Rime Prism vs ElevenLabs: Dua Model Ucapan-ke-Ucapan, Satu Angka Latensi

Berjarak sebelas hari, dua perusahaan merilis ide yang sama dan melaporkan angka yang sama. Rime Prism hadir pada 28 Oktober 2026 dengan 0,57 detik hingga audio pertama. Eleven Realtime v1 Max, model speech-to-speech end-to-end milik ElevenLabs sendiri, hadir pada 20 Oktober 2026 — juga 0,57 detik. Kebetulan ini adalah hal paling berguna dari pertarungan ini, karena artinya latensi bukanlah penentu keputusan. Ketika dua model sudah imbang dalam hal waktu, yang membedakan keduanya adalah apa yang terjadi dalam setengah detik itu, dan kedua model ini menghabiskannya dengan cara yang berlawanan: Eleven Realtime v1 Max mendengarkan dan berbicara, sementara Rime Prism menulis terlebih dahulu.

Ini adalah perbandingan yang paling mirip dalam batch ini dan perbandingan yang pilihannya benar-benar penting, karena kedua produk menggantikan seluruh cascade, bukan hanya satu komponen, dan keduanya mematok harga audio delapan sen per menit.

Jawaban singkatnya

Eleven Realtime v1 Max adalah pilihan yang lebih baik ketika cakupan dan inventaris suara menjadi penentu: lebih dari 90 bahasa dan lebih dari 17.000 suara adalah katalog yang tidak dapat ditandingi pesaing mana pun dalam pasangan ini, dan soketnya kompatibel secara wire dengan OpenAI's Realtime API, yang berarti migrasi hanyalah perubahan endpoint, bukan penulisan ulang.

Rime Prism adalah pilihan yang lebih baik ketika apa yang dikatakan agen harus dapat diperiksa sebelum diucapkan. Ini adalah satu-satunya model dalam pasangan ini yang memberikan string teks kepada aplikasi di tengah giliran dengan opsi untuk menulis ulang atau memblokirnya, dan satu-satunya yang menawarkan deployment on-prem atau VPC.

Keduanya dihargai $0,080 per menit audio, dan kesetaraan yang tampak itu menyembunyikan kesenjangan nyata: ElevenLabs menagih $0,080 per menit audio tersambung ditambah token model, sementara Rime menagih $0,080 per menit dan tanpa token. Pada agen dengan intensitas panggilan tinggi, itu bukan perbedaan pembulatan.

Apa yang sebenarnya diumumkan oleh masing-masing perusahaan

ElevenLabs merilis sebuah keluarga, bukan sekadar satu model. Eleven Realtime v1 Max adalah varian untuk tugas kompleks — dukungan, kualifikasi prospek, apa pun yang menggunakan tool. Eleven Realtime v1 Mini adalah varian percakapan untuk asisten, tutor, dan karakter. Keduanya merupakan jaringan end-to-end tunggal yang menggabungkan pengenalan, giliran bicara, penalaran, dan pembangkitan suara menjadi satu sistem, bukan tiga tahap yang disambung-sambung. Alasan yang dikemukakan ElevenLabs untuk pendekatan ini adalah soal sambungan: keheningan setelah jeda, menimpa pembicaraan saat ada interupsi, transkrip yang tidak sesuai dengan suara. Semua itu adalah artefak kaskade, dan solusi yang ditawarkan adalah menyetel keempat tahap secara bersamaan.

Jalur aksesnya sengaja dibuat membosankan, dan itu justru pujian. Eleven Realtime berjalan di dalam ElevenAgents melalui dropdown, atau melalui Realtime API di wss://api.elevenlabs.io/v1/convai/realtime yang kompatibel secara wire dengan protokol Realtime OpenAI — ubah endpoint dan nama modelnya, dan SDK OpenAI yang sudah ada akan berfungsi tanpa perubahan. Saat peluncuran, hanya WebSocket; belum ada jalur WebRTC.

Pengumuman Rime memiliki bentuk yang berbeda. Satu model, Prism, yang diposisikan untuk pusat kontak perusahaan, dengan klaim pembeda berupa text checkpoint alih-alih keluarga varian. Tersedia tier gratis dengan kredit $50, Flex seharga $0.080/menit, Scale seharga $0.064/menit, dan tier Enterprise yang menambahkan VPC dan on-prem serta fine-tuning pada rekaman panggilan pelanggan dan suara kustom. Tidak ada WebRTC juga, tetapi ada streaming, integrasi LiveKit dan Pipecat, telefoni 8 kHz, dan SOC 2 dengan klaim HIPAA.

