Rime Prism vs. ElevenLabs: dos modelos de voz a voz, una cifra de latencia

Con once días de diferencia, dos empresas lanzaron la misma idea y reportaron la misma cifra. Rime Prism llegó el 28 de octubre de 2026 con 0,57 segundos hasta el primer audio. Eleven Realtime v1 Max, el modelo de voz a voz de extremo a extremo de ElevenLabs, llegó el 20 de octubre de 2026 —también 0,57 segundos. La coincidencia es lo más útil de esta comparación, porque significa que la latencia no es lo que decide. Cuando dos modelos están empatados en el reloj, lo que los separa es lo que ocurre en ese medio segundo, y estos dos lo aprovechan de formas opuestas: Eleven Realtime v1 Max escucha y habla, mientras que Rime Prism escribe primero.

Esta es la comparación más reñida del lote y aquella en la que la elección realmente importa, porque ambos productos sustituyen toda la cascada en lugar de un solo componente, y ambos fijan el precio del audio en ocho centavos por minuto.

La respuesta corta

Eleven Realtime v1 Max es la mejor opción cuando la cobertura y el inventario de voces deciden el acuerdo: más de 90 idiomas y más de 17.000 voces son un catálogo que ningún competidor de este par puede igualar, y el socket es compatible a nivel de protocolo con la API Realtime de OpenAI, lo que significa que una migración es un cambio de endpoint en lugar de una reescritura.

Rime Prism es la mejor opción cuando lo que dice el agente debe poder inspeccionarse antes de pronunciarse. Es el único modelo de este par que entrega a la aplicación una cadena de texto a mitad del turno con la opción de reescribirla o bloquearla, y el único que ofrece despliegue on-prem o en VPC.

Ambos tienen un precio de $0.080 por minuto de audio, y esa aparente paridad oculta una diferencia real: ElevenLabs cobra $0.080 por minuto de audio conectado más tokens del modelo, mientras que Rime cobra $0.080 por minuto y no cobra tokens. En un agente con muchas llamadas, eso no es una diferencia de redondeo.

Lo que cada empresa anunció realmente

ElevenLabs lanzó una familia, no un modelo. Eleven Realtime v1 Max es la variante para tareas complejas: soporte, cualificación de leads, cualquier cosa con uso de herramientas. Eleven Realtime v1 Mini es la variante conversacional para asistentes, tutores y personajes. Ambas son redes integrales de extremo a extremo que integran reconocimiento, toma de turnos, razonamiento y generación de voz en un único sistema en lugar de tres etapas ensambladas. El argumento que ElevenLabs esgrime para hacerlo es la costura: silencio muerto tras una pausa, hablar por encima de una interrupción, una transcripción que no concuerda con la voz. Son artefactos de cascada, y la solución propuesta es afinar las cuatro etapas en conjunto.

La ruta de acceso es deliberadamente aburrida, lo cual es un cumplido. Eleven Realtime se ejecuta dentro de ElevenAgents mediante un menú desplegable, o mediante una Realtime API en wss://api.elevenlabs.io/v1/convai/realtime que es compatible a nivel de conexión con el protocolo Realtime de OpenAI: cambia el endpoint y el nombre del modelo, y un SDK de OpenAI existente funciona sin cambios. En el lanzamiento, solo es WebSocket; todavía no hay una ruta WebRTC.

El anuncio de Rime tiene una forma distinta. Un único modelo, Prism, posicionado para centros de contacto empresariales, cuya propuesta diferenciadora es el checkpoint de texto en lugar de una familia de variantes. Hay un nivel gratuito con 50 $ de crédito, Flex a 0,080 $/min, Scale a 0,064 $/min, y un nivel Enterprise que añade VPC y on-prem, además de ajuste fino sobre grabaciones de llamadas de clientes y voces personalizadas. Tampoco incluye WebRTC, pero sí streaming, integraciones con LiveKit y Pipecat, telefonía a 8 kHz y SOC 2 con declaraciones de cumplimiento HIPAA.

Un detalle que vale la pena señalar para cualquiera que planee un despliegue: ElevenLabs describe Eleven Realtime como un despliegue gradual, y los identificadores de modelo existen en su registro de cambios desde principios de agosto. La fecha del 20 de octubre es la del anuncio. Si tu cuenta no muestra el modelo en el menú desplegable de ElevenAgents, se trata de un lanzamiento por etapas, no de una mala configuración.

El punto de control es la verdadera diferencia

Ambos modelos son de extremo a extremo. Solo uno de ellos deja un artefacto de texto sobre el que puedes actuar antes de que la persona que llama oiga algo.

Eleven Realtime v1 Max va de audio de entrada a audio de salida. Al otro lado de la llamada hay una transcripción, y aguas arriba de esta hay un system prompt, pero no hay ningún punto en el turno en el que tu aplicación tenga la siguiente frase del agente como una cadena y decida si enviarla. Eso no es una crítica: es la arquitectura que eligió ElevenLabs, y es la arquitectura que produce la naturalidad que la empresa vende. Integrar cuatro etapas en una sola red es justo lo que elimina el punto de unión que se puede inspeccionar.

