Rime Prism לעומת Qwen-Audio-3.0-TTS: מנוע שיחה מול שכבת קול

Rime Prism גובה $0.080 לדקה. שיחת תמיכה בת חמש דקות באמצעותו עולה $0.40, ובתמורה ל-$0.40 הזה מקבלים את ההאזנה, את ההסקה, את חילופי התורות ואת הדיבור — במודל אחד. Qwen-Audio-3.0-TTS גובה $19.30 למיליון תווים, שעבור אותה שיחה מסתכם בבערך $0.10 — עבור הדיבור בלבד. כשמציבים את המספרים האלה זה לצד זה, ההשוואה נראית מוכרעת לטובת Qwen. היא אינה מוכרעת, משום ששני המודלים אינם מתחרים על אותו מקום בסטאק, וההפרש של $0.30 הוא בעיקר המחיר של הסרת שתי העברות מהנתיב שבין משפט של מתקשר לבין תשובה.

ריים השיקה את Prism ב-28 באוקטובר 2026, יום לפני שהדף הזה נכתב. זהו מודל דיבור-לדיבור, לא מודל טקסט-לדיבור: הוא שומע אודיו, מעבד תשובה, כותב את התשובה כטקסט שאפליקציה יכולה לבדוק, ואז מדבר — ובמקביל ממשיך להקשיב. עליבאבא הכריזה על Qwen-Audio-3.0-TTS ב-WAIC ב-20 ביולי 2026, בשכבת Plus לאיכות ובשכבת Flash לזמן אמת. המודל הזה מקבל טקסט ומחזיר אודיו, נקודה. עליבאבא החליפה אותו ב-Qwen-Audio-3.1-TTS ב-23 בספטמבר 2026, כך שה-3.0 בכותרת הזו הוא כבר הדור הקודם של המשפחה של עצמו — קמט שחוזר בהמשך ומשנה מה שבאמת כדאי לכם לקנות.

השאלה השימושית אינה איזה מהם נשמע טוב יותר, אלא איזה מהם אתה מציב בפני מתקשר, ואיך שאר התרשים צריך להיראות אם תעשה זאת.

שני מוצרים, משבצת אחת בתרשים

סוכן קולי קונבנציונלי הוא מפל: זיהוי דיבור הופך את האודיו של המתקשר לטקסט, מודל שפה מחליט מה לומר, והמרת טקסט לדיבור הופכת את התשובה חזרה לאודיו. כל מעבר הוא מקום שבו המבטא של המתקשר עלול ללכת לאיבוד, שבו מילת מילוי נשמטת, שבו מתווספות 200 מילישניות.

הטיעון של Rime הוא שה-cascade משליך משהו שאין לו דרך לשחזר. ב-cascade מודל השפה לעולם אינו שומע כיצד המתקשר אמר את הדבר — האנחה, העלייה בגובה הקול בסוף שאלה, ההפסקה לפני מספר כרטיס אשראי — משום שכל מה שהוא מקבל הוא תמלול. Prism שומר על האות האקוסטי שלם לאורך כל הדרך עד לקבלת ההחלטה, ואז מפיק טקסט כנקודת ביקורת ולא כפורמט ביניים.

זהו הבדל ארכיטקטוני אמיתי, והוא הבסיס כולו של המוצר. משמעות הדבר גם היא ש-Prism אינו רכיב תחליפי למנוע TTS. אם תשלבו אותו בחריץ האחרון של קסקדה, תקבלו סינתיסייזר דיבור יקר שצריך לשמוע את המתקשר קודם. אם תשלבו את Qwen-Audio-3.0-TTS בחריץ של Prism, תקבלו מודל שאינו יכול לשמוע דבר כלל.

מה שריים פריזם בעצם מוכר

Prism הוא המודל הראשון ש-Rime השיקה ושמסיר את שלבי ה-STT וה-LLM במקום לייעל אחד מהם. שכבת הטקסט היא התכונה שמעניינת קונים ארגוניים: בדיקת מדיניות, מסנן PII או מפקח אנושי יכולים לקרוא את המילים המדויקות שעומדות להיאמר, ומכיוון שהמודל עדיין מקשיב בזמן שהבדיקה מתבצעת, ההפסקה לא חייבת להישמע. קריאות לכלים פועלות במקביל לדיבור ולא לפניו, וזו דרך אחרת להסתיר את השהיית החיפוש במסד נתונים לעומת העיכוב הרגיל של "רק רגע, אני בודק את זה עבורך".

