Rime Prism vs Qwen-Audio-3.0-TTS : un moteur de conversation face à une couche vocale

Rime Prism facture 0,080 $ la minute. Un appel d'assistance de cinq minutes sur ce modèle coûte 0,40 $, et ces 0,40 $ paient l'écoute, le raisonnement, l'alternance des tours de parole et la synthèse vocale dans un seul modèle. Qwen-Audio-3.0-TTS facture 19,30 $ par million de caractères, soit pour le même appel environ 0,10 $ — pour la parole uniquement. Mettez ces chiffres côte à côte et la comparaison semble tranchée en faveur de Qwen. Elle ne l'est pas, car les deux modèles ne se disputent pas la même place dans une pile, et la différence de 0,30 $ correspond principalement au prix de la suppression de deux transferts sur le chemin entre la phrase d'un appelant et une réponse.

Rime a lancé Prism le 28 octobre 2026, la veille de la rédaction de cette page. Il s’agit d’un modèle parole-à-parole, et non d’un modèle texte-parole : il écoute l’audio, élabore une réponse, écrit cette réponse sous forme de texte qu’une application peut inspecter, puis parle — tout en continuant d’écouter. Alibaba a annoncé Qwen-Audio-3.0-TTS au WAIC le 20 juillet 2026, avec une version Plus orientée qualité et une version Flash orientée temps réel. Ce modèle prend du texte et renvoie de l’audio, point final. Alibaba l’a remplacé par Qwen-Audio-3.1-TTS le 23 septembre 2026 ; le 3.0 de ce titre appartient donc déjà à la génération précédente de sa propre famille — une subtilité qui revient plus loin et change ce que vous devriez réellement acheter.

La question utile n’est pas de savoir laquelle sonne mieux. C’est celle que vous placez devant un appelant, et à quoi le reste du diagramme doit ressembler si vous le faites.

Deux produits, un emplacement dans le diagramme

Un agent vocal classique est une cascade : la reconnaissance vocale transforme l’audio de l’appelant en texte, un modèle de langage décide quoi dire, la synthèse vocale reconvertit cette réponse en audio. Chaque étape est un point où l’accent de l’appelant peut se perdre, où un mot de remplissage est omis, où 200 millisecondes s’ajoutent.

L'argument de Rime est que la cascade jette quelque chose qu'elle ne peut pas récupérer. Dans une cascade, le modèle de langage n'entend jamais comment l'appelant a dit la chose — le soupir, la montée de la voix à la fin d'une question, la pause avant un numéro de carte bancaire — car tout ce qu'il reçoit est une transcription. Prism conserve le signal acoustique intact tout au long de la décision, puis émet du texte comme point de contrôle plutôt que comme format intermédiaire.

C’est une véritable différence architecturale, et c’est tout le fondement du produit. Cela signifie aussi que Prism n’est pas un remplacement direct d’un moteur TTS. Placez-le dans le dernier emplacement d’une cascade et vous avez acheté un synthétiseur vocal coûteux qui doit d’abord entendre l’appelant. Placez Qwen-Audio-3.0-TTS dans l’emplacement de Prism et vous obtenez un modèle qui n’entend absolument rien.

Ce que Rime Prism vend réellement

Prism est le premier modèle livré par Rime qui supprime les étapes STT et LLM plutôt que d’en optimiser une. La couche textuelle est la fonctionnalité à laquelle les acheteurs d’entreprise tiennent : un contrôle de politique, un filtre PII ou un superviseur humain peut lire les mots exacts sur le point d’être prononcés, et comme le modèle continue d’écouter pendant que le contrôle s’exécute, la pause n’a pas besoin d’être audible. Les appels d’outils s’exécutent en parallèle de la parole plutôt qu’avant celle-ci, ce qui constitue une autre manière de masquer la latence d’une recherche dans une base de données que l’habituelle temporisation « laissez-moi juste vérifier cela pour vous ».