Prism mantiene la costura. Rime afirma que el modelo redacta su respuesta como texto, que la aplicación puede reescribir, bloquear, etiquetar o corregir la pronunciación en ese texto, y que el audio viene después. Las llamadas a herramientas se ejecutan en paralelo con el habla, no antes de ella. La afirmación de que esto no es una cascada se apoya en que el razonamiento se produce durante el audio —el tono, las vacilaciones y el ruido de fondo influyen en la respuesta— y en que el texto es un punto de paso de salida y no una entrada.

Para un equipo de cumplimiento, esa diferencia es toda la adquisición. «El agente no puede decir X» es exigible en Prism a nivel de frase y en Eleven Realtime solo a nivel del prompt, es decir, de forma probabilística. Para un equipo de producto que construye un personaje o un tutor, ocurre lo contrario: el checkpoint es una carga adicional, y la naturalidad que aporta una única red ajustada es el producto.

Dos números de 0,57 segundos que no son la misma medición

La paridad es real, pero los instrumentos difieren, y la diferencia importa si planeas citar cualquiera de las dos cifras.

Los 0,57 segundos de Eleven Realtime v1 Max son una medición de Artificial Analysis: la realizó un tercero, con el mismo cronómetro utilizado para sus otras entradas de voz a voz, y la publicó. Eleven Realtime v1 Mini se sitúa en 0,62 segundos con el mismo instrumento.

Los 0,57 segundos de Prism son una cifra del propio Rime, producida con el harness τ-Voice que Artificial Analysis también utiliza, pero ejecutado por Rime. Prism no tenía ninguna entrada pública en la tabla de clasificación en el momento de su lanzamiento. Así que una cifra cuenta con un árbitro y la otra no, aunque ambas son el mismo valor hasta dos decimales. Presentarlas una al lado de la otra como un empate es defendible; presentarlas como evidencia equivalente no lo es.

Las demás puntuaciones divergen marcadamente, y de nuevo en instrumentos distintos. Eleven Realtime v1 Max obtiene 98,8% en Big Bench Audio frente a 75,9 a 76% de Mini, un éxito en tareas de 87,1% frente a 60,3%, un Full-Duplex-Bench de 94,1 frente a 95,8%, y un Elo de Arena de alrededor de 997 a 998 frente a 988. Además, no tiene puntuación en el Speech-to-Speech Index y no cuenta con ninguna puntuación agéntica τ-Voice, por lo que no hay ningún número publicado que sitúe a Eleven Realtime v1 Max y Prism en el mismo eje. Cualquiera que compare el 56,6 de Prism con el 98,8 de ElevenLabs está comparando un benchmark de finalización de tareas con un benchmark de calidad de audio y obteniendo una brecha sin sentido de 42 puntos.

La diferencia de precio está en la línea del token.

A primera vista, ambos productos cuestan ocho centavos por minuto. Lea las tarifas y no es así.

• ElevenLabs — $0.080 por minuto de audio conectado, más tokens del modelo. Eleven Realtime v1 Mini cuesta $0.20 de entrada y $6.00 de salida por millón de tokens; v1 Max cuesta $1.80 de entrada y $9.00 de salida. El excedente por ráfagas duplica la tarifa de audio a $0.16/min. Dentro de ElevenAgents, la tarifa estándar es $0.08/min más tokens de LLM.

• Rime — $0.080 por minuto de audio de Prism en Flex, $0.064 en Scale, sin cargo adicional por tokens. El nivel gratuito incluye $50 de crédito de uso en Prism, Mist v3, Coda v2 y Rime STT.

Cuánto te cuesta la línea de tokens depende enteramente de cuánto piensa el agente. Una llamada de soporte de cinco minutos en la que el agente realiza ocho turnos y cada turno razona sobre unos pocos miles de tokens no sale gratis a $1.80 por millón de entrada y $9.00 por millón de salida en Max: es un segundo medidor que funciona junto al primero. Para un asistente breve y cargado de confirmaciones en Mini, la línea de tokens es ruido. Para una implementación de Max que hace orquestación real de herramientas, puede rivalizar con el cargo de audio.

El minuto plano de Rime tiene su propia trampa, y es la opuesta. Prism factura el audio de la llamada en lugar del habla del agente, así que una llamada con un cliente locuaz cuesta lo mismo que una en la que el agente no deja de hablar. Si tus llamadas se inclinan hacia turnos breves del agente y turnos largos del cliente, la tarifa por minuto de Prism es la más cara de las dos por un margen que no tiene nada que ver con los modelos.

Modela ambos medidores con tu propia distribución de llamadas antes de comprometerte. Ninguno de los dos proveedores publica una calculadora, y la cifra promocionada de ocho centavos realmente no es la que te cobrará ninguno de ellos.

Cobertura, voces y la cuestión del despliegue

ElevenLabs gana en cobertura de forma tan decisiva que vale la pena decirlo claramente en lugar de enterrarlo: más de 90 idiomas y más de 17.000 voces. Rime no publica en absoluto el número de idiomas ni el inventario de voces de Prism, aunque sus productos independientes de texto a voz sí publican los suyos, y esas cifras no pueden extrapolarse a Prism.