המספרים שפורסמו, כולם מ-Rime: 0.57 שניות עד לאודיו הראשון במבחן τ-Voice, ‏56.6% השלמת משימות במבחן הזה, ו-82.5% בתת-הקבוצה שלו בתחום הטלקום. ניסוי של Revmo על כ-עשר שעות של שיחות הזמנה אמיתיות מצוטט כ-100% אישורי הזמנה לעומת 68% עבור מודל OpenAI שאינו בשמו, כאשר 85% מהשיחות ללא הזיות לעומת 35%. נתוני הניסוי הללו מגיעים ממחקר מקרה של לקוח ש-Rime הזמינה; המתודולוגיה אינה פורסמה ואיש לא שחזר אותה.

התמחור הוא לפי דקת אודיו של שיחה, ואותו מודל תמחור חל בכל הרמות: $0.080 לדקה ב-Flex ללא דמי מנוי חודשיים, $0.064 לדקה ב-Scale בתשלום של $100 לחודש הכולל $100 קרדיט שמתגלגל ל-$200, ותעריפי נפח ב-Enterprise. חשבונות חינמיים מקבלים קרדיט חודשי של $50. Prism זורם דרך WebSockets ומגיע עם אינטגרציות ל-LiveKit ול-Pipecat. ממשקי API לכיול עדין (fine-tuning) בשירות עצמי של SFT ו-RL נמצאים בבטא ואינם זמינים באופן כללי; רמת ה-Enterprise היא המקום שבו נמצאים פריסה מקומית (on-premises) ובסביבת VPC, קולות מותאמים אישית, הסכם HIPAA BAA ו-SOC 2 Type II.

מה Qwen-Audio-3.0-TTS למעשה מוכר

Qwen-Audio-3.0-TTS הוא סינתיסייזר עם שליטה יוצאת דופן. הוא מקבל תגי הגשה מוטבעים — [gasp], [laughs], [angry] — המשולבים בטקסט עצמו, כך שהרגש מיוחס לדמות ולא לפסקה שלמה. הוא מכסה 16 שפות ו-20 ניבים סיניים, מרנדר עד שלוש דקות בבקשה אחת ב-48 kHz, ומגיע עם ספרייה של יותר מ-1,000 קולות. שכבת Plus היא שכבת האיכות; Flash מכוון לאינטראקציה בזמן אמת, והתיעוד של עליבאבא מציין שהשהיית המנה הראשונה שלו נמוכה מ-200 אלפיות השנייה, בעוד שסיקור ההשקה המוקדם יותר ציין כ-300.

מחיר המחירון הוא $0.19253 לכל 10,000 תווים באזור בייג'ינג ו-$0.20 בסינגפור, כלומר $19.30 עד $20 למיליון תווים — הנתון ש-Artificial Analysis מציגה בלוח המובילים שלה. התפוקה מוגבלת ל-180 בקשות בדקה בשני האזורים. אין משקולות, אין אפשרות לאירוח עצמי ואין אפשרות פריסה מקומית: אם האזורים של אליבאבא מהווים בעיה עבור סקירת מיקום הנתונים שלך, המודל הזה פשוט אינו זמין לך.

לוח התוצאות

• קטגוריה — Rime Prism שומע אודיו ומשיב בדיבור; Qwen-Audio-3.0-TTS מקבל טקסט ומחזיר אודיו.

• {{1}}השקה{{/1}} — Prism ב־28 באוקטובר 2026; {{2}}Qwen-Audio-3.0-TTS{{/2}} ב־20 ביולי 2026, הוחלף על ידי {{3}}Qwen-Audio-3.1-TTS{{/3}} ב־23 בספטמבר 2026.

• יחידת חיוב — Prism ‏$0.080 לדקה של אודיו שיחה ב-Flex, ‏$0.064 ב-Scale; Qwen ‏$19.30 למיליון תווים ב-Plus, כ-‏$13.75 עד ‏$15 למיליון ב-Flash.

• השהיה — Prism 0.57 שניות עד לאודיו ראשון, כפי שנמדד על ידי הספק; Qwen Flash מתחת ל-200 מ״ש עד לחבילה הראשונה לפי התיעוד של Alibaba.

• ציון בלתי־תלוי — ל-Prism אין כזה במדד הדיבור־לדיבור (Speech-to-Speech) של Artificial Analysis; ‏Qwen-Audio-3.0-TTS-Plus ניצב ב-Elo 1,269, שישי מתוך 99 ב-Text-to-Speech Arena נכון למצב הלוח ב-29 באוקטובר 2026.

• שפות — Prism באנגלית בלבד בעת ההשקה; Qwen תומך ב-16 שפות ובנוסף 20 ניבים סיניים.

{{1}}פריסה{{/1}} — ענן Prism, VPC או בחצרים, עם HIPAA BAA ו-SOC 2 Type II ב-Enterprise; Qwen רק באמצעות Alibaba Cloud Model Studio.

