Rime Prism vs. Qwen-Audio-3.0-TTS: Eine Konversations-Engine gegen eine Stimmschicht

Rime Prism berechnet $0,080 pro Minute. Ein fünfminütiger Support-Anruf damit kostet $0,40, und diese $0,40 decken das Zuhören, das Schlussfolgern, den Sprecherwechsel und die Sprachausgabe in einem Modell ab. Qwen-Audio-3.0-TTS berechnet $19,30 pro Million Zeichen, was für denselben Anruf ungefähr $0,10 ergibt – und zwar nur für das Sprechen. Stellt man diese Zahlen nebeneinander, wirkt der Vergleich zugunsten von Qwen entschieden. Er ist es nicht, denn die beiden Modelle konkurrieren nicht um denselben Platz in einem Stack, und die Differenz von $0,30 ist größtenteils der Preis dafür, zwei Übergaben aus dem Pfad zwischen dem Satz eines Anrufers und einer Antwort zu entfernen.

Rime hat Prism am 28. Oktober 2026 auf den Markt gebracht – am Tag, bevor diese Seite geschrieben wurde. Es ist ein Speech-to-Speech-Modell, kein Text-to-Speech-Modell: Es hört Audio, erarbeitet eine Antwort, schreibt diese Antwort als Text, den eine Anwendung prüfen kann, und spricht dann – während es weiter zuhört. Alibaba kündigte Qwen-Audio-3.0-TTS am 20. Juli 2026 auf der WAIC an, in einer Plus-Stufe für Qualität und einer Flash-Stufe für Echtzeit. Dieses Modell nimmt Text entgegen und gibt Audio zurück, Punkt. Alibaba ersetzte es am 23. September 2026 durch Qwen-Audio-3.1-TTS, sodass die 3.0 in dieser Überschrift bereits die vorherige Generation ihrer eigenen Familie ist – eine Eigenheit, die später wieder auftaucht und verändert, was Sie tatsächlich kaufen sollten.

Die nützliche Frage ist nicht, welche besser klingt. Sie lautet, welche man einem Anrufer vorlegt und wie der Rest des Diagramms aussehen muss, wenn man das tut.

Zwei Produkte, ein Slot im Diagramm

Ein herkömmlicher Voice-Agent ist eine Kaskade: Spracherkennung wandelt das Audio des Anrufers in Text um, ein Sprachmodell entscheidet, was gesagt werden soll, und Text-to-Speech wandelt diese Antwort wieder in Audio um. Jeder Übergang ist ein Punkt, an dem der Akzent des Anrufers verloren gehen kann, an dem ein Füllwort weggelassen wird, an dem 200 Millisekunden hinzukommen.

Rimes Argument lautet, dass die Kaskade etwas wegwirft, das sie nicht wiederherstellen kann. In einer Kaskade hört das Sprachmodell nie, wie der Anrufer etwas gesagt hat – das Seufzen, die steigende Tonhöhe am Ende einer Frage, die Pause vor einer Kreditkartennummer –, weil es nur ein Transkript erhält. Prism hält das akustische Signal bis zur Entscheidung durchgehend intakt und gibt Text dann als Kontrollpunkt aus, nicht als Zwischenformat.

Das ist ein echter architektonischer Unterschied und er bildet die gesamte Grundlage des Produkts. Er bedeutet auch, dass Prism kein Drop-in-Ersatz für eine TTS-Engine ist. Setzt man es in den letzten Slot einer Kaskade, hat man einen teuren Sprachsynthesizer gekauft, der zuerst den Anrufer hören muss. Setzt man Qwen-Audio-3.0-TTS in Prisms Slot, hat man ein Modell, das überhaupt nichts hören kann.

Was Rime Prism eigentlich verkauft

Prism ist das erste von Rime veröffentlichte Modell, das die STT- und LLM-Stufen entfernt, statt eine der beiden zu optimieren. Die Textebene ist die Funktion, auf die Unternehmenskäufer Wert legen: Eine Richtlinienprüfung, ein PII-Filter oder eine menschliche Aufsichtsperson kann die genauen Worte lesen, die gleich gesprochen werden sollen, und weil das Modell weiter zuhört, während die Prüfung läuft, muss die Pause nicht hörbar sein. Tool-Aufrufe laufen parallel zur Sprache statt vor ihr, was eine andere Art ist, die Latenz einer Datenbankabfrage zu verbergen, als das übliche Hinhalten mit „Ich schaue das kurz für Sie nach“.

