Rime Prism לעומת Inworld Realtime TTS 2: 200 לוקאלים מול צ'קפוינט אחד
- OrcaחדשOrcaCyber: MiniMax M3.1 Flash Abliterated2026-10-29131 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated2026-10-2792 tok/s
- OrcaחדשOrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 260 tok/s
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 92 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2446אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 104 tok/s
- minimaxחדשMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 65 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 101 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2854אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 180 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2127אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2130אינטליגנציה
- xAIGrok 4.72026-09-2134אינטליגנציה
הנה עובדה שאמורה לשים קץ לרוב הגרסאות של ההשוואה הזו לפני שמישהו בכלל פותח בנצ'מרק: Inworld Realtime TTS 2 מפרסם כיסוי ביותר מ-200 לוקאלים ומגיע עם 282 קולות מובנים, בעוד Rime Prism אינה מפרסמת מספר שפות ומספר קולות כלל. אם אתם פורסים סוכן קולי לתריסר שווקים, זו אינה פשרה שצריך לשקול — זהו מסנן שמסיר אפשרות אחת. ההשוואה נשארת מעניינת רק עבור הקונה שפועל בשוק יחיד וכפוף לרגולציה, מכיוון שRime Prism הוא המודל היחיד בזוג הזה שמאפשר לאפליקציה לקרוא ולחסום משפט לפני שהמתקשר שומע אותו. Inworld Realtime TTS 2 הוא מודל טקסט לדיבור עם סיפור זמן אמת מוצלח מאוד, ואין לו צ'קפוינט מקביל, מכיוון שבזמן שהוא רואה טקסט, ההחלטה כבר התקבלה.
השמות גם מטעים באופן שכבר הוליד עצות גרועות. "Inworld Realtime TTS 2" אינו מודל דיבור-לדיבור. "Rime Prism" הוא כן. ההבחנה הזו עומדת בבסיס כל מספר בהמשך וכדאי לומר אותה לפני שהמספרים מתחילים.
אחד מאלה אינו סוכן
Inworld Realtime TTS 2 הוא טקסט נכנס, אודיו יוצא. התנהגות דופלקס — כלומר שמיעה של המתקשר בזמן הדיבור וטיפול בהפרעות — מגיעה מה-API הנפרד Realtime של Inworld, שמדבר בפרוטוקול OpenAI Realtime ומצהיר על השהיית שיבוש של כ-100 מ״ש. מדובר במוצר שני עם אינטגרציה שנייה, ולא בתכונה של מודל ה-TTS עצמו. מי שקורא "Realtime" בשם המודל ומניח שמדובר בדיבור-לדיבור מקצה לקצה פשוט קרא את הקטלוג שלא כהלכה.
Prism היא צורה אחרת לגמרי. אודיו נכנס, אודיו יוצא, במערכת אחת, עם נקודת ציון טקסטואלית באמצע וקריאות לכלים שרצות לצד הדיבור ולא לפניו. היא מתומחרת לפי דקת אודיו של שיחה בדיוק מהסיבה הזו — אתה קונה את השיחה, לא את הטקסט.
אז ההצגה הכנה של ההתמודדות הזו היא: {{1}}Inworld Realtime TTS 2{{/1}} הוא שלב הסינתזה הטוב ביותר בקטגוריה עבור קסקייד שאתם מרכיבים, ו{{2}}Prism{{/2}} הוא תחליף לקסקייד. אתם יכולים להעדיף את {{3}}Inworld{{/3}} ועדיין לבנות סוכן בצורת {{4}}Prism{{/4}}, רק ביותר חלקים. אתם לא יכולים להעדיף את {{5}}Prism{{/5}} ולקבל את כיסוי השפות של {{6}}Inworld{{/6}}, כי הוא לא מפורסם.
מספרי הכיסוי, ומה הם שווים
הרשימה של Inworld ספציפית באופן יוצא דופן, וזה כשלעצמו מאלף:
• לוקלים — יותר מ-200, מחולקים ל-15 באיכות Tier 1 ול-79 ברמת Tier 2.
• קולות — 282 מובנים, עם 20 ערכות מוכנות מראש מובחרות.
• שיבוט — zero-shot מ-5 עד 15 שניות של אודיו; Professional Voice Cloning בתצוגה מקדימה ובלעדי לדגם הדגל.
• רציפות — זהות קולית אחת ועקבית הנשמרת חוצת שפות, והיא המאפיין שגורם להשקת מותג רב־שווקית להיראות מכוונת ולא מתורגמת.
