Rime Prism vs Inworld Realtime TTS 2: 200 locales frente a un único checkpoint

Aquí hay un dato que debería acabar con la mayoría de las versiones de esta comparación antes de que alguien abra un benchmark: Inworld Realtime TTS 2 publica cobertura en más de 200 locales y ofrece 282 voces integradas, mientras que Rime Prism no publica ningún recuento de idiomas ni de voces. Si estás implementando un agente de voz en una docena de mercados, eso no es un compromiso que sopesar, sino un filtro que elimina una opción. La comparación solo sigue siendo interesante para el comprador que opera en un único mercado y está regulado, porque Rime Prism es el único modelo de este par que permite que una aplicación lea y bloquee una frase antes de que el interlocutor la escuche. Inworld Realtime TTS 2 es un modelo de texto a voz con una historia de tiempo real muy buena asociada, y no tiene un punto de control equivalente, porque cuando recibe texto la decisión ya se ha tomado.

Los nombres también son engañosos de un modo que ya ha dado lugar a malos consejos. "Inworld Realtime TTS 2" no es un modelo de voz a voz. Rime Prism sí lo es. Esa distinción subyace en cada cifra a continuación y merece la pena decirla antes de que empiecen las cifras.

Uno de estos no es un agente.

Inworld Realtime TTS 2 es texto de entrada y audio de salida. El comportamiento dúplex —oír a la persona que llama mientras se habla, gestionar interrupciones— proviene de la Realtime API separada de Inworld, que habla el protocolo OpenAI Realtime y anuncia una latencia de interrupción de aproximadamente 100 ms. Ese es un segundo producto con una segunda integración, no una propiedad del propio modelo TTS. Cualquiera que lea «Realtime» en el nombre del modelo y asuma voz a voz de extremo a extremo ha malinterpretado el catálogo.

Prism es una forma completamente distinta. Entrada de audio, salida de audio, en un único sistema, con un punto intermedio de texto y llamadas a herramientas que se ejecutan junto al habla en lugar de antes que ella. Se cobra por minuto de audio de llamada exactamente por esa razón: estás comprando la llamada, no el texto.

Así que el planteamiento honesto de esta comparación es: Inworld Realtime TTS 2 es el eslabón de síntesis de referencia en su clase para una cascada que tú ensamblas, y Prism es un reemplazo de la cascada. Puedes preferir Inworld y aun así construir un agente con forma de Prism, solo que en más piezas. No puedes preferir Prism y obtener la cobertura de idiomas de Inworld, porque no está publicada.

Las cifras de cobertura y lo que valen

La lista de Inworld es inusualmente específica, lo que en sí mismo resulta informativo:

• Localizaciones — más de 200, divididas en 15 con calidad de Nivel 1 y 79 en Nivel 2.

• Voces — 282 integradas, con 20 ajustes preestablecidos seleccionados.

• Clonación — zero-shot de 5 a 15 segundos de audio; Professional Voice Cloning en vista previa y solo en el producto insignia.

• Continuidad — una identidad de voz única y coherente mantenida entre idiomas, que es la característica que hace que el lanzamiento de una marca en varios mercados parezca deliberado en lugar de traducido.

• Audio — salida MP3, WAV, OGG, FLAC y PCM, de 8 kHz a 48 kHz, 24 kHz por defecto.

• Capacidad de procesamiento — 2.000 caracteres por solicitud, transmisión por WebSocket con 20 conexiones simultáneas y 5 contextos.

• Latencia: tiempo hasta el primer byte P99 del lado del servidor inferior a 100 ms para TTS-2; la variante Flash, lanzada el 31 de agosto de 2026, afirma menos de 25 ms, con mediciones de terceros cercanas a 25 ms.

La división entre Nivel 1 y Nivel 2 es la parte que merece atención, más que el titular de los más de 200. Quince configuraciones regionales con calidad insignia de 200 admitidas es una revelación genuinamente honesta, y te dice dónde está realmente terminado el producto. Si tus mercados son inglés, español, portugués, alemán, francés y japonés, probablemente estés en el Nivel 1 y el titular sea real. Si son los otros 185, estás en la parte del catálogo que existe pero que no ha sido curada.

Compáralo con Prism, donde la ausencia de una lista publicada no es prueba de una cobertura deficiente —Rime publica recuentos de idiomas y voces para sus productos independientes de texto a voz, pero no para Prism—; aun así, es prueba de que no puedes planificar en función de ella. Para un despliegue en un único mercado en el idioma para el que Rime desarrolla, esa ausencia no te cuesta nada. Para cualquier cosa de mayor alcance, lo es todo.

La pregunta sobre el dúplex que nadie hace

"Realtime TTS" y "speech-to-speech" suenan como la misma promesa, pero no se comportan en absoluto igual ante una interrupción.