השיחה בת חמש הדקות, מתומחרת

נניח שיחת תמיכה נכנסת בת חמש דקות שבה הנציג מדבר כ-1,000 תווים בדקה — ה-FAQ לתמחור של Rime עצמה משתמש ביחס הזה כדי להמיר בין ה-TTS שלה שמחויב לפי תווים לבין Prism שמחויב לפי דקות, כך שזה מכנה משותף הוגן. זה 5,000 תווים של דיבור.

ב-Prism החיוב הוא חמש דקות ב-$0.080, או $0.40. בתעריף Scale זה $0.32. עשרת אלפים שיחות כאלה עולות $4,000 ו-$3,200 בהתאמה.

בקסקדה שנבנתה סביב Qwen-Audio-3.0-TTS-Plus, 5,000 תווים עולים $0.0965. הוסיפו את זיהוי הדיבור של Rime עצמה ב-$0.002 לדקה — חמישה סנטים לשיחה — ומודל טקסט עבור ההיסק. בתעריף משוקלל של $0.50 למיליון טוקנים וכמה אלפי טוקנים לכל תור, זה מוסיף הרבה פחות מסנט. הקסקדה מגיעה לכמעט $0.11 לשיחה, או около $1,100 על פני עשרת אלפים שיחות. Flash במקום Plus מוריד את שורת הסינתזה לבערך $0.069 בבייג'ינג, ואת הסכום הכולל לבערך $0.08.

אז ה-Cascade עולה בערך רבע ממחירו של Prism, והפער הוא בין 2,900 ל-3,200 דולר לכל עשרת אלפים קריאות. אלה מחירי מחירון, וההנחות הן שלנו, לא של Rime; הנקודה היא צורת הפער, לא הספרה השלישית אחרי הנקודה העשרונית.

החלק האמצעי בשרשרת הזו הוא גם הרכיב היחיד שאפשר להזיז בלי לגעת בשני האחרים. OrcaRouter מנתב מודלי טקסט מאחורי API יחיד — יותר מ-200 מודלים, מחיר המחירון של הספק מועבר כפי שהוא בתוספת 0%, ומעבר אוטומטי לגיבוי כאשר ספק מתדרדר באמצע שיחה — כך שאפשר לכוון מחדש את שלב ההיסק למודל זול יותר או חזק יותר בין קריאות. הצ'קפוינט הטקסטואלי של Prism הוא טקסט רגיל מאותה סיבה: כל מה שצורך אותו, מהפעלת כלים דרך סיכום לאחר שיחה ועד ניקוד QA, יכול לשבת על נקודת קצה מנותבת ולהישאר בלתי תלוי בשכבת הקול שמתחת.

היכן שהקסקייד עדיין מנצח

מרכזי שירות רב-לשוניים, בין היתר. Prism תומך רק באנגלית בעת ההשקה, עם סט קולות מוגבל. Qwen-Audio-3.0-TTS כולל 16 שפות ו-20 דיאלקטים סיניים — ויורשו מוסיף העברת גוון קול חוצת שפות בין מנדרינית, קנטונזית, אנגלית ויפנית. אם חלק משמעותי מהפונים שלכם אינו דובר אנגלית, ההשוואה הזו מסתיימת כבר בדף המפרט.

יצירה חד-פעמית היא המקרה השני. הנחיות IVR, התראות יוצאות, פרקי ספרי שמע, דיאלוג במשחק: אף אחד מהם אינו כולל מתקשר שמדבר בחזרה, ולכן אין שום דבר שמודל דיבור-לדיבור יכול לשמוע. תשלום של $0.080 לדקה עבור מודל שמסוגל להקשיב כשאיש אינו מדבר הוא תשלום על חצי שאינו בשימוש.

הנפח הוא השלישי. ברבע מהעלות לכל קריאה, מפל משאיר תקציב לחלקים שבאמת מבדילים סוכן — שליפה טובה יותר, מודל הסקה חזק יותר, ניתוב הסלמה לאדם.

היכן ש-Prism עדיין מנצח

טלפוניה נכנסת בפיקוח רגולטורי היא המקרה שלשמו נבנה Prism. בנק שחייב להיות מסוגל להראות מה הסוכן שלו עמד לומר, ולחסום זאת לפני שהלקוח שומע אותו, אינו יכול לעשות זאת עם מודל זמן אמת מאוחד, ויכול רק להתקרב לכך באמצעות קסקייד ששלב הטקסט שלו הוא שירות נפרד, עם השהיה משל עצמו ומצב כשל משל עצמו. Prism מציב את נקודת הביקורת בתוך המודל וממשיך להאזין דרכו.