Esa asimetría decide por sí sola una gran parte de los despliegues reales. Un minorista europeo que se lanza en nueve mercados no necesita leer el resto de este artículo.

El despliegue es donde la balanza vuelve a inclinarse. Rime ofrece, en Enterprise, VPC y on-premise junto con la nube, además de una opción de endpoint en coubicación para sus modelos TTS. Eleven Realtime, en su lanzamiento, es un servicio WebSocket alojado. El argumento de Rime —que las API en tiempo real de vanguardia son solo en la nube, mientras que Prism permite controlar dónde reside el audio— es un verdadero diferenciador para el ámbito sanitario, los servicios financieros y cualquier comprador con una cláusula de residencia de datos en el contrato. Rime afirma que Prism cumple con SOC 2 y HIPAA; ElevenLabs vende acuerdos empresariales con DPA y BAA bajo sus propias condiciones. Ambos pueden ajustarse para satisfacer una revisión de cumplimiento, y solo uno de ellos puede ajustarse para satisfacer el requisito de que «el audio nunca salga de nuestro edificio».

El fine-tuning es la otra asimetría, y apunta en la misma dirección. Rime dice que Prism se puede ajustar con grabaciones de llamadas del propio cliente, con API de RL y SFT de autoservicio en beta. La superficie de ajuste de ElevenLabs es a nivel de voz —clonación, flujos de trabajo de voz profesional, ajustes de estilo y estabilidad— en lugar de un modelo personalizado de acústica y razonamiento entrenado con tus llamadas. Si el objetivo es «sonar como nuestra marca», eso es un problema resuelto en el lado de ElevenLabs. Si el objetivo es «mejorar en nuestro flujo de pedidos específico», solo uno de estos ofrece eso.

Dónde encaja OrcaRouter y dónde no

Ni Prism ni Eleven Realtime están en nuestro catálogo. Prism se vende directamente por Rime; los modelos Eleven Realtime se venden directamente por ElevenLabs y a través de varias plataformas de terceros. Si eliges cualquiera de los dos, estarás comprando al proveedor, y este artículo no va a pretender lo contrario.

La razón por la que OrcaRouter sigue teniendo cabida en esta decisión es que los modelos de voz de extremo a extremo no eliminan todos los modelos de tu pila. Ambos productos siguen necesitando una capa de políticas, un paso de recuperación, un clasificador y una ruta de escalamiento, y esas son llamadas a modelos ordinarias. Una sola clave cubre más de 200 modelos con un 0 % de recargo sobre el precio de lista del proveedor, así que un modelo de salvaguarda barato y un modelo de escalamiento caro viven detrás de un único endpoint con conmutación por error automática — que es la parte que importa en una llamada en vivo, donde un proveedor estancado es indistinguible de una línea caída. El DSL de enrutamiento es la forma de expresar «mantén la confirmación local y barata, escala la búsqueda», y esa regla vale la pena escribirla una vez en la puerta de enlace en lugar de tres veces en el agente.

Si lo que realmente quieres es una cascada con síntesis alojada, openai/tts-1-hd y google/gemini-3.1-flash-tts-preview están en la misma clave a precio de lista. Herramientas distintas, misma factura.

Cómo decidir en diez minutos

Tres preguntas, en orden, y detente en la primera a la que respondas que sí.

¿Necesita operar en más de unos cuantos idiomas, o necesita una voz específica de un inventario muy grande? Eleven Realtime v1 Max o v1 Mini. El catálogo es el producto, y Prism no publica uno comparable.

¿Algo de lo que dice su agente tiene que aprobarse antes de que lo escuche la persona que llama, o el audio tiene que permanecer dentro de su red? Rime Prism. El checkpoint y el nivel on-prem son las dos cosas que ElevenLabs no ofrece aquí, y no son funciones que se puedan añadir después.

¿Si ninguno de esos dos factores supone una restricción y el coste es el factor decisivo? Entonces pasa ambos medidores por tus propios datos de llamadas, porque el titular de ocho centavos coincide y la línea de tokens no. Un asistente de turnos cortos y razonamiento bajo en Mini superará a Prism en precio. Un despliegue Max con uso intensivo de herramientas probablemente no.

Lo que hay que observar a continuación es el único número que lo resolvería. Eleven Realtime v1 Max no tiene una puntuación τ-Voice, y Prism no tiene una independiente. Si cualquiera de los dos modelos aparece en una tabla de clasificación pública medida por alguien distinto de su proveedor, esta comparación se vuelve mucho más corta. Hasta entonces, los dos están empatados en 0,57 segundos con dos cronómetros distintos, y el resto es arquitectura.

Una última línea sobre las cifras anteriores: las puntuaciones de Eleven Realtime son datos de Artificial Analysis, las tarjetas de precios son de los propios proveedores, y el 56.6 de Prism es de Rime. Ningún instrumento de este artículo sitúa ambos modelos en un mismo eje, por lo que el artículo se organiza en torno a la arquitectura y la cobertura en lugar de en torno a un marcador.