Rime Prism vs. ElevenLabs: Zwei Speech-to-Speech-Modelle, eine Latenzzahl

Elf Tage auseinander brachten zwei Unternehmen dieselbe Idee auf den Markt und meldeten dieselbe Zahl. Rime Prism erschien am 28. Oktober 2026 mit 0,57 Sekunden bis zum ersten Audio. Eleven Realtime v1 Max, ElevenLabs' eigenes Ende-zu-Ende-Speech-to-Speech-Modell, erschien am 20. Oktober 2026 – ebenfalls 0,57 Sekunden. Das Zusammentreffen ist das Nützlichste an diesem Duell, denn es bedeutet, dass Latenz nicht die Entscheidung ist. Wenn zwei Modelle bei der Zeit gleichauf liegen, unterscheidet sie, was in der halben Sekunde geschieht, und diese beiden verbringen sie auf entgegengesetzte Weise: Eleven Realtime v1 Max hört zu und spricht, während Rime Prism zuerst schreibt.

Dies ist der Vergleich mit den geringsten Unterschieden in der Gruppe und derjenige, bei dem die Entscheidung wirklich zählt, weil beide Produkte die gesamte Kaskade ersetzen statt nur einer Komponente und beide das Audio mit acht Cent pro Minute berechnen.

Die kurze Antwort

Eleven Realtime v1 Max ist die bessere Wahl, wenn Abdeckung und Stimmrepertoire den Ausschlag geben: Über 90 Sprachen und mehr als 17.000 Stimmen sind ein Katalog, den kein Wettbewerber in diesem Duo erreichen kann, und der Socket ist wire-kompatibel mit der Realtime API von OpenAI, was bedeutet, dass eine Migration ein Wechsel des Endpunkts und keine Neuimplementierung ist.

Rime Prism ist die bessere Wahl, wenn überprüfbar sein muss, was der Agent sagt, bevor es gesprochen wird. Es ist das einzige Modell in diesem Paar, das der Anwendung mitten im Turn eine Textzeichenfolge übergibt, mit der Option, sie umzuschreiben oder zu blockieren, und das einzige, das On-Prem- oder VPC-Bereitstellung bietet.

Beide kosten 0,080 $ pro Minute Audio, und diese scheinbare Parität verbirgt eine echte Lücke: ElevenLabs berechnet 0,080 $ pro Minute für verbundenes Audiozuzüglich Modelltokens, während Rime 0,080 $ pro Minute und keine Tokens berechnet. Bei einem stark telefonielastigen Agenten ist das kein Rundungsunterschied.

Was die einzelnen Unternehmen tatsächlich angekündigt haben

ElevenLabs hat eine Familie auf den Markt gebracht, kein einzelnes Modell. Eleven Realtime v1 Max ist die Variante für komplexe Aufgaben – Support, Lead-Qualifizierung, alles mit Tool-Nutzung. Eleven Realtime v1 Mini ist die Konversationsvariante für Assistenten, Tutoren und Charaktere. Beide sind einzelne End-to-End-Netzwerke, die Spracherkennung, Turn-Taking, Reasoning und Sprachgenerierung in einem System zusammenführen statt in drei aneinandergereihten Stufen. Die Begründung, die ElevenLabs dafür anführt, ist die Nahtstelle: Tote Luft nach einer Pause, Übersprechen bei einer Unterbrechung, ein Transkript, das nicht zur Stimme passt. Das sind Kaskadenartefakte, und die angebotene Abhilfe besteht darin, alle vier Stufen gemeinsam aufeinander abzustimmen.

Der Zugangsweg ist bewusst langweilig – was ein Kompliment ist. Eleven Realtime läuft innerhalb von ElevenAgents über ein Dropdown-Menü oder über eine Realtime API unter wss://api.elevenlabs.io/v1/convai/realtime, die auf Protokollebene mit OpenAIs Realtime-Protokoll kompatibel ist – Endpoint und Modellname ändern, und ein bestehendes OpenAI SDK funktioniert unverändert. Zum Start ist es ausschließlich WebSocket; einen WebRTC-Weg gibt es noch nicht.

Rimes Ankündigung hat eine andere Form. Ein Modell, Prism, positioniert für Enterprise-Kontaktcenter, wobei das Differenzierungsmerkmal der Text-Checkpoint und nicht eine Familie von Varianten ist. Es gibt eine kostenlose Tarifstufe mit 50 $ Guthaben, Flex zu 0,080 $/Min., Scale zu 0,064 $/Min. und eine Enterprise-Stufe, die VPC und On-Premises sowie Fine-Tuning auf Kundenanrufaufzeichnungen und individuellen Stimmen hinzufügt. Ebenfalls kein WebRTC, aber Streaming, LiveKit- und Pipecat-Integrationen, 8-kHz-Telefonie und SOC 2 mit HIPAA-Angaben.

