Rime Prism vs ElevenLabs : deux modèles parole-à-parole, un seul chiffre de latence

À onze jours d'intervalle, deux entreprises ont lancé la même idée et annoncé le même chiffre. Rime Prism est arrivé le 28 octobre 2026, atteignant le premier audio en 0,57 seconde. Eleven Realtime v1 Max, le propre modèle parole-à-parole de bout en bout d'ElevenLabs, est arrivé le 20 octobre 2026 — également en 0,57 seconde. La coïncidence est l'élément le plus utile de cette comparaison, car elle signifie que la latence n'est pas le critère de décision. Une fois que deux modèles sont à égalité sur le chronomètre, ce qui les distingue, c'est ce qui se passe dans la demi-seconde, et ces deux-là la passent de manière opposée : Eleven Realtime v1 Max écoute et parle, tandis que Rime Prism écrit d'abord.

C’est la comparaison la plus serrée de ce lot, et celle où le choix compte vraiment, car les deux produits remplacent l’ensemble de la cascade plutôt qu’un seul composant, et tous deux facturent l’audio à huit cents la minute.

La réponse courte

Eleven Realtime v1 Max est le meilleur choix lorsque la couverture et l’inventaire des voix font pencher la décision : plus de 90 langues et plus de 17 000 voix constituent un catalogue qu’aucun concurrent de ce duo ne peut égaler, et le socket est compatible au niveau protocolaire avec l’API Realtime d’OpenAI, ce qui signifie qu’une migration se résume à un changement de point de terminaison plutôt qu’à une réécriture.

Rime Prism est le meilleur choix lorsque ce que dit l’agent doit être inspectable avant d’être prononcé. C’est le seul modèle de cette paire à fournir à l’application une chaîne de texte en milieu de tour, avec la possibilité de la réécrire ou de la bloquer, et le seul à proposer un déploiement sur site ou dans un VPC.

Les deux sont facturés $0.080 par minute d’audio, et cette parité apparente masque un écart réel : ElevenLabs facture $0.080 par minute d’audio connecté plus des tokens de modèle, tandis que Rime facture $0.080 par minute et aucun token. Pour un agent à fort volume d’appels, ce n’est pas une différence d’arrondi.

Ce que chaque entreprise a réellement annoncé

ElevenLabs a lancé une famille, pas un modèle. Eleven Realtime v1 Max est la variante pour tâches complexes — support client, qualification des prospects, tout ce qui implique l’utilisation d’outils. Eleven Realtime v1 Mini est la variante conversationnelle pour les assistants, les tuteurs et les personnages. Tous deux sont des réseaux uniques de bout en bout qui intègrent la reconnaissance, la gestion des tours de parole, le raisonnement et la génération vocale dans un seul système plutôt que dans trois étapes assemblées. L’argument avancé par ElevenLabs pour justifier cette approche est la couture : un silence mort après une pause, une parole qui recouvre une interruption, une transcription qui ne correspond pas à la voix. Ce sont des artefacts de cascade, et la solution proposée consiste à régler les quatre étapes ensemble.

Le chemin d'accès est délibérément ennuyeux, ce qui est un compliment. Eleven Realtime s'exécute dans ElevenAgents via un menu déroulant, ou via une API Realtime à l'adresse wss://api.elevenlabs.io/v1/convai/realtime, compatible au niveau du format d'échange avec le protocole Realtime d'OpenAI — il suffit de changer le point de terminaison et le nom du modèle pour qu'un SDK OpenAI existant fonctionne sans modification. Au lancement, seul WebSocket est disponible ; il n'existe pas encore de voie WebRTC.

L'annonce de Rime a une forme différente. Un seul modèle, Prism, positionné pour les centres de contact d'entreprise, avec comme facteur différenciant le checkpoint texte plutôt qu'une famille de variantes. Il existe un niveau gratuit avec 50 $ de crédit, Flex à 0,080 $/min, Scale à 0,064 $/min, et un niveau Enterprise qui ajoute VPC et on-prem, ainsi que le fine-tuning sur les enregistrements d'appels clients et des voix personnalisées. Pas de WebRTC non plus, mais du streaming, des intégrations LiveKit et Pipecat, la téléphonie 8 kHz, et SOC 2 avec des allégations HIPAA.

