Rime Prism vs. Inworld Realtime TTS 2: 200 Locales gegen einen einzigen Checkpoint

Hier ist eine Tatsache, die die meisten Versionen dieses Vergleichs beenden sollte, bevor irgendjemand einen Benchmark öffnet: Inworld Realtime TTS 2 gibt eine Abdeckung für mehr als 200 Locales an und enthält 282 integrierte Stimmen, während Rime Prism überhaupt keine Anzahl an Sprachen und keine Anzahl an Stimmen veröffentlicht. Wenn Sie einen Voice-Agent in einem Dutzend Märkten einsetzen, ist das keine Abwägung – es ist ein Filter, der eine Option ausschließt. Der Vergleich bleibt nur für den Käufer interessant, der auf einen einzigen Markt beschränkt und reguliert ist, weil Rime Prism das einzige Modell in diesem Paar ist, das eine Anwendung einen Satz lesen und blockieren lässt, bevor der Anrufer ihn hört. Inworld Realtime TTS 2 ist ein Text-to-Speech-Modell mit einer sehr guten Realtime-Story, und es hat keinen äquivalenten Checkpoint, weil die Entscheidung bereits getroffen wurde, wenn es Text sieht.

Die Namen sind zudem in einer Weise irreführend, die bereits zu schlechter Beratung geführt hat. „Inworld Realtime TTS 2“ ist kein Speech-to-Speech-Modell. Rime Prism ist es. Diese Unterscheidung liegt jedem der unten aufgeführten Werte zugrunde und sollte gesagt werden, bevor die Zahlen beginnen.

Einer davon ist kein Agent.

Inworld Realtime TTS 2 ist Text rein, Audio raus. Duplex-Verhalten – den Anrufer hören, während man spricht, und mit Unterbrechungen umgehen – kommt von Inworlds separater Realtime-API, die das OpenAI-Realtime-Protokoll spricht und eine Unterbrechungslatenz von ungefähr 100 ms angibt. Das ist ein zweites Produkt mit einer zweiten Integration, keine Eigenschaft des TTS-Modells selbst. Wer „Realtime“ im Modellnamen liest und annimmt, es handle sich um End-to-End-Sprache-zu-Sprache, hat den Katalog falsch gelesen.

Prism ist eine völlig andere Form. Audio rein, Audio raus, in einem System, mit einem Text-Wegpunkt dazwischen und Tool-Aufrufen, die parallel zur Sprache laufen statt davor. Genau deshalb wird pro Minute Anrufaudio abgerechnet – man kauft den Anruf, nicht den Text.

Die ehrliche Einordnung dieses Vergleichs lautet: Inworld Realtime TTS 2 ist der beste Synthese-Schritt für eine Kaskade, die Sie selbst zusammenstellen, und Prism ersetzt die Kaskade. Sie können Inworld bevorzugen und trotzdem einen Agenten im Prism-Zuschnitt bauen, nur aus mehr Einzelteilen. Sie können nicht Prism bevorzugen und zugleich Inworlds Sprachabdeckung erhalten, denn diese ist nicht veröffentlicht.

Die Coverage-Zahlen – und was sie wert sind

Inworlds Liste ist ungewöhnlich konkret, was für sich genommen aufschlussreich ist:

• Locales — über 200, aufgeteilt in 15 mit Tier-1-Qualität und 79 mit Tier-2.

• Stimmen — 282 integrierte, mit 20 kuratierten Presets.

• Klonen – Zero-Shot aus 5 bis 15 Sekunden Audio; Professional Voice Cloning als Vorschau und nur in der Flaggschiff-Version.

• Kontinuität — eine einzige, durchgängige Stimme, die über alle Sprachen hinweg erhalten bleibt; genau dieses Merkmal lässt den Launch einer Marke in mehreren Märkten bewusst geplant wirken statt übersetzt.

• Audio — MP3-, WAV-, OGG-, FLAC- und PCM-Ausgabe, 8 kHz bis 48 kHz, Standard 24 kHz.

• Durchsatz — 2.000 Zeichen pro Anfrage, WebSocket-Streaming mit 20 gleichzeitigen Verbindungen und 5 Kontexten.

• Latenz — serverseitige P99-Zeit bis zum ersten Byte unter 100 ms für TTS-2; die Flash-Variante, eingeführt am 31. August 2026, gibt an, unter 25 ms zu liegen, wobei Messungen durch Dritte nahe 25 ms liegen.