Ein Detail, das für alle, die einen Rollout planen, erwähnenswert ist: ElevenLabs beschreibt Eleven Realtime als schrittweise eingeführt, und die Modellkennungen sind seit Anfang August im Changelog aufgeführt. Der 20. Oktober ist der Termin der Ankündigung. Wenn das Modell in Ihrem Konto nicht im ElevenAgents-Dropdown erscheint, handelt es sich um eine gestaffelte Veröffentlichung und nicht um eine Fehlkonfiguration.

Der Checkpoint ist der eigentliche Unterschied

Beide Modelle sind End-to-End. Nur eines von ihnen hinterlässt ein Textartefakt, auf das du reagieren kannst, bevor der Anrufer irgendetwas hört.

Eleven Realtime v1 Max geht von Audio-Input zu Audio-Output. Auf der anderen Seite des Calls liegt ein Transkript, und diesem vorgelagert ist ein System-Prompt, aber es gibt keinen Punkt im Turn, an dem Ihre Anwendung den nächsten Satz des Agenten als String hält und entscheidet, ob sie ihn sendet. Das ist keine Kritik – es ist die Architektur, für die sich ElevenLabs entschieden hat, und es ist die Architektur, die die Natürlichkeit erzeugt, mit der das Unternehmen wirbt. Genau das Zusammenlegen von vier Stufen in ein einziges Netzwerk ist es, was die überprüfbare Nahtstelle beseitigt.

Prism behält die Naht. Rime sagt, das Modell entwirft seine Antwort als Text, die Anwendung kann diesen Text umschreiben, blockieren, taggen oder die Aussprache darin korrigieren, und das Audio folgt. Tool-Aufrufe laufen parallel zur Sprache statt davor. Die Behauptung, dass dies keine Kaskade ist, stützt sich darauf, dass das Reasoning über das Audio erfolgt – Tonfall, Zögern und Hintergrundgeräusche fließen in die Antwort ein –, wobei Text ein Ausgabezwischenpunkt und keine Eingabe ist.

Für ein Compliance-Team ist dieser Unterschied die gesamte Beschaffung. „Der Agent kann X nicht sagen“ ist in Prism auf Satzebene durchsetzbar und in Eleven Realtime nur auf Prompt-Ebene, also probabilistisch. Für ein Produktteam, das einen Charakter oder einen Tutor entwickelt, gilt das Gegenteil: Der Checkpoint ist Overhead, und die Natürlichkeit, die aus einem einzelnen abgestimmten Netzwerk entsteht, ist das Produkt.

Zwei 0,57-Sekunden-Zahlen, die nicht dieselbe Messung sind

Die Parität ist real, doch die Instrumente unterscheiden sich, und dieser Unterschied ist von Bedeutung, wenn Sie eine der beiden Zahlen zitieren möchten.

Die 0,57 Sekunden von Eleven Realtime v1 Max sind eine Messung von Artificial Analysis – ein Drittanbieter hat sie durchgeführt, auf derselben Zeitbasis, die für seine anderen Sprach-zu-Sprach-Einträge verwendet wird, und sie veröffentlicht. Eleven Realtime v1 Mini erreicht mit demselben Messinstrument 0,62 Sekunden.

Prisms 0,57 Sekunden sind Rimes eigene Zahl, ermittelt auf dem τ-Voice-Harness, das auch Artificial Analysis verwendet, aber von Rime betrieben wird. Prism hatte zum Marktstart keinen öffentlichen Bestenlisten-Eintrag. Also hat die eine Zahl einen Schiedsrichter und die andere nicht, obwohl beide auf zwei Nachkommastellen genau denselben Wert haben. Sie als Gleichstand nebeneinander aufzuführen ist vertretbar; sie als gleichwertige Belege darzustellen nicht.

Die anderen Werte weichen deutlich voneinander ab, und zwar wiederum auf unterschiedlichen Instrumenten. Eleven Realtime v1 Max erzielt 98,8 % bei Big Bench Audio gegenüber 75,9 bis 76 % für Mini, eine Task-Erfolgsrate von 87,1 % gegenüber 60,3 %, 94,1 bei Full-Duplex-Bench gegenüber 95,8 % und einen Arena-Elo-Wert von etwa 997 bis 998 gegenüber 988. Außerdem ist es im Speech-to-Speech Index nicht bewertet und trägt keinen agentischen τ-Voice-Score — es gibt also keine veröffentlichte Zahl, die Eleven Realtime v1 Max und Prism überhaupt auf derselben Achse einordnet. Wer Prisms 56,6 gegen ElevenLabs' 98,8 stellt, vergleicht einen Task-Completion-Benchmark mit einem Audio-Quality-Benchmark und erhält eine bedeutungslose Lücke von 42 Punkten.