Un détail à signaler pour quiconque prévoit un déploiement : ElevenLabs indique qu’Eleven Realtime est déployé progressivement, et les identifiants du modèle figurent dans son changelog depuis début août. La date du 20 octobre correspond à l’annonce. Si votre compte n’affiche pas le modèle dans le menu déroulant ElevenAgents, il s’agit d’un déploiement par étapes et non d’une mauvaise configuration.

Le point de contrôle est la véritable différence

Les deux modèles sont de bout en bout. Un seul d'entre eux laisse un artefact textuel sur lequel vous pouvez agir avant que l'appelant n'entende quoi que ce soit.

Eleven Realtime v1 Max va de l’entrée audio à la sortie audio. Il y a une transcription de l’autre côté de l’appel, et il y a un prompt système en amont, mais il n’y a aucun moment dans le tour où votre application détient la phrase suivante de l’agent sous forme de chaîne et décide de l’envoyer ou non. Ce n’est pas une critique — c’est l’architecture choisie par ElevenLabs, et c’est cette architecture qui produit le naturel que l’entreprise vend. Fusionner quatre étapes en un seul réseau, c’est précisément ce qui supprime la couture inspectable.

Prism préserve la jointure. Rime affirme que le modèle rédige sa réponse sous forme de texte, que l’application peut réécrire, bloquer, étiqueter ou corriger la prononciation de ce texte, et que l’audio suit. Les appels d’outils s’exécutent en parallèle de la parole plutôt qu’avant elle. L’affirmation selon laquelle il ne s’agit pas d’une cascade repose sur le fait que le raisonnement se déroule sur l’audio — le ton, les hésitations et le bruit de fond éclairent la réponse — le texte étant un point de passage en sortie plutôt qu’en entrée.

Pour une équipe de conformité, cette différence fait toute la décision d’achat. « L’agent ne peut pas dire X » est applicable dans Prism au niveau de la phrase, et ne l’est dans Eleven Realtime qu’au niveau du prompt, c’est-à-dire de façon probabiliste. Pour une équipe produit qui conçoit un personnage ou un tuteur, l’inverse est vrai : le checkpoint constitue une surcharge, et le naturel qui découle d’un seul réseau affiné est le produit.

Deux nombres de 0,57 seconde qui ne correspondent pas à la même mesure

La parité est réelle, mais les instruments diffèrent, et cette différence compte si vous comptez citer l’un ou l’autre de ces chiffres.

Le 0,57 seconde d'Eleven Realtime v1 Max est une mesure d'Artificial Analysis — un tiers l'a réalisée, avec la même horloge que celle utilisée pour ses autres entrées de synthèse vocale conversationnelle, puis l'a publiée. Eleven Realtime v1 Mini se situe à 0,62 seconde sur le même instrument.

Le 0,57 seconde de Prism est le propre chiffre de Rime, produit sur le banc d’essai τ-Voice qu’Artificial Analysis utilise aussi, mais exécuté par Rime. Prism n’avait aucune entrée publique au classement lors de son lancement. Ainsi, un chiffre a un arbitre et l’autre non, bien que les deux aient la même valeur à deux décimales près. Les présenter côte à côte comme un ex aequo est défendable ; les présenter comme des preuves équivalentes ne l’est pas.

Les autres scores divergent nettement, et de nouveau sur des instruments différents. Eleven Realtime v1 Max affiche 98,8 % sur Big Bench Audio contre 75,9 à 76 % pour Mini, un taux de réussite des tâches de 87,1 % contre 60,3 %, un Full-Duplex-Bench de 94,1 contre 95,8 %, et un Arena Elo d’environ 997 à 998 contre 988. Il n’est par ailleurs pas noté sur le Speech-to-Speech Index et ne porte aucun score agentique τ-Voice — il n’existe donc aucune valeur publiée qui place Eleven Realtime v1 Max et Prism sur le même axe. Quiconque compare le 56,6 de Prism au 98,8 d’ElevenLabs compare un benchmark d’achèvement de tâche à un benchmark de qualité audio et obtient un écart de 42 points dénué de sens.

