Rime Prism frente a Qwen-Audio-3.0-TTS: un motor de conversación contra una capa de voz

Rime Prism cobra $0.080 por minuto. Una llamada de soporte de cinco minutos en él cuesta $0.40, y esos $0.40 compran la escucha, el razonamiento, la alternancia de turnos y el habla en un solo modelo. Qwen-Audio-3.0-TTS cobra $19.30 por millón de caracteres, lo que para la misma llamada supone aproximadamente $0.10 — solo por el habla. Si se ponen esos números uno al lado del otro, la comparación parece decidida a favor de Qwen. No está decidida, porque los dos modelos no compiten por el mismo lugar en una pila, y la diferencia de $0.30 es principalmente el precio de eliminar dos traspasos del camino entre la frase de una persona que llama y una respuesta.

Rime lanzó Prism el 28 de octubre de 2026, el día antes de que se escribiera esta página. Es un modelo de voz a voz, no de texto a voz: escucha audio, elabora una respuesta, escribe esa respuesta como texto que una aplicación puede inspeccionar y luego habla, mientras sigue escuchando. Alibaba anunció Qwen-Audio-3.0-TTS en WAIC el 20 de julio de 2026, en un nivel Plus para la calidad y un nivel Flash para el tiempo real. Ese modelo toma texto y devuelve audio, punto. Alibaba lo reemplazó con Qwen-Audio-3.1-TTS el 23 de septiembre de 2026, así que el 3.0 de este titular ya es la generación anterior de su propia familia: un detalle que reaparece más adelante y cambia lo que deberías comprar realmente.

La pregunta útil no es cuál suena mejor, sino cuál le pones delante de una persona que llama y qué aspecto tiene que tener el resto del diagrama si lo haces.

Dos productos, un solo espacio en el diagrama

Un agente de voz convencional es una cascada: el reconocimiento de voz convierte el audio de quien llama en texto, un modelo de lenguaje decide qué decir y la conversión de texto a voz transforma esa respuesta de nuevo en audio. Cada salto es un punto en el que se puede perder el acento de quien llama, en el que se puede omitir una muletilla, en el que se pueden añadir 200 milisegundos.

El argumento de Rime es que la cascada desecha algo que no puede recuperar. En una cascada, el modelo de lenguaje nunca escucha cómo la persona que llama dijo lo que dijo — el suspiro, la entonación ascendente al final de una pregunta, la pausa antes de un número de tarjeta de crédito — porque lo único que recibe es una transcripción. Prism mantiene intacta la señal acústica durante todo el proceso de decisión y luego emite texto como punto de control en lugar de como formato intermedio.

Esa es una diferencia arquitectónica real y constituye toda la base del producto. También significa que Prism no es un sustituto directo de un motor TTS. Si lo colocas en la última ranura de una cascada, habrás comprado un costoso sintetizador de voz que primero necesita oír a la persona que llama. Si colocas Qwen-Audio-3.0-TTS en la ranura de Prism, tendrás un modelo que no puede oír absolutamente nada.

Qué vende realmente Rime Prism

Prism es el primer modelo que Rime ha lanzado que elimina las etapas de STT y LLM en lugar de optimizar una de ellas. La capa de texto es la funcionalidad que importa a los compradores empresariales: una verificación de políticas, un filtro de PII o un supervisor humano pueden leer las palabras exactas que están a punto de pronunciarse y, como el modelo sigue escuchando mientras se ejecuta la verificación, la pausa no tiene que ser audible. Las llamadas a herramientas se ejecutan en paralelo con el habla, en lugar de antes de esta, lo que es una forma distinta de ocultar la latencia de una consulta a la base de datos que la habitual pausa de «déjame comprobar eso por ti».

Las cifras publicadas, todas ellas de Rime: 0,57 segundos hasta el primer audio en el benchmark τ-Voice, 56,6% de finalización de tareas en ese benchmark y 82,5% en su subconjunto de telecomunicaciones. Una prueba de Revmo sobre unas diez horas de llamadas reales de pedidos se cita con un 100% de confirmaciones de pedidos frente al 68% de un modelo de OpenAI no identificado, y con un 85% de llamadas sin alucinaciones frente al 35%. Esas cifras de la prueba provienen de un estudio de caso de un cliente que Rime encargó; la metodología no se ha publicado y nadie la ha reproducido.

El precio se calcula por minuto de audio de llamada y es el mismo modelo en todos los niveles: $0.080/min en Flex sin cuota mensual, $0.064/min en Scale por $100 al mes, incluidos $100 de crédito que se acumulan hasta $200, y tarifas por volumen en Enterprise. Las cuentas gratuitas reciben $50 de crédito mensual. Prism transmite mediante WebSockets y ofrece integraciones para LiveKit y Pipecat. Las API de autoservicio para ajuste fino con SFT y RL están en beta y no están disponibles de forma general; el nivel Enterprise es donde se encuentran el despliegue local y en VPC, las voces personalizadas, un BAA de HIPAA y SOC 2 Type II.