Satu detail yang perlu diperhatikan bagi siapa pun yang merencanakan peluncuran: ElevenLabs menyebut Eleven Realtime akan diluncurkan secara bertahap, dan pengenal model telah ada di changelog-nya sejak awal Agustus. Tanggal 20 Oktober adalah pengumumannya. Jika akun Anda tidak menampilkan model tersebut di menu tarik-turun ElevenAgents, itu merupakan rilis bertahap, bukan kesalahan konfigurasi.

Checkpoint adalah pembeda yang sesungguhnya

Kedua model bersifat end-to-end. Hanya salah satunya yang menyisakan artefak teks yang dapat Anda tindak lanjuti sebelum penelepon mendengar apa pun.

Eleven Realtime v1 Max berjalan dari audio masuk ke audio keluar. Ada transkrip di sisi lain panggilan, dan ada system prompt di hulu alurnya, tetapi tidak ada titik dalam giliran percakapan ketika aplikasi Anda menyimpan kalimat berikutnya dari agen sebagai string dan memutuskan apakah akan mengirimkannya. Itu bukan kritik — itu adalah arsitektur yang dipilih ElevenLabs, dan itulah arsitektur yang menghasilkan kealamian yang dijual perusahaan. Melipat empat tahap menjadi satu jaringan justru menghilangkan sambungan yang dapat diperiksa.

Prism mempertahankan sambungan itu. Rime mengatakan model menyusun draf balasannya sebagai teks, aplikasi dapat menulis ulang, memblokir, memberi tag, atau memperbaiki pelafalan pada teks tersebut, lalu audio menyusul. Panggilan alat berjalan secara paralel dengan ucapan, bukan sebelum ucapan. Klaim bahwa ini bukan kaskade bertumpu pada penalaran yang terjadi melalui audio — nada, keraguan, dan kebisingan latar memengaruhi balasan — dengan teks sebagai titik persinggahan keluaran, bukan masukan.

Bagi tim kepatuhan, perbedaan itu adalah inti dari seluruh proses pengadaan. "Agen tidak boleh mengatakan X" dapat ditegakkan di Prism pada tingkat kalimat dan hanya dapat ditegakkan di Eleven Realtime pada tingkat prompt, yang berarti secara probabilistik. Bagi tim produk yang membangun karakter atau tutor, berlaku sebaliknya: checkpoint hanyalah beban tambahan, dan naturalitas yang berasal dari satu jaringan yang telah disetel adalah produknya.

Dua angka 0,57 detik yang bukan pengukuran yang sama

Paritasnya nyata, tetapi instrumennya berbeda, dan perbedaan itu penting jika Anda berencana mengutip salah satu angka tersebut.

Angka 0,57 detik untuk Eleven Realtime v1 Max merupakan pengukuran Artificial Analysis — pihak ketiga yang menjalankannya, dengan penghitung waktu yang sama yang dipakai untuk entri speech-to-speech lainnya, lalu menerbitkannya. Eleven Realtime v1 Mini mencapai 0,62 detik pada instrumen yang sama.

Angka 0,57 detik milik Prism adalah angka Rime sendiri, yang dihasilkan pada harness τ-Voice yang juga digunakan Artificial Analysis, tetapi dijalankan oleh Rime. Prism tidak memiliki entri papan peringkat publik saat peluncuran. Jadi, satu angka memiliki wasit dan yang lainnya tidak, meskipun keduanya bernilai sama hingga dua angka desimal. Melaporkan keduanya secara berdampingan sebagai hasil seri masih dapat dipertahankan; melaporkannya sebagai bukti yang setara tidak.

Skor lainnya berbeda tajam, dan sekali lagi pada instrumen yang berbeda. Eleven Realtime v1 Max mencatat 98,8% pada Big Bench Audio berbanding 75,9 hingga 76% untuk Mini, tingkat keberhasilan tugas 87,1% berbanding 60,3%, Full-Duplex-Bench 94,1 berbanding 95,8%, dan Arena Elo sekitar 997 hingga 998 berbanding 988. Skor ini juga tidak dinilai pada Speech-to-Speech Index dan tidak membawa skor agentik τ-Voice — jadi tidak ada angka terbit yang menempatkan Eleven Realtime v1 Max dan Prism pada sumbu yang sama sama sekali. Siapa pun yang menyandingkan 56,6 milik Prism dengan 98,8 milik ElevenLabs membandingkan tolok ukur penyelesaian tugas dengan tolok ukur kualitas audio dan memperoleh selisih 42 poin yang tidak bermakna.