• אודיו — פלט MP3, WAV, OGG, FLAC ו-PCM, 8 kHz עד 48 kHz, ברירת מחדל 24 kHz.
• תפוקה — 2,000 תווים לכל בקשה, הזרמת WebSocket עם 20 חיבורים במקביל ו-5 הקשרים.
• השהיה — זמן עד לבית הראשון (TTFB) בצד השרת באחוזון 99 (P99) מתחת ל-100 מ״ש עבור TTS-2; גרסת Flash שהושקה ב-31 באוגוסט 2026 מצהירה על מתחת ל-25 מ״ש, עם מדידת צד שלישי קרובה ל-25 מ״ש.
החלוקה ל-Tier 1 ול-Tier 2 היא החלק שראוי לתשומת לב, ולא המספר הבולט של יותר מ-200. חמישה־עשר לוקאלים באיכות דגל מתוך 200 נתמכים הם גילוי כן באמת, והוא אומר לך היכן המוצר למעשה גמור. אם השווקים שלך הם אנגלית, ספרדית, פורטוגזית, גרמנית, צרפתית ויפנית, סביר שאתה ב-Tier 1 והמספר הבולט אמיתי. אם הם 185 האחרים, אתה נמצא בחלק מהקטלוג שקיים אך לא עבר אוצרות.
השוו זאת ל-Prism, שבה היעדר רשימה מפורסמת אינו ראיה לכיסוי דל — Rime מפרסמת נתוני שפות וקולות עבור מוצרי הטקסט-לדיבור הנפרדים שלה, אך לא עבור Prism — אך הוא ראיה לכך שאינכם יכולים לתכנן על פיו. עבור פריסה בשוק בודד בשפה ש-Rime בונה עבורה, ההיעדר הזה אינו עולה לכם דבר. עבור כל היקף רחב יותר, הוא התשובה כולה.
שאלת הדופלקס שאיש לא שואל
"Realtime TTS" ו-"speech-to-speech" נשמעים כמו אותה הבטחה, אבל כשמפריעים להם באמצע הם מתנהגים אחרת לגמרי.
במפל הבנוי על {{1}}Inworld Realtime TTS 2{{/1}}, טיפול בקטיעות הוא בעיית תיאום בין שלושה שירותים. המזהה חייב לזהות שהמתקשר התחיל לדבר, המתזמר חייב לבטל את סבב מודל השפה, ומנוע הסינתזה חייב לעצור באמצע הזרם ולנקות את המאגר שלו. {{2}}Inworld's Realtime API{{/2}} עושה היטב את החלק של מנוע הסינתזה — כ-100 אלפיות השנייה עד לקטיעה — אבל שני החלקים האחרים באחריותכם, והכשל נשמע היטב: הסוכן ממשיך לדבר לרגע אחרי שהמתקשר התחיל, ואז מתחיל משפט מחדש מהמקום הלא נכון.
Prism מטפל בזה בתוך מודל אחד, ו-Rime מציינת את הטיפול בהפרעות כנקודת שיחה לשותפי עיצוב. זה לא מדד שאפשר לקרוא; זה סוג של באג שמפסיקים לחוות. עבור קו תמיכה שבו מתקשרים מדברים מעל הסוכן כל הזמן, זה שווה יותר מכמה נקודות של Elo.
הטענה הנגדית היא שמפל שנבנה היטב עם מסלול ביטול אגרסיבי הוא באמת טוב בכך, וקוד התיאום הוא גורם מוכר שצוותים רבים כבר כתבו. טיפול בהפרעות הוא קשה, לא בלתי אפשרי, והפער בין שתי הארכיטקטורות הולך ומצטמצם עם מאמץ הנדסי. מה שלא מצטמצם הוא מספר השירותים שמזעיקים אותך ב-3 לפנות בוקר.
מחיר: ארבעה סנטים לעומת ארבעה סנטים, פחות או יותר
המחירים של Inworld לפי תו, המחירים של Prism לפי דקת אודיו של שיחה, וההמרה ביניהם — שם ההשוואות ההוגנות יוצאות שגויות.
• Inworld Realtime TTS 2 — $25 למיליון תווים לפי דרישה, $12.50 ב-Growth, ועד כ-$5 בנפח ארגוני. TTS-2 Flash עומד על $15, $7 ופחות מ-$5 באותן מדרגות. בקצב של כ-1,000 תווים לדקת דיבור, התעריף לפי דרישה הוא כ-$0.025 לדקת אודיו שנוצר.