Qué vende realmente Qwen-Audio-3.0-TTS

Qwen-Audio-3.0-TTS es un sintetizador con un control inusual. Acepta etiquetas de interpretación en línea —[gasp], [laughs], [angry]— integradas en el propio texto, de modo que la emoción se asocia a un personaje y no a todo un párrafo. Cubre 16 idiomas y 20 dialectos chinos, genera hasta tres minutos en una sola solicitud a 48 kHz y incluye una biblioteca de más de 1.000 voces. El nivel Plus es el nivel de calidad; Flash está orientado a la interacción en tiempo real y la documentación de Alibaba sitúa su latencia del primer paquete por debajo de 200 milisegundos, mientras que la cobertura del lanzamiento anterior citaba aproximadamente 300.

El precio de lista es de $0.19253 por cada 10.000 caracteres en la región de Pekín y de $0.20 en Singapur, lo que equivale a entre $19,30 y $20 por millón de caracteres — la cifra que Artificial Analysis publica en su tabla de clasificación. El rendimiento está limitado a 180 solicitudes por minuto en ambas regiones. No hay pesos, ni opción de autoalojamiento, ni propuesta local: si las regiones de Alibaba son un problema para tu revisión de residencia de datos, este modelo simplemente no está disponible para ti.

El marcador

• Categoría — Rime Prism escucha audio y responde con voz; Qwen-Audio-3.0-TTS toma texto y devuelve audio.

• Lanzamiento — Prism el 28 de octubre de 2026; Qwen-Audio-3.0-TTS el 20 de julio de 2026, sustituido por Qwen-Audio-3.1-TTS el 23 de septiembre de 2026.

• Unidad de facturación — Prism $0.080 por minuto de audio de llamada en Flex, $0.064 en Scale; Qwen $19.30 por millón de caracteres en Plus, aproximadamente $13.75 a $15 por millón en Flash.

• Latencia — Prism: 0,57 s hasta el primer audio, según medición del proveedor; Qwen Flash: menos de 200 ms hasta el primer paquete, según la documentación de Alibaba.

• Puntuación independiente: Prism no tiene ninguna en el Speech-to-Speech Index de Artificial Analysis; Qwen-Audio-3.0-TTS-Plus se sitúa en 1.269 de Elo, sexto de 99 en el Text-to-Speech Arena tal como estaba el ranking el 29 de octubre de 2026.

• Idiomas — Prism solo en inglés en el lanzamiento; Qwen, 16 idiomas más 20 dialectos chinos.

• Despliegue — Prism Cloud, VPC o en las instalaciones con BAA de HIPAA y SOC 2 Tipo II en Enterprise; Qwen solo a través de Alibaba Cloud Model Studio.

La llamada de cinco minutos, con precio

Supongamos una llamada de soporte entrante de cinco minutos en la que el agente habla unos 1.000 caracteres por minuto —la propia FAQ de precios de Rime usa esa proporción para convertir entre su TTS facturado por caracteres y su Prism facturado por minutos, así que es un denominador común justo. Eso son 5.000 caracteres de habla.

En Prism, la cuenta por cinco minutos es de $0.080, o $0.40. Con la tarifa Scale, es $0.32. Diez mil llamadas de ese tipo cuestan $4,000 y $3,200 respectivamente.

En una cascada construida en torno a Qwen-Audio-3.0-TTS-Plus, los 5000 caracteres cuestan $0,0965. Súmese el reconocimiento de voz propio de Rime a $0,002 por minuto — cinco centavos por llamada — y un modelo de texto para el razonamiento. Con un precio combinado de $0,50 por millón de tokens y unos pocos miles de tokens por turno, eso añade bastante menos de un centavo. La cascada acaba cerca de $0,11 por llamada, o unos $1100 en diez mil llamadas. Flash en lugar de Plus reduce la línea de síntesis a aproximadamente $0,069 en Pekín, y el total a unos $0,08.

Así que la cascada cuesta aproximadamente una cuarta parte de lo que cuesta Prism, y la diferencia es de 2.900 a 3.200 dólares por cada diez mil llamadas. Esos son precios de lista y los supuestos son nuestros, no de Rime; lo importante es la forma de la brecha, no el tercer decimal.

La parte central de esa cascada es también el único componente que puedes mover sin tocar los otros dos. OrcaRouter enruta modelos de texto detrás de una única API — más de 200 modelos, precio de lista del proveedor trasladado sin margen (0 %), y conmutación por error automática cuando un proveedor se degrada a mitad de la conversación — de modo que el paso de razonamiento puede redirigirse a un modelo más barato o más potente entre llamadas. El checkpoint de texto de Prism es texto normal por la misma razón: cualquier cosa que lo consuma, desde la invocación de herramientas hasta el resumen posterior a la llamada o la puntuación de QA, puede residir en un endpoint enrutado y mantenerse independiente de la capa de voz subyacente.

Donde la cascada sigue ganando

Los centros de contacto multilingües, para empezar. Prism solo está disponible en inglés en su lanzamiento, con un conjunto limitado de voces. Qwen-Audio-3.0-TTS incluye 16 idiomas y 20 dialectos chinos, y su sucesor añade transferencia de timbre entre idiomas para mandarín, cantonés, inglés y japonés. Si una parte significativa de quienes llaman no habla inglés, esta comparación se queda en la ficha técnica.

