Rime Prism écrit avant de parler. Voilà tout le produit.

Rime Prism, lancé le 28 octobre 2026, est un modèle parole-à-parole destiné aux agents vocaux d'entreprise, et la caractéristique sur laquelle il sera jugé n'est pas la qualité de la voix. Il s'agit du fait que Prism émet sa réponse sous forme de texte avant de la prononcer à voix haute, afin que votre application puisse lire, réécrire ou bloquer la phrase pendant que l'appel continue. Rime le présente comme le premier modèle parole-à-parole de pointe pouvant être affiné et le facture à 0,080 $ par minute d'audio d'appel sur l'offre Flex, 0,064 $ sur Scale. Le chiffre de benchmark mis en avant par le fournisseur est de 56,6 sur τ-Voice, avec un délai de 0,57 seconde jusqu'au premier audio — un chiffre que Rime a produit sur le banc d'essai qu'utilise Artificial Analysis, et non une entrée publiée dans un classement — et le modèle qui le devance dans le graphique propre à Rime, GPT-Live-1, a besoin de 0,67 seconde de plus avant de commencer à parler. Les deux parties de cette phrase comptent, et la seconde est celle que personne n'a mise dans son titre.

Ce que le checkpoint de texte vous apporte réellement

Tout agent vocal construit sur une cascade — reconnaissance vocale, puis modèle de langage, puis synthèse vocale — a déjà du texte au milieu. Tout agent vocal construit sur un modèle temps réel fusionné d’un grand laboratoire n’en a pas : il entend de l’audio, réfléchit et produit de l’audio, et le seul artefact inspectable est une transcription qui arrive après que vous avez déjà prononcé les mots. L’argument de Rime est que le premier groupe dispose du contrôle et le second de la fidélité audio, et Prism est une tentative de conserver les deux.

En pratique, le point de contrôle est une chaîne qui fait surface au milieu d’un tour. Rime indique que la couche texte prend en charge quatre éléments sur lesquels une application peut agir avant que l’audio ne soit diffusé :

• Réécriture — remplacez une phrase que la couche de règles rejette, et le modèle énonce la phrase de remplacement plutôt que l'originale.

• Blocage — un garde-fou qui détecte une allégation interdite, le nom d'un concurrent ou une divulgation non approuvée peut arrêter net cet énoncé pendant que l'appel se poursuit.

• Étiquetage — les balises d’action et de contenu accompagnent le texte, de sorte qu’un orchestrateur peut déclencher un appel d’outil ou une demande de prise de parole sans attendre la fin de l’audio.

• Contrôle de la prononciation — les noms, les numéros de compte et les termes produits sont figés dans le texte, c'est bien là que « l'épeler comme un code, et non comme un mot » a sa place.

Et les appels d'outils s'exécutent en parallèle de la parole plutôt que dans l'intervalle qui la précède, ce qui constitue la différence structurelle avec une cascade : la recherche n'occupe pas le silence entre le moment où l'appelant a fini de parler et celui où l'agent commence.

Rime précise explicitement qu’il ne s’agit pas d’une cascade déguisée. Elle insiste sur le fait que le raisonnement s’effectue sur l’audio lui-même — le ton, les hésitations, le rire, le bruit de fond — et que le texte est un point de sortie plutôt que l’entrée du modèle. Il n’est pas nécessaire de prendre cette affirmation au pied de la lettre pour comprendre pourquoi les acheteurs en entreprise s’y intéressent : le checkpoint est l’artefact dont une piste d’audit a besoin. « Qu’a dit l’agent, et qui l’a approuvé » devient une requête sur une chaîne conservée et une décision de politique, plutôt qu’une reconstruction à partir d’un enregistrement d’appel.

L’affirmation concernant le benchmark comporte une faille, et il est facile de le vérifier.

Voici le graphique que Rime a publié, tel que Rime l'a publié :

• Rime Prism — 56,6 τ-Voice, 0,57 s jusqu'au premier audio, aucune étape de raisonnement avant la parole.