Les chiffres publiés, tous issus de Rime : 0,57 seconde jusqu’au premier audio sur le benchmark τ-Voice, 56,6 % de tâches accomplies sur ce benchmark, et 82,5 % sur son sous-ensemble télécom. Une étude Revmo portant sur environ dix heures d’appels de commande réels est citée comme donnant 100 % de confirmations de commande contre 68 % pour un modèle OpenAI non nommé, avec 85 % des appels sans hallucination contre 35 %. Ces chiffres de l’étude proviennent d’une étude de cas client commandée par Rime ; la méthodologie n’est pas publiée et personne ne l’a reproduite.

La tarification est facturée à la minute d’audio d’appel et suit le même modèle à chaque niveau : 0,080 $/min sur Flex sans frais mensuels, 0,064 $/min sur Scale à 100 $ par mois, avec 100 $ de crédit reportable jusqu’à 200 $, et des tarifs selon le volume sur Enterprise. Les comptes gratuits bénéficient de 50 $ de crédit mensuel. Prism diffuse en streaming via WebSockets et fournit des intégrations pour LiveKit et Pipecat. Les API en libre-service de fine-tuning SFT et RL sont en bêta et ne sont pas en disponibilité générale ; c’est au niveau Enterprise que se trouvent le déploiement sur site et dans un VPC, les voix personnalisées, un BAA HIPAA et SOC 2 Type II.

Ce que Qwen-Audio-3.0-TTS vend réellement

Qwen-Audio-3.0-TTS est un synthétiseur doté d'un contrôle inhabituel. Il accepte des balises de diction intégrées — [gasp], [laughs], [angry] — insérées dans le texte lui-même, de sorte que l'émotion est associée à un personnage plutôt qu'à tout un paragraphe. Il prend en charge 16 langues et 20 dialectes chinois, génère jusqu'à trois minutes par requête à 48 kHz et s'accompagne d'une bibliothèque de plus de 1 000 voix. Le niveau Plus est celui dédié à la qualité ; Flash est destiné à l'interaction en temps réel, et la documentation d'Alibaba situe sa latence du premier paquet sous les 200 millisecondes, tandis que la couverture médiatique du lancement initial évoquait environ 300.

Le prix catalogue est de 0,19253 $ pour 10 000 caractères dans la région de Pékin et de 0,20 $ à Singapour, soit de 19,30 $ à 20 $ par million de caractères — le chiffre qu’Artificial Analysis affiche sur son classement. Le débit est plafonné à 180 requêtes par minute dans les deux régions. Il n’y a ni poids, ni option d’auto-hébergement, ni solution sur site : si les régions d’Alibaba posent problème pour votre revue de résidence des données, ce modèle ne vous est simplement pas accessible.

Le tableau des scores

• Catégorie — Rime Prism entend l’audio et répond vocalement ; Qwen-Audio-3.0-TTS prend du texte et renvoie de l’audio.

• Lancement — Prism le 28 octobre 2026 ; Qwen-Audio-3.0-TTS le 20 juillet 2026, remplacé par Qwen-Audio-3.1-TTS le 23 septembre 2026.

• Unité de facturation — Prism 0,080 $ par minute d'audio d'appel sur Flex, 0,064 $ sur Scale ; Qwen 19,30 $ par million de caractères sur Plus, environ 13,75 $ à 15 $ par million sur Flash.

• Latence — Prism 0,57 s jusqu'au premier son, mesuré par le fournisseur ; Qwen Flash sous les 200 ms pour le premier paquet, selon la documentation d'Alibaba.

• Score indépendant — Prism n’en a aucun dans l’indice Speech-to-Speech d’Artificial Analysis ; Qwen-Audio-3.0-TTS-Plus se situe à l’Elo 1 269, sixième sur 99 dans le Text-to-Speech Arena, selon le classement en date du 29 octobre 2026.

• Langues — Prism : anglais uniquement au lancement ; Qwen : 16 langues plus 20 dialectes chinois.

• Déploiement — Prism cloud, VPC ou sur site avec BAA HIPAA et SOC 2 Type II sur Enterprise ; Qwen uniquement via Alibaba Cloud Model Studio.