Die Aufteilung in Tier 1 und Tier 2 ist der Teil, der Aufmerksamkeit verdient, und nicht die Schlagzeile von über 200. Fünfzehn Locales in Flaggschiff-Qualität von 200 unterstützten ist eine wirklich ehrliche Offenlegung, und sie zeigt Ihnen, wo das Produkt tatsächlich fertig ist. Wenn Ihre Märkte Englisch, Spanisch, Portugiesisch, Deutsch, Französisch und Japanisch sind, befinden Sie sich wahrscheinlich in Tier 1, und die Schlagzeile stimmt. Wenn es die anderen 185 sind, befinden Sie sich in dem Teil des Katalogs, der existiert, aber nicht kuratiert wurde.

Vergleichen Sie das mit Prism: Dort ist das Fehlen einer veröffentlichten Liste kein Beleg für eine schlechte Abdeckung – Rime veröffentlicht Sprach- und Stimmenzahlen für seine separaten Text-to-Speech-Produkte, aber nicht für Prism – doch es ist ein Beleg dafür, dass eine Planung darauf nicht möglich ist. Für einen Einsatz in nur einem Markt in der Sprache, für die Rime entwickelt, kostet Sie dieses Fehlen nichts. Für alles, was darüber hinausgeht, ist es die ganze Antwort.

Die Duplex-Frage, die niemand stellt

„Realtime TTS“ und „Speech-to-Speech“ klingen nach demselben Versprechen und verhalten sich bei Unterbrechungen völlig unterschiedlich.

In einer auf Inworld Realtime TTS 2 aufbauenden Kaskade ist die Behandlung von Unterbrechungen ein Koordinationsproblem über drei Dienste hinweg. Die Erkennungskomponente muss bemerken, dass der Anrufer zu sprechen begonnen hat, der Orchestrator muss den Turn des Sprachmodells abbrechen, und die Synthesekomponente muss mitten im Stream anhalten und ihren Puffer leeren. Inworlds Realtime API erledigt die Aufgabe der Synthesekomponente gut – etwa 100 ms bis zur Unterbrechung –, doch die anderen beiden Teile liegen bei Ihnen, und der Fehler ist hörbar: Der Agent spricht noch einen Moment weiter, nachdem der Anrufer begonnen hat, und setzt dann einen Satz an der falschen Stelle neu an.

Prism erledigt das innerhalb eines einzigen Modells, und Rime nennt die Behandlung von Unterbrechungen als Gesprächspunkt für Designpartner. Das ist kein Benchmark, den man nachlesen kann; es ist eine Fehlerklasse, die man dann nicht mehr hat. Für eine Support-Hotline, bei der Anrufer dem Agenten ständig ins Wort fallen, ist das mehr wert als ein paar Elo-Punkte.

Das Gegenargument ist, dass eine gut gebaute Kaskade mit einem aggressiven Abbruchpfad darin wirklich gut ist und der Koordinationscode eine bekannte Größe ist, den viele Teams bereits geschrieben haben. Die Behandlung von Unterbrechungen ist schwierig, nicht unmöglich, und der Unterschied zwischen den beiden Architekturen verringert sich mit ingenieurtechnischem Aufwand. Was sich nicht verringert, ist die Anzahl der Dienste, für die man um 3 Uhr morgens alarmiert wird.

Preis: vier Cent gegenüber vier Cent, sozusagen

Die Inworld-Preise pro Zeichen, die Prism-Preise pro Minute Anruf-Audio und die Umrechnung zwischen beiden sind genau der Punkt, an dem ehrliche Vergleiche schiefgehen.

• Inworld Realtime TTS 2 — $25 pro Million Zeichen im On-Demand-Tarif, $12.50 bei Growth, bis zu etwa $5 bei Enterprise-Volumen. TTS-2 Flash kostet $15, $7 und unter $5 in denselben Tarifen. Bei etwa 1.000 Zeichen pro Minute Sprachausgabe liegt der On-Demand-Preis bei etwa $0.025 pro Minute generierten Audios.

Rime Prism — 0,080 $ pro Minute Anrufaudio bei Flex, 0,064 $ bei Scale, 50 $ kostenloses Guthaben im Free-Tarif, individuelle Konditionen bei Enterprise.

Eine Minute Agentensprache kostet bei Inworld also etwa 2,5 Cent und bei Prism 8 Cent. Das ist die Zahl, die die Vergleichstabellen ausweisen, und sie ist aus zwei Gründen irreführend.