• Rime Prism — $0.080 לדקת אודיו של שיחה ב-Flex, $0.064 ב-Scale, $50 זיכוי חינם במסלול החינמי, ובהתאמה אישית ב-Enterprise.
אז דקת דיבור של סוכן עולה כ-2.5 סנט אצל Inworld ו-8 סנט אצל Prism. זהו המספר שטבלאות ההשוואה מציגות, והוא מטעה משתי סיבות.
הראשון הוא שהסנטים של Inworld קונים הופ אחד. מפל מוסיף זיהוי — בדרך כלל חצי סנט עד סנט לדקה — ותור של מודל שפה, שבנפחי שיחה נופל בספרות חד-ספרתיות נמוכות. חברו את שלושת אלה ותגיעו לכמעט שישה עד תשעה סנטים לדקת דיבור של סוכן, מה שמקיף את השמונה של Prism. הפער בטבלה הוא תוצר של השוואת רכיב למערכת.
הנקודה השנייה היא שהדקה של Prism אינה דקת דיבור של הסוכן. היא מחייבת על אודיו של השיחה, כך שטלפן שמדבר במשך ארבע דקות ושומע את הסוכן במשך דקה אחת מחייב את Prism בחמש דקות. התמחור של Cascade גדל לפי כמות הדיבור של הסוכן; זה של Prism גדל לפי משך השיחה. בתור תמיכה עם תורות לקוח ארוכים, מדובר בתוספת מחיר ממשית. בתהליך הזמנה שבו הסוכן מדבר את רוב הדיבור, זה כמעט מתקזז.
מבנה התוכניות של Inworld מוסיף אילוץ מעשי שכדאי לבדוק: תוכנית Creator ב-$25 לחודש, $25 למיליון תווים לפי דרישה, $12.50 ב-Growth, ארגוני מותאם אישית. המקביליות עומדת על 20 חיבורי WebSocket בנתיב הזרימה, אשר עבור תור בגודל בינוני מספיקה, ועבור תור גדול מהווה את המגבלה המחייבת.
שליטה: לאחד יש מקום לעמוד, ולשני אין
כאן Prism מצדיק את מחיר הפרמיום שלו, וזהו הבדל מבני ולא פער בתכונות.
Inworld Realtime TTS 2 הוא באמת מתוחכם בכל הנוגע להקשר. הוא קורא תורים קודמים כקלט אודיו, מקבל הנחיות קוליות חופשיות באנגלית פשוטה, ותומך בתגים מוטמעים ובמצב איות תו-אחר-תו עבור מספרי הזמנות, קודים וכתובות. מצב האיות הזה הוא הדבר הקרוב ביותר בהשוואה הזו לבקרה לפני דיבור, והוא טוב — סינתיסייזר שיכול לומר "ארבע-שבע-שתיים" במקום "ארבע מאות שבעים ושתיים" פותר סוג אמיתי של כשל בשיחות תמיכה.
אבל הוא פועל על טקסט שכבר התחייבת לו. אין נקודה בתור שבה Inworld אומר ליישום שלך "הנה מה שאני עומד לומר" וממתין. מצב האיות מתקן את ההגייה, לא את התוכן.
Prism אומר לך זאת בכל תור. הטענה של Rime היא שהטקסט הוא נקודת ביקורת ולא שלב ביניים: מעקה בטיחות יכול לבדוק כל מילה לפני שהיא נאמרת, שכבת מדיניות יכולה לשכתב משפט שנדחה והמודל משמיע את הנוסח החלופי, וטענה אסורה יכולה להיחסם על הסף בזמן שהשיחה נמשכת. האם ההסקה של המודל היא באמת ילידת אודיו היא טענה שראויה לבדיקה; ואילו השאלה אם הטקסט מגיע לפני האודיו היא עובדת תכנון.
עבור פריסה מוסדרת בשוק יחיד, עובדה זו היא הסיבה לשלם שמונה סנטים במקום להרכיב מפל זול יותר. בכל שאר המקרים, זהו מאפיין שאתם קונים ואולי אינכם זקוקים לו.
מה שהטענות בלוח המובילים באמת אומרות
Inworld משווקת את Realtime TTS 2 כמספר אחת ב-Artificial Analysis Speech Arena. רשימות עצמאיות של הארנה מציבות אותו באלו (Elo) של בערך 1,245, במקום שלישי בלוח הנוכחי, כאשר TTS-2 Flash עומד על כ-1,210 ובמקום שישי. סיום בשלישייה הראשונה בארנה ציבורית הוא תוצאה מצוינת וטענה שימושית יותר מזו שבשיווק; הפער הוא הצהרת מיצוב שמתנגשת עם טבלה חיה שזזה כאשר מצביעים מגיעים.
