Rime Prism vs Inworld Realtime TTS 2 : 200 locales contre un seul checkpoint

Voici un fait qui devrait mettre fin à la plupart des versions de cette comparaison avant même que quiconque ouvre un benchmark : Inworld Realtime TTS 2 publie une couverture dans plus de 200 locales et propose 282 voix intégrées, tandis que Rime Prism ne publie aucun nombre de langues ni aucun nombre de voix. Si vous déployez un agent vocal sur une douzaine de marchés, ce n’est pas un compromis à peser — c’est un filtre qui élimine une option. La comparaison ne reste intéressante que pour l’acheteur qui est sur un seul marché et réglementé, car Rime Prism est le seul modèle de cette paire qui permet à une application de lire et de bloquer une phrase avant que l’appelant ne l’entende. Inworld Realtime TTS 2 est un modèle de synthèse vocale auquel est associé un très bon argumentaire temps réel, et il n’a pas d’équivalent de checkpoint, car au moment où il voit le texte, la décision a déjà été prise.

Les noms sont aussi trompeurs d’une manière qui a déjà produit de mauvais conseils. « Inworld Realtime TTS 2 » n’est pas un modèle parole-vers-parole. Rime Prism l’est. Cette distinction sous-tend chaque chiffre ci-dessous et mérite d’être précisée avant que les chiffres ne commencent.

L'un d'entre eux n'est pas un agent.

Inworld Realtime TTS 2 prend du texte en entrée et produit de l’audio en sortie. Le comportement duplex — entendre l’appelant tout en parlant, gérer les interruptions — provient de l’API Realtime distincte d’Inworld, qui utilise le protocole OpenAI Realtime et annonce une latence d’interruption d’environ 100 ms. C’est un second produit avec une seconde intégration, et non une propriété du modèle TTS lui-même. Quiconque lit « Realtime » dans le nom du modèle et suppose une conversion parole-parole de bout en bout a mal lu le catalogue.

Prism est une forme entièrement différente. De l’audio en entrée, de l’audio en sortie, dans un seul système, avec un jalon textuel au milieu et des appels d’outils qui s’exécutent en parallèle de la parole plutôt qu’avant elle. Son prix est calculé à la minute d’audio d’appel précisément pour cette raison — vous payez l’appel, pas le texte.

Le cadrage honnête de cette comparaison est le suivant : Inworld Realtime TTS 2 est le meilleur maillon de synthèse de sa catégorie pour une cascade que vous assemblez, tandis que Prism remplace la cascade. Vous pouvez préférer Inworld et tout de même construire un agent façon Prism, simplement en plus de pièces. Vous ne pouvez pas préférer Prism et bénéficier de la couverture linguistique d’Inworld, car celle-ci n’est pas publiée.

Les chiffres de couverture, et ce qu’ils valent

La liste d’Inworld est inhabituellement précise, ce qui est en soi instructif :

• Locales — plus de 200, réparties en 15 au niveau de qualité Tier 1 et 79 au niveau Tier 2.

• Voix — 282 intégrées, avec 20 préréglages sélectionnés.

• Clonage — zero-shot à partir de 5 à 15 secondes d’audio ; Professional Voice Cloning en aperçu et réservé à l’offre phare.

• Continuité — une identité de voix unique et cohérente, maintenue d’une langue à l’autre, ce qui est la caractéristique qui fait qu’un lancement de marque multi-marchés paraît intentionnel plutôt que traduit.

• Audio — sortie MP3, WAV, OGG, FLAC et PCM, de 8 kHz à 48 kHz, 24 kHz par défaut.

• Débit — 2 000 caractères par requête, streaming WebSocket avec 20 connexions simultanées et 5 contextes.

• Latence — temps jusqu’au premier octet P99 côté serveur inférieur à 100 ms pour TTS-2 ; la variante Flash lancée le 31 août 2026 annonce moins de 25 ms, avec une mesure indépendante proche de 25 ms.