Die veröffentlichten Zahlen, alle von Rime: 0,57 Sekunden bis zur ersten Audioausgabe beim τ-Voice-Benchmark, 56,6 % Aufgabenabschluss bei diesem Benchmark und 82,5 % in dessen Telekom-Teilmenge. Ein Revmo-Versuch mit etwa zehn Stunden echten Bestellanrufen wird mit 100 % Bestellbestätigungen gegenüber 68 % bei einem ungenannten OpenAI-Modell angeführt, wobei 85 % der Anrufe frei von Halluzinationen seien gegenüber 35 %. Diese Versuchszahlen stammen aus einer von Rime in Auftrag gegebenen Kundenfallstudie; die Methodik ist nicht veröffentlicht und niemand hat sie reproduziert.

Die Preise gelten pro Minute Anrufaudio und das Preismodell ist in jeder Stufe dasselbe: 0,080 $/Min. bei Flex ohne monatliche Gebühr, 0,064 $/Min. bei Scale für 100 $ pro Monat inklusive 100 $ Guthaben, das auf 200 $ übertragbar ist, und Mengenrabatte bei Enterprise. Kostenlose Konten erhalten monatlich 50 $ Guthaben. Prism streamt über WebSockets und liefert Integrationen für LiveKit und Pipecat. Selbstbedienungs-APIs für SFT- und RL-Fine-Tuning sind in der Beta-Phase und nicht allgemein verfügbar; in der Enterprise-Stufe sind On-Premises- und VPC-Bereitstellung, individuelle Stimmen, ein HIPAA-BAA und SOC 2 Type II angesiedelt.

Was Qwen-Audio-3.0-TTS tatsächlich verkauft

Qwen-Audio-3.0-TTS ist ein Synthesizer mit ungewöhnlicher Steuerung. Er akzeptiert Inline-Tags für die Vortragsweise – [gasp], [laughs], [angry] –, die direkt im Text selbst eingebettet sind, sodass Emotionen an eine Figur statt an einen ganzen Absatz gebunden werden. Er deckt 16 Sprachen und 20 chinesische Dialekte ab, erzeugt in einer Anfrage bis zu drei Minuten Audio mit 48 kHz und verfügt über eine Bibliothek mit mehr als 1.000 Stimmen. Die Plus-Stufe ist die Qualitätsstufe; Flash zielt auf Echtzeit-Interaktion ab, und Alibabas Dokumentation gibt seine First-Packet-Latenz mit unter 200 Millisekunden an, während frühere Berichte zur Markteinführung etwa 300 nannten.

Der Listenpreis beträgt $0.19253 pro 10.000 Zeichen in der Region Peking und $0.20 in Singapur, also $19.30 bis $20 pro Million Zeichen – der Wert, den Artificial Analysis in seiner Bestenliste führt. Der Durchsatz ist in beiden Regionen auf 180 Anfragen pro Minute begrenzt. Es gibt keine Gewichte, keine Self-Hosting-Option und keine On-Premises-Lösung: Wenn Alibabas Regionen für Ihre Prüfung der Datenresidenz ein Problem darstellen, steht dieses Modell für Sie schlicht nicht zur Verfügung.

Die Anzeigetafel

• Kategorie — Rime Prism hört Audio und spricht zurück; Qwen-Audio-3.0-TTS nimmt Text entgegen und gibt Audio zurück.

• Markteinführung — Prism am 28. Oktober 2026; Qwen-Audio-3.0-TTS am 20. Juli 2026, ersetzt durch Qwen-Audio-3.1-TTS am 23. September 2026.

• Abrechnungseinheit — Prism 0,080 $ pro Minute Telefon-Audio bei Flex, 0,064 $ bei Scale; Qwen 19,30 $ pro Million Zeichen bei Plus, etwa 13,75 bis 15 $ pro Million bei Flash.

• Latenz — Prism 0,57 s bis zum ersten Audio, vom Anbieter gemessen; Qwen Flash unter 200 ms bis zum ersten Paket laut Alibabas Dokumentation.

Unabhängiger Score — Prism hat keinen im Speech-to-Speech-Index von Artificial Analysis; Qwen-Audio-3.0-TTS-Plus liegt mit Elo 1.269 auf Platz sechs von 99 in der Text-to-Speech Arena, nach dem Stand der Rangliste vom 29. Oktober 2026.

• Sprachen — Prism zum Start nur auf Englisch; Qwen 16 Sprachen plus 20 chinesische Dialekte.

• Bereitstellung — Prism Cloud, VPC oder On-Premises mit HIPAA-BAA und SOC 2 Type II in der Enterprise-Edition; Qwen nur über Alibaba Cloud Model Studio.

Der fünfminütige Anruf, bepreist

Gehen Sie von einem eingehenden Support-Anruf von fünf Minuten aus, in dem der Agent etwa 1.000 Zeichen pro Minute spricht – Rimes eigene Preis-FAQ verwendet dieses Verhältnis, um zwischen seinem zeichenbasiert abgerechneten TTS und seinem minutenbasiert abgerechneten Prism umzurechnen, sodass es ein fairer gemeinsamer Nenner ist. Das sind 5.000 Zeichen gesprochener Text.