L'écart de prix se situe dans la ligne des tokens.

En apparence, les deux produits coûtent huit cents la minute. Lisez les grilles tarifaires : il n’en est rien.

• ElevenLabs — 0,080 $ par minute d’audio connecté, plus les tokens du modèle. Eleven Realtime v1 Mini coûte 0,20 $ en entrée et 6,00 $ en sortie par million de tokens ; v1 Max coûte 1,80 $ en entrée et 9,00 $ en sortie. Le dépassement de burst double le tarif audio pour le porter à 0,16 $/min. Au sein d’ElevenAgents, le tarif standard est de 0,08 $/min plus les tokens du LLM.

• Rime — 0,080 $ par minute d’audio Prism sur Flex, 0,064 $ sur Scale, sans frais de tokens en sus. L’offre gratuite comprend 50 $ de crédit d’utilisation pour Prism, Mist v3, Coda v2 et Rime STT.

Le coût de la ligne de tokens dépend entièrement de la quantité de réflexion de l’agent. Un appel d’assistance de cinq minutes où l’agent effectue huit tours et où chaque tour raisonne sur quelques milliers de tokens n’est pas gratuit à 1,80 $ par million de tokens d’entrée et 9,00 $ par million de tokens de sortie sur Max : c’est un deuxième compteur qui tourne en parallèle du premier. Pour un assistant de courte durée qui fait surtout des accusés de réception sur Mini, la ligne de tokens est négligeable. Pour un déploiement Max qui effectue une véritable orchestration d’outils, elle peut rivaliser avec le coût audio.

La minute forfaitaire de Rime a son propre piège, et c’est le piège inverse. Prism facture l’audio de l’appel plutôt que les interventions de l’agent ; ainsi, un appel avec un interlocuteur prolixe coûte le même prix qu’un appel où l’agent ne cesse de parler. Si vos appels tendent vers de brèves interventions de l’agent et de longues interventions du client, le tarif à la minute de Prism est le plus coûteux des deux, avec un écart qui n’a rien à voir avec les modèles.

Modélisez les deux compteurs sur votre propre distribution d’appels avant de vous engager. Aucun des deux fournisseurs ne publie de calculateur, et le chiffre phare de huit cents n’est vraiment pas le montant que l’un ou l’autre vous facturera.

Couverture, voix et la question du déploiement

ElevenLabs l'emporte si nettement en matière de couverture qu'il vaut la peine de le dire franchement plutôt que de le passer sous silence : plus de 90 langues et plus de 17 000 voix. Rime ne publie pas du tout le nombre de langues ni l'inventaire des voix de Prism, bien que ses produits de synthèse vocale distincts publient les leurs, et ces chiffres ne peuvent pas être transposés à Prism.

Cette asymétrie détermine à elle seule une grande part des déploiements réels. Un détaillant européen qui se lance sur neuf marchés n’a pas besoin de lire la suite de cet article.

C’est sur le déploiement que la situation bascule à nouveau. Rime propose VPC et on-prem sur Enterprise, aux côtés du cloud, ainsi qu’une option d’endpoint co-localisé pour ses modèles TTS. Eleven Realtime, au lancement, est un service WebSocket hébergé. L’argument de Rime — les API temps réel de pointe sont réservées au cloud, tandis que Prism vous permet de contrôler où réside l’audio — est un véritable différenciateur pour la santé, les services financiers et tout acheteur dont le contrat comporte une clause de résidence des données. Rime revendique SOC 2 et HIPAA pour Prism ; ElevenLabs vend des accords enterprise avec des DPA et des BAA selon ses propres conditions. On peut faire en sorte que les deux satisfassent un examen de conformité, et un seul peut être rendu conforme à « l’audio ne quitte jamais notre bâtiment ».