La répartition entre Tier 1 et Tier 2 est ce qui mérite l’attention, plutôt que le chiffre de plus de 200 mis en avant. Quinze locales de qualité phare sur 200 prises en charge, c’est une divulgation véritablement honnête, et cela vous indique où le produit est réellement finalisé. Si vos marchés sont l’anglais, l’espagnol, le portugais, l’allemand, le français et le japonais, vous êtes probablement dans le Tier 1 et le chiffre mis en avant est réel. S’ils correspondent aux 185 autres, vous êtes dans la partie du catalogue qui existe mais qui n’a pas été curated.

Comparez cela à Prism, où l’absence d’une liste publiée n’est pas la preuve d’une couverture médiocre — Rime publie le nombre de langues et de voix pour ses produits de synthèse vocale distincts, mais pas pour Prism — mais c’est la preuve que vous ne pouvez pas planifier en fonction de cela. Pour un déploiement sur un seul marché dans la langue pour laquelle Rime développe, cette absence ne vous coûte rien. Pour tout ce qui est plus large, c’est toute la réponse.

La question du duplex que personne ne pose

« Realtime TTS » et « speech-to-speech » sonnent comme une même promesse, mais leur comportement en cas d’interruption n’a rien à voir.

Dans une cascade reposant sur Inworld Realtime TTS 2, la gestion des interruptions est un problème de coordination entre trois services. Le reconnaisseur doit détecter que l'appelant a commencé à parler, l'orchestrateur doit annuler le tour du modèle de langage, et le synthétiseur doit s'arrêter en plein flux et vider son tampon. L'API Realtime d'Inworld gère bien la moitié qui revient au synthétiseur — environ 100 ms pour interrompre — mais les deux autres moitiés vous incombent, et la défaillance s'entend : l'agent continue de parler un instant après que l'appelant a commencé, puis reprend une phrase au mauvais endroit.

Prism gère cela au sein d’un seul modèle, et Rime cite la gestion des interruptions comme un point de discussion auprès des partenaires de conception. Ce n’est pas un benchmark que l’on peut consulter ; c’est une catégorie de bugs dont on cesse d’avoir à se soucier. Pour une ligne de support où les appelants parlent constamment par-dessus l’agent, cela vaut plus que quelques points d’Elo.

L'argument inverse est qu'une cascade bien conçue dotée d'un chemin d'annulation agressif est réellement performante dans ce domaine, et que le code de coordination est un élément connu que de nombreuses équipes ont déjà écrit. La gestion des interruptions est difficile, pas impossible, et l'écart entre les deux architectures se réduit à mesure de l'effort d'ingénierie. Ce qui ne se réduit pas, c'est le nombre de services pour lesquels on vous alerte à 3 h du matin.

Prix : quatre cents contre quatre cents, en quelque sorte

Les prix d'Inworld au caractère, ceux de Prism à la minute d'audio d'appel, et la conversion entre les deux : c'est là que les comparaisons honnêtes échouent.

• Inworld Realtime TTS 2 — 25 $ par million de caractères à la demande, 12,50 $ sur Growth, jusqu’à environ 5 $ en volume entreprise. TTS-2 Flash est à 15 $, 7 $ et moins de 5 $ sur les mêmes paliers. À raison d’environ 1 000 caractères par minute de parole, le tarif à la demande est d’environ 0,025 $ par minute d’audio généré.

• Rime Prism — 0,080 $ par minute d’audio d’appel sur Flex, 0,064 $ sur Scale, 50 $ de crédit gratuit sur le forfait gratuit, personnalisé sur Enterprise.

Ainsi, une minute de parole d’agent coûte environ 2,5 cents chez Inworld et 8 cents chez Prism. C’est le chiffre que publient les tableaux comparatifs, et il est trompeur pour deux raisons.