• GPT-Live-1 (Sol, low) — 59,3 τ-Voice, 1,24 s.

• GPT-Realtime-2.1 High — 45,7 τ-Voice, 1,21 s.

• Gemini 3.8 Live — 30,1 τ-Voice, 1,18 s.

Regardez la ligne du haut. Le propre graphique de Rime montre un modèle obtenant un score supérieur à Prism. Le cadrage du lancement — « devance de 17 à 30 points les modèles en temps réel sans raisonnement d’OpenAI et de Google » — est exact dans le périmètre défini, et ce périmètre est précisément centré sur le modèle qui dépasse Prism. GPT-Live-1 se situe 2,7 points au-dessus de Prism et coûte 0,67 seconde de plus avant de commencer à parler. C’est un arbitrage de Pareto légitime, et Rime ne le cache pas ; le chiffre est bien là, sur la page. Mais la phrase circule plus loin que le graphique, et c’est la phrase qui est citée.

Il existe une seconde tension interne. Rime rapporte également 82,5 sur le sous-ensemble télécom de τ-Voice, contre 45,6 pour GPT-Live-1. Un écart de 37 points sur un seul domaine et un déficit de 2,7 points sur l'évaluation globale ne sont pas impossibles — la pondération des domaines et la composition des tâches peuvent expliquer cela — mais on ne peut pas interpréter ces deux chiffres comme « Prism est meilleur en télécom et moins bon partout ailleurs », et Rime ne précise pas la taille des sous-ensembles. Tant que ce n'est pas le cas, considérez le chiffre télécom comme un sous-ensemble marketing, et non comme une prétention quant aux capacités.

Il y a un troisième chiffre qui circule, et ce n’est pas du tout un benchmark. La documentation de lancement de Rime évoque environ 300 ms de « réactivité ». Le chiffre mesuré dans le graphique est de 0,57 seconde jusqu’au premier audio. Ce sont des mesures différentes — l’une est la réactivité interne, l’autre le temps qu’un appelant met à entendre réellement une voix — et citer la plus petite à côté des 1,24 s de GPT-Live-1 reviendrait à comparer un chronomètre à un temps au tour.

Rien de tout cela ne constitue un jugement sur la qualité de Prism. C'est une remarque sur ce que les preuves soutiennent actuellement. Rime a exécuté Prism sur le même banc de test que celui utilisé par Artificial Analysis et, au lancement, n'était pas encore apparu sur le classement public. Le benchmark τ-Voice lui-même est réel et indépendant — il provient d'un article en cours d'évaluation pour ICML 2026, construit sur 278 tâches de service dans le secteur aérien, le commerce de détail et les télécommunications, avec un simulateur d'utilisateur vocal qui fait varier l'accent, le bruit de fond et l'alternance des tours de parole — et ses auteurs ont constaté que les agents vocaux se situaient bien en dessous des agents textuels sur les mêmes tâches. C'est ce contexte qui rend 56,6 intéressant plutôt que décevant. C'est aussi ce qui fait de la réplication indépendante ce qu'il faut attendre.

Combien coûte Prism, et combien coûte une cascade

Prism est facturé à la minute d’audio d’appel, une unité de facturation que la plupart des fournisseurs de TTS n’utilisent pas. Les niveaux publiés :

• Gratuit — 50 $ de crédit d'utilisation mensuel, sans carte, et Prism y est inclus.

• Flex — 0,080 $ par minute d’audio Prism, sans frais mensuel, sans engagement. Rime STT 0,002 $/min, Mist v3 0,030 $/min, Coda v2 0,050 $/min.

• Scale — 100 $/mois avec 100 $ de crédit reporté à 200 $, et une remise de 20 % qui ramène Prism à 0,064 $/min.

• Enterprise — sur mesure, annuel, et le seul niveau qui ajoute le déploiement VPC et sur site, ainsi que le fine-tuning sur les appels clients et des voix personnalisées.