L'appel de cinq minutes, tarifé

Supposons un appel entrant au support de cinq minutes, pendant lequel l’agent prononce environ 1 000 caractères par minute — la FAQ tarifaire de Rime utilise elle-même ce ratio pour convertir entre son TTS facturé au caractère et son Prism facturé à la minute, ce qui en fait un dénominateur commun équitable. Cela représente 5 000 caractères de parole.

Sur Prism, la facture correspond à cinq minutes à 0,080 $, soit 0,40 $. Au tarif Scale, elle est de 0,32 $. Dix mille appels de ce type coûtent respectivement 4 000 $ et 3 200 $.

Sur une cascade construite autour de Qwen-Audio-3.0-TTS-Plus, les 5 000 caractères coûtent 0,0965 $. Ajoutez la reconnaissance vocale propre à Rime à 0,002 $ la minute — cinq cents pour l'appel — et un modèle de texte pour le raisonnement. À un tarif mixte de 0,50 $ par million de tokens et quelques milliers de tokens par tour, cela ajoute bien moins d'un centime. La cascade s'établit à environ 0,11 $ par appel, soit environ 1 100 $ sur dix mille appels. Flash au lieu de Plus fait descendre le poste de synthèse à environ 0,069 $ à Pékin, et le total à environ 0,08 $.

La cascade représente donc environ un quart du prix de Prism, et l'écart se situe entre 2 900 $ et 3 200 $ pour dix mille appels. Ce sont des prix catalogue et les hypothèses sont les nôtres, pas celles de Rime ; l'important est la forme de l'écart, pas la troisième décimale.

Le maillon intermédiaire de cette cascade est aussi le seul composant que vous pouvez déplacer sans toucher aux deux autres. OrcaRouter route les modèles de texte derrière une API unique — plus de 200 modèles, le prix catalogue du fournisseur répercuté à 0 % de marge, et un basculement automatique lorsqu’un fournisseur se dégrade en cours de conversation — de sorte que l’étape de raisonnement peut être réorientée vers un modèle moins cher ou plus puissant entre deux appels. Le point de contrôle texte de Prism est du texte ordinaire pour la même raison : quel que soit son consommateur, de l’appel d’outils au résumé après appel en passant par la notation QA, il peut résider sur un point de terminaison routé et rester indépendant de la couche vocale sous-jacente.

Là où la cascade l'emporte encore

Les centres de contact multilingues, par exemple. Prism ne prend en charge que l’anglais au lancement, avec un ensemble de voix limité. Qwen-Audio-3.0-TTS prend en charge 16 langues et 20 dialectes chinois — et son successeur ajoute le transfert de timbre interlangue entre le mandarin, le cantonais, l’anglais et le japonais. Si une part significative de vos appelants ne parle pas anglais, cette comparaison s’arrête à la fiche technique.

La génération en un seul passage est le second cas. Invites IVR, notifications sortantes, chapitres de livres audio, dialogues de jeu : aucun ne suppose qu’un appelant réponde, il n’y a donc rien qu’un modèle parole-parole puisse entendre. Payer $0.080 la minute pour un modèle capable d’écouter alors que personne ne parle, c’est payer pour une moitié inutilisée.

Le volume est le troisième. À un quart du coût par appel, une cascade libère du budget pour les éléments qui différencient réellement un agent — une meilleure récupération, un modèle de raisonnement plus puissant, un routage d'escalade vers un humain.

Là où Prism l’emporte encore

La téléphonie entrante réglementée est le cas pour lequel Prism a été conçu. Une banque qui doit pouvoir montrer ce que son agent s’apprêtait à dire, et le bloquer avant qu’un client ne l’entende, ne peut pas y parvenir avec un modèle temps réel fusionné et ne peut qu’en donner une approximation avec une cascade dont l’étape texte est un service séparé avec sa propre latence et son propre mode de défaillance. Prism place le point de contrôle à l’intérieur du modèle et continue d’écouter à travers lui.