Le premier point est que les cents d’Inworld achètent un seul saut. Une cascade ajoute la reconnaissance — généralement d’un demi-cent à un cent par minute — et un tour de modèle de langage qui, aux volumes conversationnels, se situe dans les premiers centimes. Assemblez les trois et vous êtes près de six à neuf cents par minute prononcée par l’agent, ce qui encadre les huit cents de Prism. L’écart dans le tableau est un artefact lié à la comparaison d’un composant avec un système.

Le second point, c’est que la minute de Prism n’est pas une minute de parole de l’agent. Prism facture l’audio de l’appel : un appelant qui parle pendant quatre minutes et écoute l’agent pendant une minute coûte donc à Prism l’équivalent de cinq minutes. La tarification en cascade varie selon le volume de parole de l’agent ; celle de Prism dépend de la durée de l’appel. Sur une file d’attente de support avec de longs tours du client, c’est un vrai surcoût. Sur un parcours de réservation où l’agent parle la majeure partie du temps, c’est proche de l’équilibre.

La structure tarifaire d’Inworld ajoute une contrainte pratique qu’il vaut la peine de vérifier : une offre Creator à 25 $ par mois, 25 $ par million de caractères à la demande, 12,50 $ sur Growth, et une offre Enterprise sur mesure. Le nombre de connexions simultanées est de 20 connexions WebSocket sur le canal de streaming, ce qui est suffisant pour une file d’attente de taille moyenne et constitue la limite contraignante pour une grande file.

Contrôle : l’un a un endroit où se tenir, l’autre non

C’est ici que Prism justifie son positionnement premium, et il s’agit d’une différence structurelle plutôt que d’une lacune fonctionnelle.

Inworld Realtime TTS 2 est vraiment sophistiqué en matière de contexte. Il lit les tours précédents comme entrée audio, accepte des directives vocales libres formulées en anglais simple, prend en charge les balises intégrées et un mode d’épellation caractère par caractère pour les numéros de commande, les codes et les adresses. Ce mode d’épellation est ce qui s’approche le plus, dans cette comparaison, d’un contrôle avant synthèse, et il est efficace — un synthétiseur capable de dire « quatre-sept-deux » au lieu de « quatre cent soixante-douze » résout une véritable catégorie de défaillances lors des appels au support.

Mais il agit sur un texte que vous avez déjà validé. À aucun moment du tour Inworld ne dit à votre application « voici ce que je m'apprête à dire » puis n'attend. Le mode d'orthographe corrige la prononciation, pas le contenu.

Prism vous le dit, à chaque tour. Rime soutient que le texte est un point de contrôle plutôt qu’un intermédiaire : un garde-fou peut inspecter chaque mot avant qu’il ne soit prononcé, une couche de règles peut réécrire une phrase rejetée et le modèle prononce le remplacement, une affirmation interdite peut être bloquée purement et simplement tandis que l’appel continue. Savoir si le raisonnement du modèle est véritablement natif audio est une affirmation qui mérite d’être testée ; le fait que le texte arrive avant l’audio est, lui, un fait de conception.

Pour un déploiement réglementé sur un marché unique, ce fait est la raison de payer huit cents plutôt que d’assembler une cascade moins chère. Pour tout le reste, c’est une fonctionnalité que vous achetez et dont vous n’avez peut-être pas besoin.

Ce que disent réellement les affirmations du classement

Inworld présente Realtime TTS 2 comme numéro un sur l’Artificial Analysis Speech Arena. Les classements indépendants de l’arène le situent à un Elo d’environ 1 245, au troisième rang du tableau actuel, TTS-2 Flash étant à environ 1 210 et sixième. Une place dans les trois premiers sur une arène publique est un excellent résultat et une affirmation plus utile que celle du marketing ; l’écart est une déclaration de positionnement qui se heurte à un classement en direct qui évolue à mesure que les votants arrivent.