Le fine-tuning est l'autre asymétrie, et elle va dans le même sens. Rime indique que Prism peut être fine-tuné sur les propres enregistrements d'appels d'un client, avec des API RL et SFT en libre-service en version bêta. La surface de réglage d'ElevenLabs se situe au niveau de la voix — clonage, workflows de voix professionnelle, paramètres de style et de stabilité — plutôt qu'un modèle acoustique et de raisonnement personnalisé entraîné sur vos appels. Si l'objectif est de « ressembler à notre marque », c'est un problème résolu du côté d'ElevenLabs. Si l'objectif est de « mieux gérer notre flux de commandes spécifique », un seul de ces acteurs propose cela.

Là où OrcaRouter est pertinent, et là où il ne l'est pas

Ni Prism ni Eleven Realtime ne figurent dans notre catalogue. Prism est vendu directement par Rime ; les modèles Eleven Realtime sont vendus directement par ElevenLabs et via plusieurs plateformes tierces. Si vous choisissez l’un ou l’autre, vous achetez auprès du fournisseur, et cet article ne prétendra pas le contraire.

Si OrcaRouter a toujours sa place dans cette décision, c'est parce que les modèles de parole de bout en bout ne suppriment pas tous les modèles de votre pile. Ces deux produits ont toujours besoin d'une couche de politique, d'une étape de récupération, d'un classificateur et d'un chemin d'escalade, et ce sont là des appels de modèle ordinaires. Une seule clé couvre plus de 200 modèles avec 0 % de marge par rapport au prix catalogue du fournisseur, de sorte qu'un modèle de garde-fou bon marché et un modèle d'escalade coûteux résident derrière un seul point de terminaison avec basculement automatique — c'est là l'aspect qui compte lors d'un appel en direct, où un fournisseur bloqué est indiscernable d'une ligne coupée. Le DSL de routage est le moyen d'exprimer « gardez l'accusé de réception en local et à moindre coût, escaladez la recherche », et cette règle mérite d'être écrite une fois dans la passerelle plutôt que trois fois dans l'agent.

Si ce que vous voulez vraiment, c’est une cascade avec synthèse hébergée, openai/tts-1-hd et google/gemini-3.1-flash-tts-preview sont sur la même clé au prix catalogue. Des outils différents, la même facture.

Comment décider en dix minutes

Trois questions, dans l’ordre, et arrêtez-vous à la première à laquelle vous répondez oui.

Avez-vous besoin de fonctionner dans plus de quelques langues, ou d'obtenir une voix spécifique parmi un très large inventaire ? Eleven Realtime v1 Max ou v1 Mini. Le catalogue est le produit, et Prism n'en publie aucun de comparable.

Faut-il qu’une chose dite par votre agent soit approuvée avant qu’un appelant ne l’entende, ou l’audio doit-il rester à l’intérieur de votre réseau ? Rime Prism. Le checkpoint et l’offre sur site sont les deux choses qu’ElevenLabs ne propose pas ici, et ce ne sont pas des fonctionnalités que vous pouvez ajouter plus tard.

Si aucune de ces deux contraintes ne s’applique, et que le coût est le facteur décisif, alors faites tourner les deux compteurs sur vos propres données d’appels, car l’annonce des huit cents est équivalente, mais pas la ligne des tokens. Un assistant à tours courts et à faible raisonnement sur Mini battra Prism sur le prix. Un déploiement Max fortement axé sur les outils, probablement pas.

Le prochain point à surveiller est le seul chiffre qui permettrait de trancher. Eleven Realtime v1 Max n’a pas de score τ-Voice, et Prism n’en a pas d’indépendant. Si l’un ou l’autre modèle figure sur un classement public mesuré par une entité autre que son fournisseur, cette comparaison devient beaucoup plus courte. D’ici là, les deux sont à égalité à 0,57 seconde sur deux chronomètres différents, et le reste relève de l’architecture.

Une dernière précision sur les chiffres ci-dessus : les scores Eleven Realtime sont des chiffres d’Artificial Analysis, les cartes de prix sont celles des fournisseurs, et le 56,6 de Prism est celui de Rime. Aucun instrument de cet article ne place les deux modèles sur un même axe, ce qui explique pourquoi l’article est organisé autour de l’architecture et de la couverture plutôt qu’autour d’un tableau de scores.