿，还没有专门针对通话中工具执行的独立验证；这一说法由公司报告，从架构上看方法合理，但尚无外部评估者复现。

延伸阅读：Grok Voice 3.0 登顶语音对语音指数，API 仍每分钟 0.08 美元

独立基准显示了什么

Phonic-1 的发布得到了四家独立评测机构结果的支持，对于初创公司的模型首发来说，这种第三方覆盖程度并不常见。

Artificial Analysis 发布的语音对语音指数是一项综合基准，衡量延迟、输出质量、多语言表现和任务成功率。Phonic-1 得分 87.1，在受评模型中排名第一。紧随其后的 Grok Voice 3.0 为 86.9，只差 0.2 分。这个指数的综合性质意味着排名不由单一维度决定；Phonic 的延迟优势贡献不小。

在首音时间（TTFA，从来电者话语结束到模型发出第一个音频样本的间隔）上，Artificial Analysis 测得 Phonic-1 为 0.61 秒，是受测顶尖模型中最快的：Grok Voice 3.0 为 0.81 秒，GPT-Live-1 为 1.34 秒，Gemini 3.8 Live 为 1.35 秒。

Cekura 的独立语音对语音基准在真实的智能体电话任务中衡量中位响应时间和通话可靠性，呈现出更微妙的情况。在响应时间上，Grok Voice 3.0 的中位数最快，为 1.34 秒，Phonic-1 为 1.63 秒。Phonic-1 在 Cekura 上领先的是可靠性：90.2% 的通过率（测试通话成功完成的比例）在受评模型中排名第一，高于 Grok Voice 3.0 的 81.7%。

Sierra 的 τ³-Voice 基准衡量的是多步骤、使用工具的语音交互中的智能体任务成功率，而不只是音频保真度。Phonic-1 在多语言变体上以 83.2 分排名第一，GPT-Live-1 为 79.9，Gemini 3.8 Live 为 68.5，领先 Gemini 14.7 分。

在 Big Bench Audio 推理上，Phonic-1 得分 98.9%，排名第三，落后于 StepAudio 3 和 Qwen Audio 3.0。这是 Phonic-1 唯一没有排名第一的主要基准类别，说明最高复杂度的音频推理相对于专门的音频语言模型仍有差距。

第三方评测公司 Podonos 进行的盲听配对评测发现，听众更喜欢 Phonic-1 而非 GPT-Live-1 的比例是 61.5% 比 32%，胜过 Grok Voice 3.0 的比例是 66.5% 比 26.5%，胜过 ElevenLabs v4 Turbo 的比例是 78% 比 14%。真人配音演员仍以约 57% 比 32% 胜过 Phonic-1，公司也没有声称已经弥合这一差距。

关于基准设置的说明：Phonic-1 公布的基准结果是在模型的「high」智能模式下得出的，而不是针对更低延迟优化的默认「standard」模式。standard 模式的质量指标与 high 模式相比如何，尚未公布。在规模化部署中优先考虑延迟而非质量的开发者，应把公布的分数视为上限，而不是默认预期。

企业部署与报告的成果

Phonic 披露的客户成果是公司报告的案例研究，而不是经独立审计的数字。CloudTrucks 是一家货运物流运营商，报告称部署 Phonic-1 后每年节省 220 万美元成本，通话完成率提高三倍，外呼时间减少二十倍。另一家货运平台 TruckSmarter 从 Retell（一个使用 STT+LLM+TTS 级联技术栈的竞争性编排平台）迁移到了 Phonic 的统一 API。销售培训平台 Rehearsals 报告通话完成率从 35% 升到 90%。Ashby 已在 25 个国家部署了基于 Phonic 的面试。一家未具名的《财富》50 强 IT 基础设施公司已投入生产部署。

这些数字带有厂商公布成果的常见保留：它们反映的是最佳条件，未必能推广到所有负载。从物流、招聘、销售培训到金融服务的案例模式来看，涉及结构化数据检索（查询可用性、调取账户记录、查找库存）的智能体语音工作流，是 Phonic-1 目前的商业甜蜜点。

这项技术仍有哪些局限

Phonic-1 的若干方面仍缺乏独立证据。通话中工具调用的说法在架构上说得通，也有公司演示支持，但尚未被外部评估者复现。「standard」推理模式的质量表现没有公布。这款模型也没有接受过公开披露的对抗鲁棒性或防滥用红队测试，对于一款部署在医疗和保险电话场景中的模型，这是一个值得注意的缺口，因为操纵性社会工程在这些领域是有记录的风险。

Phonic-1 运行在 Together AI 的基础设施上，这意味着 Phonic 并不拥有自己的计算栈。这种外包安排在 Phonic 目前的规模上很常见，但带来了供应链依赖，评估长期可靠性和 SLA 保证的企业买家应在采购决策中考虑这一点。

公司还没有公布模型如何处理话语中途含糊的意图信号，即来电者的部分话语暗示多种可能的工具调用、而只有一种是正确的情况。抢先调用错误端点会消耗 API 额度，并增加错误处理的复杂性。

竞争与投资信号

Phonic-1 进入的市场中，主要的商业语音 AI 提供商（ElevenLabs，以及 Retell、Vapi 和 Bland 等编排平台）都依赖组装第三方 STT、LLM 和 TTS 组件的级联架构。Phonic 的统一模型以及对 ElevenLabs 客户的明确竞争性优惠，把它定位为试图掌控完整音频技术栈的垂直整合替代方案。在 Artificial Analysis 指数上领先 Grok Voice 3.0 的 0.2 分，以及在智能体任务演示中相对 GPT-Live-1 14 倍的延迟优势，将决定下一个评测周期的竞争走向。

3150 万美元的累计融资和 Phonic 的股东结构表明，市场开始把统一语音对语音定价为一个独立的基础设施类别，而不是现有语音 AI 工具中的产品差异化。Phonic-1 通话中工具执行的优势能否持久，还是会随着级联平台优化流水线延迟、采用并行工具调用而消失，将取决于下一代语音对语音研究的节奏，以及现有厂商多快采用类似的抢先执行策略。发布时的基准和客户证据令人信服，但 0.2 分的榜单领先与真正的架构护城河之间的差距，要经过不止一个产品周期才能见分晓。