Bei Prism kostet die Rechnung für fünf Minuten 0,080 $, also 0,40 $. Zum Scale-Tarif sind es 0,32 $. Zehntausend solcher Anrufe kosten jeweils 4.000 $ bzw. 3.200 $.

Bei einer Kaskade, die auf {{1}}Qwen-Audio-3.0-TTS-Plus{{/1}} basiert, kosten die 5.000 Zeichen 0,0965 US-Dollar. Rechnet man Rimes eigene Spracherkennung zu 0,002 US-Dollar pro Minute hinzu – fünf Cent für den Anruf – sowie ein Textmodell für das Reasoning, kommen bei durchschnittlich 0,50 US-Dollar pro Million Tokens und einigen Tausend Tokens pro Turn deutlich weniger als ein Cent hinzu. Die Kaskade landet bei etwa 0,11 US-Dollar pro Anruf bzw. rund 1.100 US-Dollar für zehntausend Anrufe. Mit Flash statt Plus sinkt der Syntheseposten in Peking auf rund 0,069 US-Dollar und die Gesamtsumme auf etwa 0,08 US-Dollar.

Die Kaskade kostet also ungefähr ein Viertel von Prisms Preis, und die Lücke beträgt 2.900 bis 3.200 US-Dollar pro zehntausend Aufrufe. Das sind Listenpreise, und die Annahmen stammen von uns, nicht von Rime; worauf es ankommt, ist die Form der Lücke, nicht die dritte Nachkommastelle.

Die Mitte dieser Kaskade ist zugleich die einzige Komponente, die Sie verschieben können, ohne die beiden anderen anzutasten. OrcaRouter leitet Textmodelle hinter einer einzigen API weiter — über 200 Modelle, Listenpreis des Anbieters zu 0 % Aufschlag durchgereicht, und automatisches Failover, wenn ein Anbieter mitten im Gespräch beeinträchtigt wird — sodass der Reasoning-Schritt zwischen Aufrufen auf ein günstigeres oder stärkeres Modell umgelenkt werden kann. Prism's Text-Checkpoint ist aus demselben Grund gewöhnlicher Text: Was auch immer ihn konsumiert – von Tool-Calling über die Zusammenfassung nach dem Gespräch bis zur QA-Bewertung – kann an einem gerouteten Endpoint sitzen und unabhängig von der darunterliegenden Sprachschicht bleiben.

Wo die Kaskade immer noch gewinnt

Mehrsprachige Contact-Center zum Beispiel. Prism ist zum Marktstart ausschließlich auf Englisch verfügbar, mit einem eingeschränkten Stimmenset. Qwen-Audio-3.0-TTS deckt 16 Sprachen und 20 chinesische Dialekte ab — und sein Nachfolger ergänzt sprachübergreifende Timbre-Übertragung zwischen Mandarin, Kantonesisch, Englisch und Japanisch. Wenn ein relevanter Anteil Ihrer Anrufer kein Englisch spricht, ist dieser Vergleich bereits auf dem Datenblatt entschieden.

Die One-Shot-Generierung ist der zweite Fall. IVR-Ansagen, ausgehende Benachrichtigungen, Hörbuchkapitel, Spieldialoge: Bei keinem davon antwortet ein Anrufer, es gibt also nichts, was ein Speech-to-Speech-Modell hören könnte. 0,080 $ pro Minute für ein Modell zu zahlen, das zuhören kann, wenn niemand spricht, heißt, für eine ungenutzte Hälfte zu zahlen.

Das Volumen ist der dritte Punkt. Zu einem Viertel der Kosten pro Aufruf lässt eine Kaskade Budget für die Teile, die einen Agenten tatsächlich differenzieren – besseres Retrieval, ein stärkeres Reasoning-Modell, Routing für menschliche Eskalation.

Wo Prism noch gewinnt

Regulierte eingehende Telefonie ist genau der Fall, für den Prism entwickelt wurde. Eine Bank, die belegen können muss, was ihr Agent gerade sagen wollte, und das blockieren muss, bevor ein Kunde es hört, kann das mit einem fusionierten Echtzeitmodell nicht leisten und mit einer Kaskade, deren Textstufe ein separater Dienst mit eigener Latenz und eigenem Ausfallmodus ist, nur annähernd erreichen. Prism platziert den Kontrollpunkt im Modell selbst und hört durch ihn hindurch weiter zu.