Selisih harga ada pada baris token.

Sekilas, kedua produk berbiaya delapan sen per menit. Baca kartu tarifnya, dan ternyata tidak demikian.

• ElevenLabs — $0,080 per menit audio tersambung, ditambah token model. Eleven Realtime v1 Mini adalah $0,20 input dan $6,00 output per juta token; v1 Max adalah $1,80 input dan $9,00 output. Kelebihan burst menggandakan tarif audio menjadi $0,16/menit. Di dalam ElevenAgents tarif standarnya adalah $0,08/menit ditambah token LLM.

• Rime — $0.080 per menit untuk audio Prism di Flex, $0.064 di Scale, tanpa biaya token tambahan. Paket gratis mencakup kredit penggunaan senilai $50 untuk Prism, Mist v3, Coda v2, dan Rime STT.

Seberapa besar biaya pos token bagi Anda sepenuhnya bergantung pada seberapa banyak agen berpikir. Panggilan dukungan lima menit ketika agen mengambil delapan giliran dan setiap giliran menalar atas beberapa ribu token tidak gratis pada tarif $1,80 per juta input dan $9,00 per juta output di Max — itu adalah meteran kedua yang berjalan berdampingan dengan meteran pertama. Bagi asisten singkat yang banyak memberi konfirmasi di Mini, pos token hanyalah noise. Bagi penerapan Max yang melakukan orkestrasi alat sungguhan, biaya itu bisa menyaingi biaya audio.

Tarif per menit flat Rime punya jebakannya sendiri, dan ini kebalikannya. Prism menagih audio panggilan, bukan ucapan agen, jadi panggilan dengan penelepon yang bertele-tele biayanya sama dengan panggilan di mana agen tidak pernah berhenti bicara. Jika panggilan Anda cenderung memiliki giliran agen yang singkat dan giliran pelanggan yang panjang, tarif per menit Prism adalah yang lebih mahal di antara keduanya, dengan selisih yang tidak ada hubungannya dengan model.

Simulasikan kedua meteran tarif itu berdasarkan distribusi panggilan Anda sendiri sebelum Anda berkomitmen. Tidak satu pun vendor menerbitkan kalkulator, dan angka utama delapan sen itu sungguh bukan angka yang akan ditagihkan salah satu dari mereka kepada Anda.

Cakupan, suara, dan pertanyaan penerapan

ElevenLabs unggul dalam cakupan begitu meyakinkan sehingga layak dinyatakan secara terang-terangan alih-alih disembunyikan: lebih dari 90 bahasa dan lebih dari 17.000 suara. Rime sama sekali tidak mempublikasikan jumlah bahasa atau inventaris suara Prism, meskipun produk text-to-speech terpisahnya mempublikasikan milik mereka, dan angka-angka itu tidak dapat diterapkan pada Prism.

Asimetri itu dengan sendirinya menentukan sebagian besar penerapan nyata. Pengecer Eropa yang meluncurkan bisnis di sembilan pasar tidak perlu membaca sisa artikel ini.

Penyebaran adalah titik di mana keadaan berbalik. Rime menawarkan VPC dan on-prem pada paket Enterprise, bersama cloud, plus opsi endpoint co-located untuk model TTS-nya. Eleven Realtime saat peluncuran adalah layanan WebSocket yang dihosting. Argumen Rime — bahwa API realtime terdepan hanya berbasis cloud sementara Prism memungkinkan Anda mengendalikan di mana audio berada — adalah pembeda nyata bagi layanan kesehatan, jasa keuangan, dan pembeli mana pun yang memiliki klausul residensi data dalam kontrak. Rime mengklaim SOC 2 dan HIPAA untuk Prism; ElevenLabs menjual perjanjian perusahaan dengan DPA dan BAA sesuai ketentuannya sendiri. Keduanya dapat dibuat memenuhi tinjauan kepatuhan, dan hanya satu di antaranya yang dapat dibuat memenuhi "audio tidak pernah meninggalkan gedung kami."