Der erste Punkt ist, dass die Cent-Beträge bei Inworld einen Hop abdecken. Eine Kaskade fügt Erkennung hinzu – typischerweise eine halbe bis einen Cent pro Minute – sowie einen Sprachmodell-Turn, der bei Konversationsvolumen im niedrigen einstelligen Centbereich liegt. Setzt man die drei zusammen, landet man bei nahezu sechs bis neun Cent pro vom Agenten gesprochener Minute, was Prisms acht Cent einrahmt. Die Lücke in der Tabelle ist ein Artefakt des Vergleichs einer Komponente mit einem System.

Der zweite Punkt ist, dass eine Minute bei Prism keine Minute Agentenrede ist. Prism rechnet Anrufaudio ab, sodass ein Anrufer, der vier Minuten spricht und den Agenten eine Minute hört, Prism fünf abgerechnete Minuten kostet. Die Cascade-Preisgestaltung skaliert damit, wie viel der Agent sagt; die von Prism skaliert mit der Dauer des Anrufs. In einer Support-Warteschlange mit langen Kundenbeiträgen ist das ein echter Aufpreis. In einem Buchungsablauf, in dem der Agent den Großteil des Sprechens übernimmt, ist es nahezu ausgeglichen.

Inworlds Tarifstruktur bringt eine praktische Einschränkung mit, die es zu prüfen lohnt: ein Creator-Tarif für 25 $ pro Monat, 25 $ pro Million Zeichen bei Bedarf, 12,50 $ bei Growth, Enterprise individuell. Die Nebenläufigkeit liegt bei 20 WebSocket-Verbindungen auf dem Streaming-Pfad, was für eine mittelgroße Warteschlange ausreichend ist und bei einer großen zur bindenden Grenze wird.

Kontrolle: Einer hat einen Platz zum Stehen, einer nicht.

Hier zeigt sich, warum Prism seinen Premiumpreis wert ist, und das ist ein struktureller Unterschied, keine Funktionslücke.

Inworld Realtime TTS 2 geht wirklich raffiniert mit Kontext um. Es liest vorherige Gesprächsbeiträge als Audioeingabe, akzeptiert frei formulierte Stimmweisungen in einfachem Englisch, unterstützt Inline-Tags und einen Zeichen-für-Zeichen-Buchstabierungsmodus für Bestellnummern, Codes und Adressen. Dieser Buchstabierungsmodus kommt in diesem Vergleich einer Steuerung vor der Sprachausgabe am nächsten, und er ist gut – ein Synthesizer, der „vier-sieben-zwei“ statt „vierhundertzweiundsiebzig“ sagen kann, löst eine ganze Klasse realer Fehler in Support-Gesprächen.

Aber es wirkt auf Text, den du bereits festgelegt hast. Es gibt keinen Punkt im Turn, an dem Inworld deiner Anwendung sagt: „Das ist, was ich gleich sagen werde“, und wartet. Der Buchstabier-Modus legt die Aussprache fest, nicht den Inhalt.

Prism sagt es Ihnen bei jedem Turn. Rimes Behauptung ist, dass der Text ein Kontrollpunkt statt einer Zwischenstufe ist: Eine Leitplanke kann jedes Wort prüfen, bevor es gesprochen wird, eine Richtlinienebene kann einen abgelehnten Satz umschreiben, und das Modell spricht die Ersetzung, eine unzulässige Aussage kann vollständig blockiert werden, während der Anruf weiterläuft. Ob das Reasoning des Modells wirklich audio-nativ ist, ist eine Behauptung, die es zu prüfen lohnt; ob der Text vor dem Audio ankommt, ist eine Tatsache des Designs.

Bei einem regulierten Einsatz in einem einzigen Markt ist diese Tatsache der Grund, acht Cent zu zahlen, statt eine billigere Kaskade zusammenzustellen. Für alles andere ist es eine Funktion, die Sie kaufen und möglicherweise nicht brauchen.

Was die Behauptungen der Rangliste tatsächlich aussagen

Inworld bewirbt Realtime TTS 2 als Nummer eins in der Artificial Analysis Speech Arena. Unabhängige Ranglisten der Arena führen es mit einem Elo-Wert von rund 1.245 auf Platz drei der aktuellen Tabelle, während TTS-2 Flash mit etwa 1.210 auf Platz sechs liegt. Ein Top-3-Platz in einer öffentlichen Arena ist ein hervorragendes Ergebnis und eine nützlichere Aussage als die aus dem Marketing; die Diskrepanz ist eine Positionierungsaussage, die mit einer live aktualisierten Tabelle kollidiert, die sich bewegt, sobald Stimmen eingehen.

