米Phonicは2026年10月29日、音声を直接入出力する音声対音声モデル「Phonic-1」を公開しました。同社によると、独立評価のArtificial Analysisによる音声対音声の総合指標で87.1を記録し、評価対象で1位になっています。公開と同日に、First Roundが主導するシリーズAの2,750万ドル調達も発表し、累計調達額は3,150万ドルになりました。APIは既に利用でき、価格は1分0.07ドルからです。
従来の音声エージェントとの違い
多くの音声エージェントは、音声認識、言語モデル、音声合成を順につなぐカスケード構成です。Phonicは創業から音声を直接理解し音声で返すモデルに絞って開発してきたと説明します。音声認識の段階で文字起こしに落とさないため、声の調子や間、固有名詞の読み方といった情報が残るのが利点です。
同社が最も強調するのは、相手の発話が終わる前に動き出す点です。従来のモデルは呼び出し人の発話を待ってからツールを呼ぶため、「確認しますね」と言ってから検索が始まります。Phonic-1は発話中にツール呼び出しを開始でき、発話が終わった時点で回答の準備が整うと会社は説明します。「発話中にツールを実行できるのは唯一」という記述は会社の主張で、独立した検証はありません。同社の比較デモでは、旅行の予約の依頼に対してPhonic-1が5つのツールを発話中に呼び、発話終了1.1秒後に答えたのに対し、GPT-Liveは終了後に呼んで15.7秒後に答えたと示されています。これは同社が選んだ単一シナリオの公表値です。
- 01 通話
音声をそのまま入力
文字起こしに落とさず音声を直接扱う
- 02 発話中
ツール呼び出しを開始
相手が話している間に予約確認などの処理を進める
- 03 発話終了後
1.1秒で回答(デモ)
GPT-Liveの15.7秒との比較。単一シナリオの公表値
Phonic公式ブログと公式ドキュメントの説明による。数値は同社の比較デモの公表値。
第三者評価の数字
Artificial Analysisの音声対音声リーダーボード(2026年10月31日確認)では、Phonic 1 (High)の総合指標は87.1で、Grok Voice 3.0の86.9、GPT-Live-1 (Astra, medium)の83.2を上回ります。総合指標は音声推論、エージェント性能、人間の選好、タスク成功率の加重平均です。測定は継続的に更新されます。
ただし項目別では首位ではありません。タスク成功率は92.3%で、Grok Voice 3.0の94.8%に続く評価対象4位です。人間の選好を測るArenaのEloも1012で、Grok Voice 3.0(1059)やGPT-Live-1(1027〜1037)より低い値です。会話の自然さの指標はPhonic 1にはまだ測定値がありません。会社が「タスク成功率が最高」と述べるのは、Sierraの多言語評価τ³-Voice(Phonic-1が83.2、GPT-Live-1が79.9)での比較に基づくもので、Artificial Analysisのタスク成功率とは別の測定です。
Phonic 1 (High)
- 総合指標
- 87.1
- タスク成功率
- 92.3%
- 初回音声まで
- 0.61秒
Grok Voice 3.0
- 総合指標
- 86.9
- タスク成功率
- 94.8%
- 初回音声まで
- 0.81秒
GPT-Live-1 (Astra, medium)
- 総合指標
- 83.2
- タスク成功率
- 87.4%
- 初回音声まで
- 1.34秒
2026年10月31日確認。Phonic 1はHigh設定。測定は更新され得る。
自然さについては、会社がPodonosに依頼した盲聴の結果が示されています。Phonic-1はGPT-Live-1に対し61.5%対32.0%、Grok Voice 3に対し66.5%対26.5%、Eleven v4 Turboに対し78.0%対14.0%で選ばれました。一方、人間の声優には57.0%対32.0%で劣り、同社も自然さはまだ人間に及ばないと認めています。
「Phonicに来たのはモデルのためでしたが、良いパートナーも見つかりました。音声対音声モデルは本番運用の準備ができていて、声の自然さも最良の部類です。今日、Phonicは25カ国のAI面接を支えています。」
We came to Phonic for the model and found a great partner. The speech-to-speech model was ready for production, and its voices are some of the most natural we've heard. This creates a better candidate experience and more accurate read for the teams using Ashby to hire. Today, Phonic powers our AI interviews in 25 countries.
価格と提供形態
公式ドキュメント(2026年10月31日確認)では、モデルIDはphonic-1で、APIのほかにTypeScriptとPythonのSDK、CLI、ノーコードのエージェントビルダーが用意されています。課金は1分0.07ドルからの単一分単位で、トークン別の請求や言語モデルの追加請求はないと記載されています。50以上の言語への対応と、会話の途中でも同じ話者のままの言語切替も特徴です。SOC 2 Type II、HIPAA(BAA対応)、データ保持なし、99.9%稼働のSLAも案内されています。11月30日までの新規登録には250ドル分のクレジットが付く特典も表示されています。
資金調達の内容
シリーズAは2,750万ドルで、First Roundが主導し、Lux Capital、Felicis、Definition、Essence VCが参加しました(公式ブログ本文の記載。冒頭の概要文では3社のみの列挙です)。累計調達額は3,150万ドルで、エンジェル投資家としてModalのErik Bernhardsson氏、Hugging FaceのClement Delangue氏、DropboxのArash Ferdowsi氏、ReplitのAmjad Masad氏、VercelのGuillermo Rauch氏らが名を連ねます。評価額、売上、通話数は非公開です。導入企業としてはAshby、Maven AGI、Rhoのほか、Fortune 50のITインフラ企業が挙げられています。
出典
- Phonic公式ブログ「Introducing Phonic-1 and our $27.5M Series A」(2026年10月29日)全文確認。公開日、2,750万ドル・主導First Round・参加Lux Capital/Felicis/Definition/Essence VC、累計3,150万ドル、発話中ツール実行の主張、1.1秒対15.7秒のデモ、Podonos盲聴の数値、Sierra τ³-Voiceの数値、Ashbyコメント、250ドル特典を確認
- Phonic公式ドキュメント「Introduction」(2026年10月31日確認)モデルID phonic-1、TS/Python SDK、CLI、ノーコードビルダー、1分0.07ドルからの単一分課金、50以上の言語、SOC 2 Type II・HIPAA・データ保持なし・99.9% SLAを確認
- Artificial Analysis「Speech to Speech AI Model & Provider Leaderboard」(2026年10月31日確認)総合指標Phonic 1 (High) 87.1・Grok Voice 3.0 86.9・GPT-Live-1 (Astra, medium) 83.2、タスク成功率92.3%(4位)と94.8%(首位)、初回音声0.61秒、Arena Elo 1012対1059を表から取得。測定は更新され得る
出典の確認日 2026.10.31