Phonic-1 登顶语音到语音榜单：边听边调用工具，告别「我帮您查一下」

打过客服电话的人都熟悉那句话：「好的，请稍等，我帮您查一下。」接着就是几秒钟的沉默。语音智能体公司 Phonic 想把这段沉默直接抹掉。

10 月 29 日，Phonic 发布了新模型 Phonic-1，并宣布完成 2750 万美元 A 轮融资，由 First Round 领投，Lux Capital、Felicis、Definition 和 Essence VC 跟投，累计融资达到 3150 万美元。天使投资人名单也相当豪华：Hugging Face 的 Clement Delangue、Vercel 的 Guillermo Rauch、Replit 的 Amjad Masad、Naval Ravikant 都在其中。

用户还没说完，答案已经准备好了

Phonic-1 最核心的卖点，是能在来电者还在说话时就调用工具。传统语音智能体要等对方说完，先说一句「我查一下」，再去调接口；Phonic-1 则边听边做，等用户话音落下，结果已经在手里。

这件事听起来是个小优化，放到真实的电话场景里却是体验的分水岭。查订单、改预约、核对保单，这些任务的瓶颈往往不在模型想得多慢，而在于「听完—思考—调用—回答」这条串行链路太长。把调用提前到聆听阶段，等于把等待时间藏进了对话本身。

榜单上，Phonic-1 拿下了 Artificial Analysis 语音到语音指数第一，指数 87.1，略高于 Grok Voice 3.0 的 86.9，优势很窄，但够它拿来当头条。首包音频延迟约 0.61 秒，与官方宣称的 600 毫秒基本吻合。在 Sierra 的多语言全双工基准 τ³-Voice 上，Phonic-1 得分 83.2，高于 GPT-Live-1 的 79.9 和 Gemini 3.8 Live 的 68.5。

端到端，不再拼积木

今天大多数语音智能体还是「三段式」：一个模型转写，一个模型思考，一个模型朗读。这种级联架构好搭、好调，但每一次转写都会丢掉信息——停顿、迟疑、语气里的不耐烦，以及对方到底是怎么念一个名字的。

Phonic 从成立起两年多只做语音到语音这一件事，从数据、预训练、强化学习到推理内核和基础设施都重做了一遍。Phonic-1 直接「听」音频，能察觉语气和犹豫，处理插话和抢话，在嘈杂的电话线路上也能接得住。它支持 50 多种语言，还能在通话中途切换语言而保持同一个声音，对 URL、邮箱和字母数字串的发音也专门做了优化——这恰恰是客服场景里最容易翻车的地方。

Phonic 也没有假装语音模型能独自解决一切推理。它的做法是让前沿大模型充当「监督智能体」，在工具调用和复杂推理上帮一把。这是很务实的分工：端到端模型负责像人一样说话，大模型负责不出错。

有意思的是，Phonic 自己承认在自然度上和真人还有差距，盲测中真人仍有约六成胜率。这种坦诚在发布稿里不多见，也说明这家公司清楚，语音赛道下一阶段拼的不只是延迟。

生意已经跑起来了

定价方面，Phonic-1 按分钟一口价，起步每分钟 0.07 美元，不再额外转嫁大模型或按 token 收费。对企业采购来说，这种计价方式比级联方案里三家供应商各算各的账要清爽得多。合规上，SOC 2 Type II、HIPAA、零数据保留、99.9% 可用性 SLA 和私有化部署一应俱全。

Phonic 称自己的模型已在六大洲处理通话，客户包括 Ashby、Maven AGI、Rho 以及一家财富 50 强 IT 基础设施公司，覆盖客服、医疗、招聘和物流。

语音智能体的竞争正在从「能不能说」转向「能不能把事办成」。OpenAI、Google、xAI 都在这条赛道上重兵投入，Phonic 这样的创业公司很难在通用能力上正面硬拼，但在「电话里把任务完成」这个具体问题上，边听边调工具确实是一个巨头还没补上的缺口。窗口期有多长，取决于大厂多快跟进。