Aux tarifs Flex, mille minutes d'audio Prism coûtent 80 $ en coût de modèle, avant les frais de téléphonie, de workflow et de plateforme. Savoir si c'est cher dépend entièrement de ce que cela remplace. Une cascade paie trois factures : la reconnaissance, la génération, la synthèse. Une pile type du marché intermédiaire peut dépenser 2 à 3 cents par minute en reconnaissance vocale, quelques cents pour le modèle de langage selon combien il réfléchit, et 3 à 5 cents en synthèse — le total de la cascade se situe donc souvent près ou au-dessus des 8 cents de Prism, et cela avant de compter la latence de trois sauts ou le temps d'ingénierie nécessaire pour les faire fonctionner comme un seul système.

La comparaison s'inverse si le modèle de langage que vous choisissez est bon marché et que votre fournisseur de synthèse l'est aussi. À 0,030 $/min pour Mist v3 sur le même compte Rime, une cascade allégée peut être nettement moins chère que Prism — le prix de cette économie, c'est la perte du checkpoint et l'héritage des coutures. Telle est la forme honnête de la décision : Prism ne vend pas de l'intelligence à un prix premium, elle vend une couche de texte révisable à un prix premium, et vous ne devriez payer ce prix que si vous avez besoin de cette révision.

À qui cela s'adresse, et qui devrait attendre

Les partenaires de conception cités au lancement — Dialpad comme partenaire de conception, avec Asurion, Upstart et Mayo Clinic cités comme clients et Twilio Ventures parmi les investisseurs — indiquent l’acheteur que Rime courtise : les plateformes de centres de contact et les fournisseurs de téléphonie qui ont déjà des obligations de conformité attachées à chaque mot prononcé par leurs agents. Rime revendique SOC 2 et HIPAA, qualifie Prism de prêt pour la téléphonie, le sert via un WebSocket et propose un déploiement cloud, VPC ou sur site. Ce dernier point est le différenciateur discret, car les API temps réel de pointe sont uniquement cloud.

Les preuves apportées par les clients sont plus minces que la liste des fonctionnalités. Revmo, un agent de prise de commande, a réalisé un fine-tuning de Prism sur environ dix heures d’appels de production et rapporte que 94 % des commandes n’ont été passées qu’après que l’appelant a accepté « puis-je la passer ? » — contre 57 % pour l’agent OpenAI qu’il remplaçait. Rime cite également une chaîne nationale de restaurants avec 8 % de commandes abouties en plus, quatre fois moins de raccrochages côté clients, et une entreprise de services financiers du Fortune 500 avec un taux de containment supérieur de 42 %. Aucun de ces chiffres ne précise la taille de l’échantillon, le modèle OpenAI exact ni la méthode de mesure. Ce sont le genre de chiffres qui sont intéressants en tendance mais peu probants, et dans le cas de Revmo, le fine-tuning sur dix heures d’audio métier fait l’essentiel du travail — un Prism de base sans ce fine-tuning n’est pas ce qui a été mesuré.

Attendez si vous avez besoin d’une couverture multilingue dès aujourd’hui. Rime ne publie pas la liste des langues ni le nombre de voix de Prism, alors que ses produits distincts de synthèse vocale publient les leurs. Les chiffres spécifiques à Prism sont absents de la page produit, ce qui n’est pas la même chose qu’une mauvaise couverture, mais vous ne pouvez pas planifier un déploiement sur 30 marchés à partir d’une liste non publiée.

Notez également que, si vous avez besoin d'un benchmark, vous pouvez le citer en interne. Il n'existe pas encore de score Prism indépendant. Si votre processus d'approvisionnement exige une évaluation par un tiers, la position honnête cette semaine est « réalisé par le fournisseur sur un banc de test indépendant, en attente de publication », et vous devez le dire dans ces termes exacts.

Le checkpoint est un appel au modèle, et c’est là que le routage entre en jeu.

