NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

Phonic、音声対音声モデルPhonic-1を公開――会話中のツール実行と2,750万ドル調達

米Phonicは2026年10月29日、音声を直接入出力するモデルPhonic-1を公開しました。Artificial Analysisの音声対音声総合指標で87.1を記録したと会社が示し、同日にFirst Round主導のシリーズA2,750万ドルを発表しました。発話が終わる前にツールを呼べる点が特徴で、APIの価格は1分0.07ドルからです。

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。

図解発話中のツール実行の流れ
  1. 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

  2. 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

  3. 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。

図解Artificial Analysisの音声対音声評価
  • 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.

Abhik Pramanik氏(Ashby共同創業者・VP Engineering)。Phonic公式ブログ(2026年10月29日)より

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

  1. 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
  2. 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
  3. 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

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む