Il l’emporte aussi sur la métrique qui détermine si un appel paraît humain : le temps mort. Une cascade rapide sur le papier empile encore l’endpointing, le délai jusqu’au premier token du modèle et le délai de synthèse jusqu’au premier paquet, et une cascade qui atteint moins d’une seconde de bout en bout fait déjà bonne figure. Prism mesure 0,57 seconde entre la fin de la prise de parole de l’appelant et le premier audio de la réponse, en un seul saut.

Et il l’emporte sur le plan du déploiement pour les acheteurs qui ne peuvent pas du tout recourir à une région cloud chinoise — VPC, sur site, un BAA HIPAA, SOC 2 Type II, et le fine-tuning sur vos propres enregistrements d’appels plutôt que sur une base partagée.

Le chiffre qu’aucun des deux camps ne peut vous donner

Aucun des deux modèles ne possède le chiffre qu'une équipe d'approvisionnement aimerait le plus avoir : une comparaison directe indépendante sur le même benchmark.

Prism ne figure pas dans l’index Speech-to-Speech d’Artificial Analysis. Son chiffre τ-Voice de 56,6 % est un résultat exécuté par le fournisseur, et le tableau que Rime publie à côté mérite d’être lu attentivement : GPT-Live-1 (Sol, low) y est positionné à 59,3 %, soit plus que Prism, tandis que le texte d’accompagnement affirme que Prism est « en avance sur tous les modèles temps réel d’OpenAI et de Google ». Les publications de lancement citent aussi « moins de 300 ms » et « 4× plus rapide que GPT-Live », des chiffres qui n’apparaissent pas dans le tableau de référence, lequel indique 0,57 s. Des mesures différentes peuvent expliquer cet écart ; la page ne le fait pas.

Le score de Qwen est le plus solide, car 1 269 points Elo proviennent de votes d’auditeurs à l’aveugle plutôt que d’Alibaba. Ce n’est d’ailleurs plus le meilleur score de sa propre famille : Qwen-Audio-3.1-TTS-Plus occupe la troisième place avec 1 305 au 29 octobre 2026, et les révisions d’Artificial Analysis ont fait bouger ce classement plus d’une fois cette année ; les scores issus de différents instantanés ne devraient donc jamais être soustraits les uns des autres.

La mise en garde propre à Rime joue en sens inverse. Les seules voix Rime qui ont été classées indépendamment sont ses modèles TTS, et sur le même classement, Coda occupe la 65e place avec un Elo de 1 054, tandis que Mist V2 est 92e à 903 — la moitié inférieure sur 99. Prism pourrait fort bien sonner mieux que ses homologues ; rien de publié ne permet à un acheteur de le confirmer avant de signer.

Quoi regarder

Trois choses changeraient la recommandation. L'apparition de Prism sur le Speech-to-Speech Index lui donnerait le premier chiffre indépendant qu'il ait jamais eu. Le fonctionnement en duplex intégral — Prism est en semi-duplex avec barge-in au lancement — élargirait l'écart face à toute cascade qui doit attendre que l'appelant ait fini de parler. Et la sortie de la phase bêta des API de fine-tuning en libre-service, c'est la différence entre « les entreprises peuvent faire du fine-tuning » et « vous pouvez faire du fine-tuning mardi ».

De l'autre côté, observez ce qu'Alibaba fera de la tarification de Qwen-Audio-3.1-TTS après la réduction d'environ 70 % qu'il a appliquée le 22 septembre 2026. Une cascade dont les étapes intermédiaire et finale deviennent toutes deux moins chères est une cible mouvante, et le tarif à la minute de Prism est fixé en fonction de celle-ci.

Pour la plupart des équipes, la réponse honnête est les deux, pas l'un ou l'autre. Placez Prism face aux appelants entrants dont les conversations exigent un point de contrôle et un budget de latence à saut unique. Placez Qwen-Audio-3.0-TTS — ou, plus réalistement aujourd'hui, Qwen-Audio-3.1-TTS — sur les chemins sortants où personne ne répond et où la facture se compte au caractère. L'erreur consiste à en choisir un seul parce qu'un tableau de benchmarks l'a dit, alors que ce tableau comporte une note de bas de page et que c'est cette note qui fait l'essentiel du travail.