En una cascada construida sobre Inworld Realtime TTS 2, la gestión de interrupciones es un problema de coordinación entre tres servicios. El reconocedor debe detectar que quien llama ha empezado a hablar, el orquestador debe cancelar el turno del modelo de lenguaje y el sintetizador debe detenerse a mitad del flujo y vaciar su búfer. La API Realtime de Inworld resuelve bien la mitad correspondiente al sintetizador —unos 100 ms para interrumpir—, pero las otras dos mitades son responsabilidad tuya, y el fallo se oye: el agente sigue hablando un instante después de que quien llama haya empezado, y luego reinicia una frase desde el lugar equivocado.

Prism gestiona esto dentro de un único modelo, y Rime menciona el manejo de interrupciones como un punto de conversación para socios de diseño. Eso no es un benchmark que puedas consultar; es una clase de error que dejas de tener. Para una línea de soporte en la que quienes llaman hablan encima del agente constantemente, vale más que unos cuantos puntos de Elo.

El contraargumento es que una cascada bien construida con una ruta de cancelación agresiva es genuinamente buena en esto, y el código de coordinación es algo conocido que muchos equipos ya han escrito. El manejo de interrupciones es difícil, no imposible, y la diferencia entre las dos arquitecturas se reduce con esfuerzo de ingeniería. Lo que no se reduce es el número de servicios por los que te despiertan a las 3 a.m.

Precio: cuatro centavos frente a cuatro centavos, más o menos

Los precios de Inworld por carácter, los precios de Prism por minuto de audio de llamada y la conversión entre ambos son el punto donde las comparaciones honestas fallan.

• Inworld Realtime TTS 2: $25 por millón de caracteres bajo demanda, $12,50 en Growth y hasta alrededor de $5 en volumen empresarial. TTS-2 Flash cuesta $15, $7 y menos de $5 en los mismos niveles. Con aproximadamente 1.000 caracteres por minuto de habla, la tarifa bajo demanda es de aproximadamente $0,025 por minuto de audio generado.

• Rime Prism — 0,080 $ por minuto de audio de llamadas en Flex, 0,064 $ en Scale, 50 $ de crédito gratis en el nivel gratuito, personalizado en Enterprise.

Un minuto de habla del agente cuesta alrededor de 2,5 centavos con Inworld y 8 centavos con Prism. Ese es el número que muestran las tablas comparativas, y resulta engañoso por dos razones.

Lo primero es que los centavos de Inworld compran un salto. Una cascada añade reconocimiento —normalmente de medio centavo a un centavo por minuto— y un turno de modelo de lenguaje, que en volúmenes conversacionales se sitúa en la franja baja de un solo dígito. Si sumas los tres, te acercas a entre seis y nueve centavos por minuto hablado por el agente, lo que enmarca los ocho de Prism. La diferencia en la tabla es un artefacto de comparar un componente con un sistema.

Lo segundo es que el minuto de Prism no es un minuto de habla del agente. Factura el audio de la llamada, así que una persona que habla durante cuatro minutos y escucha al agente durante uno le cuesta a Prism el equivalente a cinco minutos. El precio de Cascade escala con lo que dice el agente; el de Prism escala con la duración de la llamada. En una cola de soporte con turnos largos de los clientes, eso supone un sobrecoste real. En un flujo de reservas en el que el agente es quien habla casi todo el tiempo, la diferencia es prácticamente nula.

La estructura de planes de Inworld añade una restricción práctica que conviene verificar: un plan Creator a 25 USD al mes, 25 USD por millón de caracteres bajo demanda, 12,50 USD en Growth, y Enterprise personalizado. La concurrencia es de 20 conexiones WebSocket en la ruta de streaming, lo que para una cola de tamaño mediano es adecuado y para una grande es el límite determinante.

Control: uno tiene un lugar donde pararse, el otro no.

Aquí es donde Prism justifica su precio superior, y se trata de una diferencia estructural, no de una falta de funciones.

Inworld Realtime TTS 2 es genuinamente sofisticado en cuanto al contexto. Lee los turnos anteriores como entrada de audio, acepta indicaciones de voz de formato libre en lenguaje sencillo, admite etiquetas en línea y un modo de deletreo por carácter para números de pedido, códigos y direcciones. Ese modo de deletreo es lo más parecido en esta comparativa a un control previo al habla, y es bueno: un sintetizador que puede decir «cuatro-siete-dos» en lugar de «cuatrocientos setenta y dos» resuelve una clase real de fallo en las llamadas de soporte.

Pero actúa sobre texto que ya has confirmado. No hay ningún momento del turno en el que Inworld le diga a tu aplicación «esto es lo que estoy a punto de decir» y espere. El modo de deletreo corrige la pronunciación, no el contenido.