Die Preislücke liegt in der Token-Zeile.

Auf den ersten Blick kosten beide Produkte acht Cent pro Minute. Liest man die Tarifkarten, stimmt das nicht.

• ElevenLabs — 0,080 $ pro Minute verbundener Audioübertragung, zuzüglich Modell-Tokens. Eleven Realtime v1 Mini kostet 0,20 $ für Eingabe und 6,00 $ für Ausgabe pro Million Tokens; v1 Max kostet 1,80 $ für Eingabe und 9,00 $ für Ausgabe. Bei Burst-Überschreitung verdoppelt sich der Audiotarif auf 0,16 $/Min. Innerhalb von ElevenAgents beträgt der Standardtarif 0,08 $/Min. zuzüglich LLM-Tokens.

• Rime — 0,080 $ pro Minute für Prism-Audio bei Flex, 0,064 $ bei Scale, ohne zusätzliche Token-Gebühr. Das kostenlose Kontingent umfasst 50 $ Nutzungsguthaben für Prism, Mist v3, Coda v2 und Rime STT.

Wie viel Sie die Token-Zeile kostet, hängt ganz davon ab, wie viel der Agent nachdenkt. Ein fünfminütiger Support-Anruf, bei dem der Agent acht Turns absolviert und jeder Turn über ein paar tausend Token nachdenkt, ist bei 1,80 $ pro Million Input und 9,00 $ pro Million Output auf Max nicht kostenlos – es ist ein zweiter Zähler, der neben dem ersten läuft. Für einen kurzen, stark auf Bestätigungen setzenden Assistenten auf Mini ist die Token-Zeile Rauschen. Für ein Max-Deployment mit echter Tool-Orchestrierung kann sie an die Audiokosten heranreichen.

Rimes Pauschalminute hat ihre eigene Falle – und es ist die entgegengesetzte. Prism berechnet Anruf-Audio statt Agent-Sprache, daher kostet ein Anruf mit einem langatmigen Anrufer genauso viel wie einer, bei dem der Agent nie aufhört zu reden. Wenn Ihre Anrufe eher durch kurze Agent-Turns und lange Kunden-Turns geprägt sind, ist Prisms Minutenpreis der teurere der beiden – und zwar um einen Abstand, der nichts mit den Modellen zu tun hat.

Modellieren Sie beide Zähler anhand Ihrer eigenen Anrufverteilung, bevor Sie sich festlegen. Keiner der beiden Anbieter veröffentlicht einen Rechner, und die Acht-Cent-Schlagzeile ist wirklich nicht der Betrag, den einer der beiden Ihnen in Rechnung stellen wird.

Abdeckung, Stimmen und die Frage der Bereitstellung

ElevenLabs gewinnt bei der Abdeckung so entscheidend, dass man es klar benennen sollte, statt es zu verschweigen: über 90 Sprachen und mehr als 17.000 Stimmen. Rime veröffentlicht Prisms Sprachanzahl oder Stimmenbestand überhaupt nicht, obwohl die separaten Text-to-Speech-Produkte des Unternehmens ihre eigenen veröffentlichen, und diese Zahlen lassen sich nicht auf Prism übertragen.

Diese Asymmetrie entscheidet für sich genommen über einen großen Anteil realer Deployments. Ein europäischer Einzelhändler, der in neun Märkten an den Start geht, muss den Rest dieses Artikels nicht lesen.

Beim Deployment schlägt das Pendel wieder zurück. Rime bietet im Enterprise-Tarif VPC und On-Premises neben Cloud sowie eine Co-Located-Endpoint-Option für seine TTS-Modelle. Eleven Realtime ist zum Start ein gehosteter WebSocket-Dienst. Rimes Argument – dass Frontier-Realtime-APIs reine Cloud-Angebote sind, während Prism Ihnen die Kontrolle darüber gibt, wo die Audiodaten liegen – ist ein echter Differenzierungsfaktor für das Gesundheitswesen, den Finanzsektor und jeden Käufer, dessen Vertrag eine Data-Residency-Klausel enthält. Rime reklamiert SOC 2 und HIPAA für Prism; ElevenLabs verkauft Enterprise-Vereinbarungen mit DPAs und BAAs zu eigenen Bedingungen. Beide lassen sich so aufstellen, dass sie eine Compliance-Prüfung bestehen, doch nur eines von beiden lässt sich so aufstellen, dass es „die Audiodaten verlassen nie unser Gebäude“ erfüllt.