הוא גם מנצח במדד שמכריע אם שיחה מרגישה אנושית: זמן השקט. קסקייד שנראה מהיר על הנייר עדיין מצטבר מזיהוי סוף הדיבור, זמן המודל עד לאסימון הראשון וזמן הסינתזה עד לחבילה הראשונה, וקסקייד שמסתיים בפחות משנייה מקצה לקצה נחשב טוב. Prism מודד 0.57 שניות מסוף תורו של המתקשר עד לאודיו הראשון של התשובה, בהופ אחד.

והוא גובר בכל הקשור לפריסה עבור הלקוחות שאינם יכולים להשתמש כלל באזור ענן סיני — VPC, תשתית מקומית (on-premises), הסכם BAA לפי HIPAA, SOC 2 Type II, וכיוונון עדין על הקלטות השיחות שלכם ולא על מודל בסיס משותף.

המספר שאף צד לא יכול לתת לך

לאף אחד משני המודלים אין הנתון שצוות רכש היה רוצה ביותר: השוואה ישירה ובלתי תלויה באותו מבחן.

Prism אינו מופיע ב-Speech-to-Speech Index של Artificial Analysis. נתון ה-τ-Voice שלו, 56.6%, הוא תוצאה שנמדדה על ידי הספק, והטבלה ש-Rime מפרסמת לצידו ראויה לקריאה מדוקדקת: GPT-Live-1 (Sol, low) מוצג בה ב-59.3%, גבוה מ-Prism, בעוד שהטקסט שמסביב אומר ש-Prism נמצא "מקדים כל מודל בזמן אמת של OpenAI ו-Google". פוסטים של ההשקה גם מציינים "מתחת ל-300 מילישניות" ו"מהיר פי 4 מ-GPT-Live", נתונים שאינם מופיעים בטבלת הבנצ'מרק, שבה כתוב 0.57 שניות. מדידות שונות עשויות להסביר את ההבדל; הדף אינו עושה זאת.

הנתון של Qwen הוא החזק יותר, משום ש-1,269 Elo מגיע מהצבעות מאזינים בעיוורון ולא מ-Alibaba. הוא גם כבר אינו הציון הטוב ביותר במשפחה שלו: Qwen-Audio-3.1-TTS-Plus מדורג שלישי עם 1,305 נכון ל-29 באוקטובר 2026, ועדכונים של artificial-analysis הזיזו את לוח הדירוג הזה יותר מפעם אחת השנה, ולכן אין להחסיר ציונים מתמונות מצב שונות זה מזה.

הזהירות הספציפית ל-Rime פועלת דווקא בכיוון ההפוך. הקולות היחידים של Rime שדורגו באופן עצמאי הם מודלי ה-TTS שלה, ובאותו לוח דירוג Coda מדורגת במקום ה-65 עם Elo 1,054 ו-Mist V2 במקום ה-92 עם 903 — המחצית התחתונה מבין 99. Prism עשוי בהחלט להישמע טוב יותר מאחיו; שום דבר שפורסם לא מאפשר לקונה לאמת זאת לפני החתימה.

מה לראות

שלושה דברים ישנו את ההמלצה. הופעתה של Prism במדד Speech-to-Speech Index תעניק לה את הנתון העצמאי הראשון שאי־פעם היה לה. מצב דופלקס מלא — Prism היא חצי־דופלקס עם barge-in בהשקה — ירחיב את הפער מול כל קסקדה שנאלצת להמתין עד שהמתקשר יסיים. והיציאה מבטא של ממשקי ה־API לכוונון עדין בשירות עצמי היא ההבדל בין „ארגונים יכולים לכוונן עדין” לבין „אתם יכולים לכוונן עדין ביום שלישי”.

מצד שני, שימו לב למה שאליבאבא תעשה עם התמחור של Qwen-Audio-3.1-TTS לאחר הקיצוץ של כ-70% שהיא יישמה ב-22 בספטמבר 2026. מפל שדילוגי הביניים והסיום שלו הולכים ונהיים זולים יותר הוא מטרה נעה, ותעריף הדקה של Prism קבוע מולו.

עבור רוב הצוותים התשובה הכנה היא גם וגם, ולא אחד מהשניים. הציבו את Prism מול מתקשרים נכנסים שהשיחות שלהם זקוקות לנקודת ביקורת ולתקציב השהיה של קפיצה אחת. הציבו את Qwen-Audio-3.0-TTS — או, באופן ריאלי יותר כיום, את Qwen-Audio-3.1-TTS — במסלולים יוצאים שבהם איש לא משיב והחשבון הוא לפי תו. הטעות היא לבחור באחד מהם מפני שטבלת בנצ'מרקים אמרה כך, כשלטבלה יש הערת שוליים והערת השוליים עושה את רוב העבודה.