Prism te lo dice en cada turno. La afirmación de Rime es que el texto es un punto de control en lugar de una etapa intermedia: una salvaguarda puede inspeccionar cada palabra antes de que se pronuncie, una capa de políticas puede reescribir una frase rechazada y el modelo pronuncia el reemplazo, una afirmación prohibida puede bloquearse por completo mientras la llamada continúa. Que el razonamiento del modelo sea genuinamente nativo de audio es una afirmación que merece ponerse a prueba; que el texto llegue antes que el audio es un hecho de diseño.

Para un despliegue regulado en un único mercado, ese hecho es la razón para pagar ocho centavos en lugar de montar una cascada más barata. Para todo lo demás, es una característica que estás comprando y que puede que no necesites.

Lo que realmente dicen las afirmaciones de la tabla de clasificación

Inworld promociona Realtime TTS 2 como número uno en la Artificial Analysis Speech Arena. Los listados independientes de la arena lo sitúan en un Elo de aproximadamente 1.245, en tercer puesto en la tabla actual, con TTS-2 Flash en torno a 1.210 y sexto. Un puesto entre los tres primeros en una arena pública es un excelente resultado y una afirmación más útil que la del marketing; la discrepancia es una declaración de posicionamiento que choca con una tabla en vivo que cambia a medida que llegan los votantes.

No hay equivalente para Prism. Su 56,6 en τ-Voice es una puntuación de finalización de tareas agénticas que Rime ejecutó por su cuenta, en un arnés que Artificial Analysis también utiliza, sin una entrada publicada en la tabla de clasificación en el lanzamiento. Las dos cifras miden cosas distintas —cómo suena una voz para evaluadores humanos frente a con qué frecuencia un agente completa una tarea de servicio simulada— y no hay ninguna operación aritmética que convierta una en la otra.

Esa asimetría es, de nuevo, la comparación en miniatura. Inworld tiene una puntuación de calidad de voz con un árbitro. Prism tiene una puntuación de capacidad del agente sin árbitro. Ninguna de las dos empresas ha publicado una comparación directa, y ninguno de los dos modelos se ha ejecutado nunca en la misma tarea por el mismo laboratorio.

Si construyes la cascada, nosotros enrutamos el medio.

Inworld Realtime TTS 2 se vende directamente a través de Inworld y mediante varias plataformas de terceros. Rime Prism se vende directamente a través de Rime. Ninguno de los dos figura en el catálogo de OrcaRouter actualmente, y este texto no afirma lo contrario.

La arquitectura en cascada a la que pertenece el modelo de Inworld todavía necesita un modelo de lenguaje en el centro, y ese centro es donde realmente se deciden la calidad y el costo. OrcaRouter coloca más de 200 modelos detrás de una sola clave con 0% de recargo sobre el precio de lista del proveedor, con conmutación automática por fallo cuando un proveedor se degrada y un DSL de enrutamiento para enviar distintos turnos a distintos modelos — barato para la confirmación, potente para la consulta, todo mediante un único endpoint. Para un agente de voz, esa es la unidad útil: un solo lugar para cambiar el modelo sin tocar la ruta de llamada.

También enrutamos la síntesis, si la quieres con la misma clave en lugar de un segundo contrato: openai/tts-1-hd y google/gemini-3.1-flash-tts-preview están disponibles ambos a precio de lista. Ninguno de los dos es Inworld Realtime TTS 2. Ambos son el último salto de una cascada que puedes montar hoy.

Dos preguntas, y la que lo decide

Pregunta uno: ¿cuántos idiomas? Si la respuesta es más de un puñado, Inworld Realtime TTS 2, y la comparación termina. Doscientos locales con una lista publicada de Nivel 1 de quince superan a una lista no publicada sin cifras adjuntas, y no se puede ejecutar un proceso de adquisición contra un campo en blanco.

Pregunta dos: ¿alguien necesita aprobar la frase antes de que se pronuncie? Si la respuesta es sí, Prism. No porque sea mejor en el habla —no hay pruebas en ningún sentido—, sino porque es el único modelo aquí que produce la frase como un artefacto que tu aplicación puede retener. Ese es todo el producto, y cuesta unos ocho centavos por minuto de llamada.

Si ninguna de las dos convence, la respuesta honesta es que deberías construir la cascada más económica en torno al sintetizador de Inworld y gastar el ahorro en la gestión de interrupciones, porque esa es la parte de la experiencia que quien llama realmente nota. Dos centavos y medio por minuto por el salto de síntesis es una oferta sólida de un modelo clasificado en segundo lugar en una arena pública, y el checkpoint que estás rechazando es uno que acabas de decirnos que no necesitas.

Una nota sobre las cifras antes de que alguien las cite: las cifras de cobertura, latencia y precio de Inworld son de Inworld; el Elo de arena es de Artificial Analysis, y no concuerda con el posicionamiento de Inworld como número uno. El 56,6 de Prism es de Rime, sin reproducir. Ninguna parte independiente ha medido a ninguno de los dos modelos realizando la tarea del otro, que es la única brecha que ninguna de las dos empresas ha cerrado.