La generación de una sola toma es el segundo caso. Indicaciones de IVR, notificaciones salientes, capítulos de audiolibros, diálogos de videojuegos: ninguno implica que quien llama responda, así que no hay nada que un modelo de voz a voz pueda escuchar. Pagar $0.080 por minuto por un modelo que puede escuchar cuando nadie está hablando es pagar por una mitad sin usar.

El volumen es lo tercero. A un cuarto del coste por llamada, una cascada deja presupuesto para las partes que realmente diferencian a un agente — mejor recuperación, un modelo de razonamiento más potente, el enrutamiento de escalado a humanos.

Donde Prism sigue ganando

La telefonía entrante regulada es el caso para el que se creó Prism. Un banco que debe poder mostrar lo que su agente estaba a punto de decir y bloquearlo antes de que un cliente lo escuche no puede hacerlo con un modelo en tiempo real fusionado y solo puede aproximarlo con una cascada cuya etapa de texto es un servicio separado con su propia latencia y su propio modo de fallo. Prism coloca el punto de control dentro del modelo y sigue escuchando a través de él.

También gana en la métrica que decide si una llamada se siente humana: el silencio. Una cascada que es rápida sobre el papel sigue acumulando endpointing, tiempo hasta el primer token del modelo y tiempo hasta el primer paquete de síntesis, y una cascada que queda por debajo de un segundo de extremo a extremo lo está haciendo bien. Prism mide 0,57 segundos desde el final del turno del llamante hasta el primer audio de la respuesta, en un solo salto.

Y gana en despliegue para los compradores que no pueden usar en absoluto una región de nube china — VPC, instalaciones locales, un BAA de HIPAA, SOC 2 Type II y ajuste fino con tus propias grabaciones de llamadas en lugar de una base compartida.

El número que ninguna de las dos partes puede darte

Ninguno de los dos modelos tiene la cifra que un equipo de adquisiciones más le gustaría tener: una comparación directa e independiente sobre el mismo benchmark.

Prism no aparece en el Speech-to-Speech Index de Artificial Analysis. Su cifra de 56,6 % en τ-Voice es un resultado ejecutado por el proveedor, y la tabla que Rime publica junto a ella merece leerse con cuidado: GPT-Live-1 (Sol, low) se representa en 59,3 %, por encima de Prism, mientras que el texto circundante afirma que Prism está "por delante de todos los modelos en tiempo real de OpenAI y Google". Las publicaciones de lanzamiento también citan "menos de 300 ms" y "4 veces más rápido que GPT-Live", cifras que no aparecen en la tabla comparativa, que indica 0,57 s. Puede que distintas mediciones expliquen la diferencia; la página no lo explica.

La cifra de Qwen es la más sólida, porque 1.269 Elo proviene de votos a ciegas de oyentes y no de Alibaba. Además, ya no es la mejor cifra dentro de su propia familia: Qwen-Audio-3.1-TTS-Plus ocupa el tercer puesto con 1.305 a fecha de 29 de octubre de 2026, y las revisiones de artificial-analysis han movido esta tabla más de una vez este año, por lo que las puntuaciones de distintas instantáneas nunca deberían restarse entre sí.

La cautela específica respecto a Rime apunta en la dirección opuesta. Las únicas voces de Rime que se han clasificado de forma independiente son sus modelos TTS, y en esa misma tabla de clasificación Coda ocupa el puesto 65 con un Elo de 1.054 y Mist V2 el 92 con 903 — la mitad inferior de 99. Es muy posible que Prism suene mejor que sus hermanos; nada de lo publicado permite a un comprador confirmarlo antes de firmar.

Qué ver

Tres cosas cambiarían la recomendación. Que Prism aparezca en el Speech-to-Speech Index le daría el primer número independiente que haya tenido jamás. El funcionamiento full-duplex —Prism es semidúplex con interrupción en el lanzamiento— ampliaría la diferencia frente a cualquier cascada que tenga que esperar a que el interlocutor termine. Y que las API de ajuste fino de autoservicio salgan de beta es la diferencia entre «las empresas pueden hacer ajuste fino» y «puedes hacer ajuste fino un martes».

Por otro lado, esté atento a lo que Alibaba haga con el precio de Qwen-Audio-3.1-TTS después del recorte de aproximadamente el 70 % que aplicó el 22 de septiembre de 2026. Una cascada en la que tanto el salto intermedio como el último están abaratándose es un objetivo móvil, y la tarifa por minuto de Prism está fijada frente a ella.

Para la mayoría de los equipos, la respuesta honesta es ambas cosas, no una u otra. Pon Prism delante de quienes llaman, cuyas conversaciones necesitan un punto de control y un presupuesto de latencia de un solo salto. Pon Qwen-Audio-3.0-TTS —o, más realista ahora, Qwen-Audio-3.1-TTS— en las rutas salientes donde nadie responde y la factura es por carácter. El error es elegir uno porque lo dijo una tabla comparativa, cuando la tabla tiene una nota al pie y la nota al pie es la que hace la mayor parte del trabajo.