אין מקבילה ל-Prism. הציון 56.6 שלה ב-τ-Voice הוא ציון אגנטי להשלמת משימות שריים הריצה בעצמה, על מערכת הרצה שגם Artificial Analysis משתמשת בה, ללא רשומה מפורסמת בלוח המובילים בעת ההשקה. שני המספרים מודדים דברים שונים — איך קול נשמע למדרגים אנושיים לעומת באיזו תדירות סוכן משלים משימת שירות מדומה — ואין אריתמטיקה שהופכת אחד לשני.
האסימטריה הזו היא, שוב, ההשוואה בזעיר אנפין. ל-Inworld יש ציון איכות קול עם שופט. ל-Prism יש ציון יכולת סוכן בלי שופט. אף אחת מהחברות לא פרסמה השוואה ראש-בראש, ואף אחד מהמודלים מעולם לא הורץ על אותה משימה על ידי אותו מעבדה.
אם תבנה את הקסקה, אנחנו ננתב את האמצע
Inworld Realtime TTS 2 נמכר ישירות על ידי Inworld ובאמצעות מספר פלטפורמות צד שלישי. Rime Prism נמכר ישירות על ידי Rime. אף אחד מהם אינו בקטלוג של OrcaRouter היום, והמאמר הזה אינו טוען אחרת.
ארכיטקטורת הקסקדה שאליה משתייך המודל של Inworld עדיין זקוקה למודל שפה באמצע, ובאמצע הזה נקבעים בפועל האיכות והעלות. OrcaRouter מציבה יותר מ-200 מודלים מאחורי מפתח אחד בתוספת של 0% מעל מחיר המחירון של הספק, עם מעבר אוטומטי לגיבוי כאשר ספק מתדרדר ו-DSL לניתוב שנועד לשלוח תורות שונים למודלים שונים — חסכוני עבור האישור, עוצמתי עבור החיפוש, הכול דרך נקודת קצה אחת. עבור סוכן קולי זו היחידה השימושית: מקום אחד שבו משנים את המודל בלי לגעת בנתיב השיחה.
אנחנו גם מנתבים סינתזה, אם תרצו אותה על אותו מפתח ולא בחוזה שני:openai/tts-1-hdוגם google/gemini-3.1-flash-tts-preview זמינים שניהם במחיר המחירון. אף אחד מהם אינו Inworld Realtime TTS 2. שניהם הם החוליה האחרונה בשרשרת שאפשר להרכיב היום.
שתי שאלות, וזו שמכריעה את העניין
שאלה ראשונה: כמה שפות? אם התשובה היא יותר מקומץ, Inworld Realtime TTS 2, וההשוואה נגמרת. מאתיים לוקאלים עם רשימת Tier 1 מפורסמת של חמישה־עשר עדיפים על רשימה לא מפורסמת בלי מספרים מצורפים, ואי אפשר לנהל רכש מול שדה ריק.
שאלה שנייה: האם מישהו צריך לאשר את המשפט לפני שהוא נאמר? אם כן, Prism. לא משום שהוא טוב יותר בדיבור — אין ראיות לכאן או לכאן — אלא משום שזהו המודל היחיד כאן שמפיק את המשפט כארטיפקט שהאפליקציה שלך יכולה להחזיק בו. זה כל המוצר, וזה עולה כשמונה סנטים לדקת שיחה.
אם אף אחד מהשניים אינו מחייב, התשובה הכנה היא שעליך לבנות את הקסקייד הזול יותר סביב הסינתיסייזר של Inworld ולהשקיע את החיסכון בטיפול בקטיעות, כי זה החלק בחוויה שהמתקשר באמת שם לב אליו. שני סנט וחצי לדקה עבור שלב הסינתיזה מהווים הצעה חזקה ממודל המדורג שני בזירה ציבורית, והצ'קפוינט שאתה דוחה הוא זה שאמרת לנו זה עתה שאינך צריך.
הערה על הנתונים לפני שמישהו מצטט אותם: נתוני הכיסוי, השהיה והמחיר של Inworld הם של Inworld עצמה, דירוג ה-Elo של הזירה הוא של Artificial Analysis, והוא אינו תואם את המיצוב של Inworld במקום הראשון. ה-56.6 של Prism הוא של Rime, ולא שוחזר. אף גורם בלתי תלוי לא מדד אף אחד מהמודלים כשהוא מבצע את תפקידו של האחר, וזהו הפער היחיד שאף אחת משתי החברות לא סגרה.