Fine-tuning adalah asimetri lainnya, dan mengarah pada kesimpulan yang sama. Rime menyatakan Prism dapat di-fine-tune pada rekaman panggilan milik pelanggan sendiri, dengan API RL dan SFT self-serve dalam tahap beta. Cakupan penyetelan ElevenLabs berada di tingkat suara — kloning, alur kerja suara profesional, pengaturan gaya dan stabilitas — bukan model akustik dan penalaran kustom yang dilatih dengan panggilan Anda. Jika tujuannya adalah "terdengar seperti merek kami," itu masalah yang sudah terpecahkan di sisi ElevenLabs. Jika tujuannya adalah "menjadi lebih baik pada alur pesanan spesifik kami," hanya salah satu dari ini yang menawarkannya.

Di mana OrcaRouter cocok, dan di mana tidak

Prism maupun Eleven Realtime tidak ada di katalog kami. Prism dijual langsung oleh Rime; model Eleven Realtime dijual langsung oleh ElevenLabs dan melalui beberapa platform pihak ketiga. Jika Anda memilih salah satu dari keduanya, Anda membeli dari vendor, dan artikel ini tidak akan berpura-pura sebaliknya.

Alasan OrcaRouter masih termasuk dalam keputusan ini adalah bahwa model ucapan end-to-end tidak menghilangkan setiap model dari stack Anda. Kedua produk ini masih memerlukan lapisan kebijakan, langkah pengambilan, pengklasifikasi, dan jalur eskalasi, dan itu semua adalah panggilan model biasa. Satu kunci mencakup lebih dari 200 model dengan markup 0% di atas harga daftar penyedia, sehingga model guardrail yang murah dan model eskalasi yang mahal berada di belakang satu endpoint dengan failover otomatis — yang merupakan bagian yang penting pada panggilan langsung, ketika penyedia yang macet tidak dapat dibedakan dari saluran yang terputus. DSL perutean adalah cara Anda menyatakan "jaga agar pengakuan tetap lokal dan murah, eskalasikan pencarian," dan aturan itu layak ditulis sekali di gateway alih-alih tiga kali di agen.

Jika yang sebenarnya Anda inginkan adalah kaskade dengan sintesis terhosting, openai/tts-1-hd dan google/gemini-3.1-flash-tts-preview tersedia pada kunci yang sama dengan harga daftar. Alat berbeda, tagihan sama.

Cara memutuskan dalam sepuluh menit

Tiga pertanyaan, secara berurutan, dan berhentilah pada pertanyaan pertama yang Anda jawab ya.

Apakah Anda perlu beroperasi dalam lebih dari beberapa bahasa, atau memerlukan suara tertentu dari inventaris yang sangat besar? Eleven Realtime v1 Max atau v1 Mini. Katalog itu sendiri adalah produknya, dan Prism tidak menerbitkan katalog yang sebanding.

Apakah sesuatu yang dikatakan agen Anda harus disetujui sebelum pemanggil mendengarnya, atau apakah audionya harus tetap berada di dalam jaringan Anda? Rime Prism. Checkpoint dan tier on-prem adalah dua hal yang tidak ditawarkan ElevenLabs di sini, dan keduanya bukan fitur yang bisa ditambahkan nanti.

Apakah tidak ada satu pun dari keduanya yang mengikat, dan apakah faktor penentunya adalah biaya? Kalau begitu, jalankan kedua meter pada data panggilan Anda sendiri, karena angka utama delapan sen itu setara dan baris tokennya tidak. Asisten dengan giliran pendek dan penalaran rendah di Mini akan mengalahkan Prism dalam hal harga. Penerapan Max yang banyak bergantung pada alat kemungkinan besar tidak akan menang.

Hal berikutnya yang perlu diperhatikan adalah satu angka yang akan menyelesaikannya. Eleven Realtime v1 Max tidak memiliki skor τ-Voice, dan Prism tidak memiliki skor independen. Jika salah satu model muncul di papan peringkat publik yang diukur oleh pihak selain vendornya, perbandingan ini akan menjadi jauh lebih singkat. Sampai saat itu, keduanya imbang pada 0,57 detik dengan dua stopwatch berbeda, dan sisanya adalah arsitektur.

Satu catatan terakhir tentang angka-angka di atas: skor Eleven Realtime adalah angka dari Artificial Analysis, kartu harga berasal dari vendor masing-masing, dan angka 56,6 milik Prism adalah milik Rime. Tidak ada instrumen dalam artikel ini yang menempatkan kedua model pada satu sumbu, itulah sebabnya tulisan ini disusun berdasarkan arsitektur dan cakupan, bukan berdasarkan papan skor.