Für Prism gibt es kein Äquivalent. Sein Wert von 56,6 auf τ-Voice ist ein Agentic-Task-Completion-Score, den Rime selbst erhoben hat, auf einem Harness, den auch Artificial Analysis verwendet, ohne zum Launch einen veröffentlichten Leaderboard-Eintrag. Die beiden Zahlen messen unterschiedliche Dinge – wie eine Stimme für menschliche Bewerter klingt versus wie oft ein Agent eine simulierte Serviceaufgabe abschließt – und es gibt keine Arithmetik, die das eine in das andere umrechnet.

Diese Asymmetrie ist, wieder einmal, der Vergleich im Kleinen. Inworld hat einen Sprachqualitäts-Score mit einem Schiedsrichter. Prism hat einen Agentenfähigkeits-Score ohne einen solchen. Keines der beiden Unternehmen hat einen Direktvergleich veröffentlicht, und keines der Modelle wurde jemals vom selben Labor mit derselben Aufgabe ausgeführt.

Wenn Sie die Kaskade aufbauen, leiten wir die Mitte weiter.

Inworld Realtime TTS 2 wird direkt von Inworld und über mehrere Drittanbieter-Plattformen verkauft. Rime Prism wird direkt von Rime verkauft. Keines der beiden ist heute im Katalog von OrcaRouter enthalten, und dieser Beitrag behauptet nichts anderes.

Die Kaskadenarchitektur, zu der Inworlds Modell gehört, braucht in der Mitte noch ein Sprachmodell – und genau dort entscheiden sich Qualität und Kosten. OrcaRouter stellt über 200 Modelle hinter einem einzigen Schlüssel bereit, mit 0 % Aufschlag auf den Listenpreis des Anbieters, mit automatischem Failover, wenn ein Anbieter schlechter wird, und einer Routing-DSL, um einzelne Gesprächsschritte an verschiedene Modelle zu schicken – günstig für die Bestätigung, leistungsstark fürs Nachschlagen, alles über einen einzigen Endpunkt. Für einen Voice-Agent ist das die nützliche Einheit: eine Stelle, an der man das Modell ändern kann, ohne den Anrufpfad anzufassen.

Wir routen die Synthese ebenfalls, wenn Sie sie lieber über denselben Schlüssel statt über einen zweiten Vertrag laufen lassen möchten: openai/tts-1-hd und google/gemini-3.1-flash-tts-preview sind beide zum Listenpreis verfügbar. Keines von beiden ist Inworld Realtime TTS 2. Beide sind die letzte Stufe einer Kaskade, die Sie heute zusammenstellen können.

Zwei Fragen – und die eine, die entscheidet

Frage eins: Wie viele Sprachen? Wenn die Antwort mehr als eine Handvoll ist, ist es Inworld Realtime TTS 2, und der Vergleich endet. Zweihundert Locales mit einer veröffentlichten Tier-1-Liste von fünfzehn übertreffen eine unveröffentlichte Liste ohne konkrete Zahlenangaben, und eine Beschaffung lässt sich nicht auf ein leeres Feld stützen.

Frage zwei: Muss jemand den Satz genehmigen, bevor er gesprochen wird? Wenn ja, dann Prism. Nicht weil es besser im Sprechen ist – dafür gibt es keine Belege in die eine oder andere Richtung –, sondern weil es das einzige Modell hier ist, das den Satz als Artefakt erzeugt, das Ihre Anwendung halten kann. Das ist das ganze Produkt, und es kostet etwa acht Cent pro Gesprächsminute.

Wenn keiner der beiden bindet, lautet die ehrliche Antwort, dass Sie die günstigere Kaskade rund um Inworlds Synthesizer aufbauen und die Einsparungen in die Behandlung von Unterbrechungen investieren sollten, denn das ist der Teil des Erlebnisses, den ein Anrufer tatsächlich bemerkt. Zweieinhalb Cent pro Minute für den Synthese-Schritt sind ein starkes Angebot von einem Modell, das in einer öffentlichen Arena den zweiten Platz belegt, und der Checkpoint, auf den Sie verzichten, ist einer, von dem Sie uns gerade gesagt haben, dass Sie ihn nicht brauchen.

Bevor irgendjemand sie zitiert, eine Anmerkung zu den Zahlen: Inworlds Angaben zu Abdeckung, Latenz und Preis stammen von Inworld selbst, das Arena-Elo stammt von Artificial Analysis und widerspricht Inworlds Positionierung als Nummer eins. Prisms 56,6 stammt von Rime und wurde nicht reproduziert. Kein unabhängiger Dritter hat gemessen, wie eines der Modelle die Aufgabe des anderen erledigt – die eine Lücke, die keines der beiden Unternehmen geschlossen hat.