Fine-Tuning ist die andere Asymmetrie, und sie weist in dieselbe Richtung. Rime sagt, dass Prism auf den eigenen Anrufaufzeichnungen eines Kunden fine-getunt werden kann, mit Self-Service-APIs für RL und SFT in der Beta-Phase. Die Tuning-Oberfläche von ElevenLabs liegt auf Stimmenebene – Klonen, professionelle Voice-Workflows, Stil- und Stabilitätseinstellungen – und nicht in einem maßgeschneiderten akustischen Modell mit Reasoning-Komponente, das auf Ihren Anrufen trainiert wurde. Wenn das Ziel lautet, „wie unsere Marke zu klingen“, ist das auf der ElevenLabs-Seite ein gelöstes Problem. Wenn das Ziel lautet, „besser in unserem spezifischen Bestellablauf zu werden“, bietet nur einer von beiden das an.

Wo OrcaRouter passt – und wo nicht

Weder Prism noch Eleven Realtime ist in unserem Katalog. Prism wird direkt von Rime verkauft; die Modelle von Eleven Realtime werden direkt von ElevenLabs und über mehrere Drittplattformen verkauft. Wenn Sie sich für eines von beiden entscheiden, kaufen Sie direkt beim Anbieter, und dieser Artikel wird nicht so tun, als wäre es anders.

Der Grund, warum OrcaRouter weiterhin in diese Entscheidung gehört, ist, dass End-to-End-Sprachmodelle nicht jedes Modell aus Ihrem Stack entfernen. Beide dieser Produkte benötigen weiterhin eine Policy-Schicht, einen Retrieval-Schritt, einen Klassifikator und einen Eskalationspfad, und dabei handelt es sich um gewöhnliche Modellaufrufe. Ein Schlüssel deckt über 200 Modelle bei 0 % Aufschlag auf den Listenpreis des Anbieters ab, sodass ein günstiges Guardrail-Modell und ein teures Eskalationsmodell hinter einem Endpunkt mit automatischem Failover liegen — und das ist der Teil, der bei einem Live-Anruf zählt, bei dem ein hängender Anbieter nicht von einer unterbrochenen Leitung zu unterscheiden ist. Die Routing-DSL ist der Weg, „die Bestätigung lokal und günstig zu halten und das Nachschlagen zu eskalieren“ auszudrücken, und diese Regel sollte man einmal im Gateway schreiben statt dreimal im Agenten.

Wenn Sie eigentlich eine Kaskade mit gehosteter Synthese wollen, openai/tts-1-hd und google/gemini-3.1-flash-tts-preview nutzen denselben Schlüssel zum Listenpreis. Verschiedene Tools, dieselbe Rechnung.

Wie man in zehn Minuten eine Entscheidung trifft

Drei Fragen, der Reihe nach, und höre bei der ersten auf, die du mit Ja beantwortest.

Musst du in mehr als nur ein paar Sprachen arbeiten oder eine bestimmte Stimme aus einem sehr großen Bestand brauchen? Eleven Realtime v1 Max oder v1 Mini. Der Katalog ist das Produkt, und Prism veröffentlicht keinen vergleichbaren.

Muss etwas, das Ihr Agent sagt, freigegeben werden, bevor ein Anrufer es hört, oder muss das Audio in Ihrem Netzwerk bleiben? Rime Prism. Der Checkpoint und die On-Prem-Stufe sind die beiden Dinge, die ElevenLabs hier nicht anbietet, und sie sind keine Funktionen, die man später hinzufügen kann.

Greift keines von beiden, und sind die Kosten der entscheidende Faktor? Dann lass beide Zähler mit deinen eigenen Call-Daten laufen, denn die Acht-Cent-Schlagzeile ist gleich und die Token-Zeile nicht. Ein Assistent mit kurzen Turns und geringem Reasoning auf Mini wird Prism beim Preis schlagen. Ein tool-lastiges Max-Deployment wahrscheinlich nicht.

Als Nächstes gilt es, die eine Zahl im Auge zu behalten, die die Sache entscheiden würde. Eleven Realtime v1 Max hat keinen τ-Voice-Wert, und Prism hat keinen unabhängigen. Sollte eines der beiden Modelle auf einem öffentlichen Leaderboard auftauchen, das von jemand anderem als seinem Anbieter gemessen wurde, wird dieser Vergleich sehr viel kürzer. Bis dahin liegen beide mit 0,57 Sekunden auf zwei verschiedenen Stoppuhren gleichauf, und der Rest ist Architektur.

Ein letzter Satz zu den obigen Zahlen: Die Werte von Eleven Realtime sind Zahlen von Artificial Analysis, die Preiskarten stammen von den Anbietern selbst, und Prisms 56,6 stammt von Rime. Kein Instrument in diesem Artikel setzt beide Modelle auf eine gemeinsame Achse, weshalb der Beitrag um Architektur und Abdeckung statt um eine Rangliste herum aufgebaut ist.