Auch bei der Kennzahl, die darüber entscheidet, ob sich ein Anruf menschlich anfühlt, liegt es vorn: bei der Totenstille. Eine Kaskade, die auf dem Papier schnell ist, summiert trotzdem Endpointing, Modell-Zeit-bis-zum-ersten-Token und Synthese-Zeit-bis-zum-ersten-Paket – und eine Kaskade, die Ende-zu-Ende unter einer Sekunde bleibt, schlägt sich gut. Prism misst 0,57 Sekunden vom Ende des Gesprächsbeitrags des Anrufers bis zum ersten Audio der Antwort, in einem einzigen Hop.

Und bei der Bereitstellung punktet es bei den Käufern, die eine chinesische Cloud-Region überhaupt nicht nutzen können – VPC, On-Premises, ein HIPAA-BAA, SOC 2 Type II und Fine-Tuning auf den eigenen Gesprächsaufzeichnungen statt auf einer gemeinsam genutzten Basis.

Die Zahl, die Ihnen keine der beiden Seiten nennen kann

Keines der beiden Modelle hat die Zahl, die ein Beschaffungsteam am liebsten hätte: einen unabhängigen direkten Vergleich auf demselben Benchmark.

Prism ist nicht im Speech-to-Speech-Index von Artificial Analysis aufgeführt. Sein τ-Voice-Wert von 56,6 % ist ein vom Anbieter selbst erhobenes Ergebnis, und die Tabelle, die Rime daneben veröffentlicht, ist es wert, genau gelesen zu werden: GPT-Live-1 (Sol, low) ist bei 59,3 % eingezeichnet, höher als Prism, während der umgebende Text behauptet, Prism sei „vor jedem Echtzeitmodell von OpenAI und Google“. Launch-Beiträge zitieren außerdem „unter 300 ms“ und „4× schneller als GPT-Live“, Zahlen, die in der Benchmark-Tabelle nicht auftauchen, die 0,57 s angibt. Unterschiedliche Messungen könnten den Unterschied erklären; die Seite tut das nicht.

Qwens Wert ist der stärkere, denn 1.269 Elo stammen aus blinden Hörerabstimmungen und nicht von Alibaba. Er ist auch nicht mehr der beste Wert in seiner eigenen Familie: Qwen-Audio-3.1-TTS-Plus liegt mit 1.305 zum Stand 29. Oktober 2026 auf dem dritten Platz, und Revisionen von Artificial Analysis haben diese Rangliste in diesem Jahr mehr als einmal verändert, daher sollten Werte aus unterschiedlichen Snapshots niemals voneinander abgezogen werden.

Die besondere Vorsicht gegenüber Rime wirkt in die entgegengesetzte Richtung. Die einzigen Rime-Stimmen, die unabhängig bewertet wurden, sind seine TTS-Modelle, und auf derselben Rangliste liegt Coda mit Elo 1.054 auf Platz 65 und Mist V2 mit 903 auf Platz 92 – die untere Hälfte von 99. Prism mag durchaus besser klingen als seine Geschwister; nichts Veröffentlichtes erlaubt einem Käufer, das vor der Unterschrift zu bestätigen.

Was zu sehen

Drei Dinge würden die Empfehlung ändern. Wenn Prism im Speech-to-Speech Index erscheinen würde, bekäme es die erste unabhängige Zahl, die es je hatte. Vollduplex-Betrieb – Prism ist zum Start halbduplex mit Barge-in – würde den Abstand zu jeder Kaskade vergrößern, die warten muss, bis der Anrufer fertig ist. Und dass die Self-Serve-Fine-Tuning-APIs die Beta verlassen, macht den Unterschied zwischen „Unternehmen können fine-tunen“ und „Sie können am Dienstag fine-tunen“ aus.

Auf der anderen Seite sollten Sie beobachten, was Alibaba bei der Preisgestaltung von Qwen-Audio-3.1-TTS nach der rund 70-prozentigen Senkung tut, die es am 22. September 2026 vorgenommen hat. Eine Kaskade, deren mittlere und letzte Übergänge beide günstiger werden, ist ein bewegliches Ziel, und Prisms Preis pro Minute ist dagegen festgeschrieben.

Für die meisten Teams lautet die ehrliche Antwort beides, nicht entweder-oder. Setzen Sie Prism vor eingehende Anrufer, deren Gespräche einen Kontrollpunkt und ein Latenzbudget von einem einzigen Hop brauchen. Setzen Sie Qwen-Audio-3.0-TTS – oder, realistischer betrachtet heutzutage, Qwen-Audio-3.1-TTS – auf den ausgehenden Pfaden ein, wo niemand zurückredet und die Abrechnung pro Zeichen erfolgt. Der Fehler besteht darin, sich für eines zu entscheiden, weil eine Benchmark-Tabelle das nahelegt, obwohl die Tabelle eine Fußnote hat und die Fußnote die meiste Arbeit leistet.