Un point que le matériel de lancement minimise : le point de contrôle textuel n’est utile que si quelque chose peut agir dessus assez rapidement pour ne pas casser la conversation. Un classificateur de politique, un détecteur d’allégations, une passe de sécurité de marque — chacun de ces éléments est une invocation de modèle située entre le brouillon et l’audio. C’est un budget de latence à l’intérieur d’un budget de latence, et c’est la partie de la conception qui décide si Prism semble instantané ou ressemble à une pause.

Prism est vendu directement par Rime et ne figure pas au catalogue d’OrcaRouter. Ce qui figure dans notre catalogue, c’est l’autre moitié du problème : les modèles qu’un checkpoint appelle. Une seule clé couvre plus de 200 modèles avec 0 % de marge sur le prix catalogue du fournisseur, de sorte qu’un petit classificateur rapide et un modèle d’escalade plus grand se trouvent derrière le même point de terminaison, avec basculement automatique si l’un d’eux se bloque en cours d’appel — ce qui est exactement le mode de défaillance qui transforme un garde-fou astucieux en silence radio. Si vous exécutez plutôt Prism devant une cascade existante, le volet synthèse est également disponible ici : openai/tts-1-hd et google/gemini-3.1-flash-tts-preview sont tous deux routables aujourd’hui.

Le DSL de routage compte plus qu’il n’y paraît dans ce contexte. Lorsque le rôle du point de contrôle est d’« envoyer cette phrase à un modèle peu coûteux, sauf si elle contient un nombre supérieur à 500 $ ou un terme réglementé », il s’agit d’une règle de routage, et l’écrire dans la passerelle vaut mieux que l’écrire dans le chemin critique de l’application.

Ce qu’il faut surveiller, et ce qui changerait la réponse

Trois éléments feraient passer Prism d’un lancement intéressant à une valeur par défaut défendable, et chacun est vérifiable.

La première est une entrée Artificial Analysis. Une exécution par le fournisseur sur le banc d’essai approprié est un point de départ raisonnable ; une ligne dans un classement public est ce qui transforme 56,6 en un chiffre que l’on peut mettre sur une diapositive sans astérisque.

Le deuxième point, ce sont les API de fine-tuning qui sortent de la phase bêta. Rime indique que les API RL et SFT en libre-service sont en bêta. Le résultat Revmo — la preuve la plus solide du lancement — provient de dix heures d’audio propre au domaine. Si cet écart est réel et reproductible, c’est le véritable produit. S’il s’agit d’un seul client avec un jeu de données exceptionnellement propre, Prism est un bon modèle à checkpoints et non un changement de catégorie.

Le troisième point est la liste des langues. Un modèle parole-vers-parole pour les centres de contact d’entreprise couvrant huit langues est un produit régional ; celui qui en couvre quarante relève d’une toute autre décision d’achat pour une entreprise.

En attendant que ces éléments arrivent, le bilan équitable est le suivant : Rime a livré une interface de contrôle véritablement différente pour les agents vocaux, l’a positionnée à un prix compétitif face à la cascade qu’elle remplace et l’a présentée dans un graphique de benchmark plus honnête que son cadrage presse. Le checkpoint est réel. La position au classement est une affirmation. Si vos agents disent des choses qui doivent être approuvées avant qu’un client ne les entende, le premier fait suffit à justifier un essai. Si vos agents doivent surtout sonner bien dans vingt langues, ce n’est pas suffisant.

La version en une ligne pour ceux qui survolent

Prism est un modèle parole-parole à 0,08 $ par minute qui vous donne la phrase avant qu’il ne la prononce, pour un coût de latence d’environ une demi-seconde à partir du moment où l’appelant cesse de parler. Il n’est pas moins cher qu’une cascade allégée et ne figure au sommet d’aucun classement public. C’est la seule solution commercialisée aujourd’hui qui donne à une équipe de conformité un point d’appui entre la décision du modèle et l’oreille du client — et c’est une fonctionnalité dont vous avez soit absolument besoin, soit pas du tout.

Si vous voulez chiffrer les alternatives avant de vous engager, le volet cascade du catalogue est à portée d’un seul endpoint, et le calcul par minute ci-dessus est le chiffre à apporter à l’essai.