Il n’existe pas d’équivalent pour Prism. Son 56,6 sur τ-Voice est un score d’achèvement de tâches agentiques que Rime a obtenu elle-même, sur un banc d’évaluation qu’Artificial Analysis utilise aussi, sans entrée publiée dans un classement au lancement. Les deux chiffres mesurent des choses différentes — la façon dont une voix sonne pour des évaluateurs humains, par opposition à la fréquence à laquelle un agent accomplit une tâche de service simulée — et il n’existe aucune arithmétique permettant de passer de l’un à l’autre.

Cette asymétrie est, encore une fois, la comparaison en miniature. Inworld dispose d’un score de qualité vocale avec un arbitre. Prism dispose d’un score de capacité d’agent sans arbitre. Aucune des deux entreprises n’a publié de confrontation directe, et aucun des deux modèles n’a jamais été exécuté sur la même tâche par le même laboratoire.

Si vous construisez la cascade, nous routons le milieu

Inworld Realtime TTS 2 est vendu directement par Inworld et via plusieurs plateformes tierces. Rime Prism est vendu directement par Rime. Ni l’un ni l’autre ne figure au catalogue d’OrcaRouter aujourd’hui, et cet article ne prétend pas le contraire.

L'architecture en cascade à laquelle appartient le modèle d'Inworld a encore besoin d'un modèle de langue au milieu, et c'est dans ce maillon central que la qualité et le coût se décident réellement. OrcaRouter place plus de 200 modèles derrière une seule clé, avec 0 % de majoration par rapport au prix catalogue du fournisseur, avec un basculement automatique en cas de dégradation d'un fournisseur et un DSL de routage pour envoyer différents tours à différents modèles — économique pour l'accusé de réception, performant pour la recherche, le tout via un seul point de terminaison. Pour un agent vocal, c'est l'unité utile : un seul endroit pour changer de modèle sans toucher au chemin d'appel.

Nous acheminons également la synthèse, si vous la voulez sur la même clé plutôt que via un second contrat : openai/tts-1-hd et google/gemini-3.1-flash-tts-preview sont tous deux disponibles au tarif catalogue. Ni l'un ni l'autre n'est Inworld Realtime TTS 2. Tous deux constituent le dernier maillon d'une cascade que vous pouvez assembler dès aujourd'hui.

Deux questions, et celle qui tranche

Première question : combien de langues ? Si la réponse dépasse une poignée, Inworld Realtime TTS 2, et la comparaison prend fin. Deux cents locales avec une liste Tier 1 publiée de quinze l’emportent sur une liste non publiée à laquelle aucun chiffre n’est associé, et vous ne pouvez pas lancer un appel d’offres sur un champ vide.

Deuxième question : quelqu'un doit-il approuver la phrase avant qu'elle ne soit prononcée ? Si oui, Prism. Non pas parce qu'il est meilleur en matière de parole — il n'existe aucune preuve dans un sens ou dans l'autre — mais parce que c'est le seul modèle ici qui produise la phrase sous forme d'artefact que votre application peut conserver. C'est tout le produit, et cela coûte environ huit cents la minute d'appel.

Si aucun des deux ne s’impose, la réponse honnête est que vous devriez construire la cascade moins chère autour du synthétiseur d’Inworld et consacrer les économies à la gestion des interruptions, car c’est la partie de l’expérience qu’un appelant remarque réellement. Deux centimes et demi par minute pour l’étape de synthèse constituent une offre solide de la part d’un modèle classé deuxième sur une arène publique, et le checkpoint que vous refusez est celui dont vous venez de nous dire que vous n’avez pas besoin.

Une note sur les chiffres avant que quiconque ne les cite : les chiffres de couverture, de latence et de prix d’Inworld sont ceux d’Inworld, l’Elo de l’arène est celui d’Artificial Analysis, et il contredit le positionnement d’Inworld comme numéro un. Le 56,6 de Prism est celui de Rime, non reproduit. Aucun tiers indépendant n’a mesuré l’un ou l’autre modèle en train d’accomplir le travail de l’autre, ce qui est la seule lacune qu’aucune des deux entreprises n’a comblée.