Rime Prism vs Inworld Realtime TTS 2: 200 Lokal versus Satu Checkpoint

Berikut fakta yang seharusnya mengakhiri sebagian besar versi perbandingan ini sebelum siapa pun membuka benchmark: Inworld Realtime TTS 2 mencantumkan cakupan di lebih dari 200 locale dan menyediakan 282 suara bawaan, sementara Rime Prism tidak mencantumkan jumlah bahasa maupun jumlah suara sama sekali. Jika Anda menyebarkan agen suara ke selusin pasar, itu bukan trade-off yang perlu ditimbang — itu adalah filter yang menghapus satu opsi. Perbandingan ini hanya tetap menarik bagi pembeli yang hanya beroperasi di satu pasar dan tunduk pada regulasi, karena Rime Prism adalah satu-satunya model dalam pasangan ini yang memungkinkan aplikasi membaca dan memblokir sebuah kalimat sebelum penelepon mendengarnya. Inworld Realtime TTS 2 adalah model text-to-speech dengan narasi realtime yang sangat bagus yang menyertainya, dan model ini tidak memiliki checkpoint yang setara, karena pada saat model melihat teks, keputusan sudah diambil.

Nama-namanya juga menyesatkan dengan cara yang sudah menghasilkan saran buruk. "Inworld Realtime TTS 2" bukan model speech-to-speech. Rime Prism adalah. Perbedaan itu mendasari setiap angka di bawah ini dan layak disebutkan sebelum angka-angka itu dimulai.

Salah satunya bukan agen

Inworld Realtime TTS 2 adalah teks masuk, audio keluar. Perilaku dupleks — mendengar penelepon saat berbicara, menangani interupsi — berasal dari Realtime API terpisah milik Inworld, yang menggunakan protokol OpenAI Realtime dan mengklaim latensi interupsi sekitar 100 ms. Itu adalah produk kedua dengan integrasi kedua, bukan properti dari model TTS itu sendiri. Siapa pun yang membaca "Realtime" pada nama model dan menganggapnya sebagai speech-to-speech ujung-ke-ujung telah salah membaca katalog.

Prism adalah bentuk yang sepenuhnya berbeda. Audio masuk, audio keluar, dalam satu sistem, dengan titik penanda teks di tengah dan pemanggilan tool yang berjalan bersamaan dengan ucapan, bukan sebelumnya. Harganya dihitung per menit audio panggilan justru karena alasan itu — Anda membeli panggilan, bukan teksnya.

Jadi kerangka jujur untuk perbandingan ini adalah: Inworld Realtime TTS 2 adalah tahap sintesis terbaik di kelasnya untuk cascade yang Anda rakit, dan Prism adalah pengganti untuk cascade tersebut. Anda bisa memilih Inworld dan tetap membangun agen berbentuk Prism, hanya saja dengan lebih banyak bagian. Anda tidak bisa memilih Prism dan mendapatkan cakupan bahasa Inworld, karena itu tidak dipublikasikan.

Angka-angka cakupan, dan apa nilainya

Daftar Inworld luar biasa spesifik, yang dengan sendirinya informatif:

• Locale — 200 lebih, terbagi menjadi 15 dengan kualitas Tingkat 1 dan 79 di Tingkat 2.

• Suara — 282 bawaan, dengan 20 preset terkurasi.

• Kloning — zero-shot dari 5 hingga 15 detik audio; Professional Voice Cloning dalam pratinjau dan khusus flagship.

• Kesinambungan — identitas suara tunggal yang konsisten yang dipertahankan lintas bahasa, yakni aspek yang membuat peluncuran merek di banyak pasar tampak disengaja alih-alih sekadar hasil terjemahan.

• Audio — keluaran MP3, WAV, OGG, FLAC, dan PCM, 8 kHz hingga 48 kHz, default 24 kHz.

• Throughput — 2.000 karakter per permintaan, streaming WebSocket dengan 20 koneksi bersamaan dan 5 konteks.

• Latensi — waktu P99 server-side untuk byte pertama di bawah 100 ms untuk TTS-2; varian Flash yang diluncurkan pada 31 Agustus 2026 mengklaim di bawah 25 ms, dengan pengukuran pihak ketiga mendekati 25 ms.

Pemisahan Tier 1 dan Tier 2 adalah bagian yang perlu diperhatikan, bukan angka utama 200-an itu. Lima belas lokal dengan kualitas unggulan dari 200 yang didukung merupakan pengungkapan yang benar-benar jujur, dan itu menunjukkan di mana produk sebenarnya sudah selesai. Jika pasar Anda adalah bahasa Inggris, Spanyol, Portugis, Jerman, Prancis, dan Jepang, Anda kemungkinan berada di Tier 1 dan angka utama itu nyata. Jika pasar Anda adalah 185 lainnya, Anda berada di bagian katalog yang ada tetapi belum dikurasi.

Bandingkan dengan Prism, di mana tidak adanya daftar yang dipublikasikan bukanlah bukti cakupan yang buruk — Rime memublikasikan jumlah bahasa dan suara untuk produk text-to-speech terpisahnya, tetapi tidak untuk Prism — namun itu adalah bukti bahwa Anda tidak dapat merencanakan berdasarkan hal itu. Untuk penerapan pasar tunggal dalam bahasa yang Rime kembangkan, ketiadaan itu tidak merugikan Anda. Untuk cakupan yang lebih luas, itulah seluruh jawabannya.

Pertanyaan duplex yang tak seorang pun ajukan

"Realtime TTS" dan "speech-to-speech" terdengar seperti janji yang sama, tetapi perilakunya sama sekali tidak serupa saat terjadi interupsi.

Dalam kaskade yang dibangun di atas Inworld Realtime TTS 2, penanganan interupsi adalah masalah koordinasi lintas tiga layanan. Pengenal harus menyadari bahwa penelepon mulai berbicara, orkestrator harus membatalkan giliran model bahasa, dan sintesiser harus berhenti di tengah aliran serta membersihkan buffer-nya. Inworld's Realtime API menangani separuh bagian sintesiser dengan baik — sekitar 100 ms untuk menginterupsi — tetapi dua bagian lainnya menjadi tanggung jawab Anda, dan kegagalannya terdengar: agen terus berbicara sesaat setelah penelepon mulai, lalu memulai ulang kalimat dari tempat yang salah.

Prism menangani hal ini dalam satu model, dan Rime menyebut penanganan interupsi sebagai poin pembicaraan mitra desain. Itu bukan benchmark yang bisa dibaca; itu adalah jenis bug yang tidak lagi Anda alami. Bagi saluran dukungan tempat penelepon terus berbicara menimpa agen, ini bernilai lebih dari beberapa poin Elo.

Argumen tandingannya adalah bahwa kaskade yang dibangun dengan baik dengan jalur pembatalan agresif benar-benar bagus dalam hal ini, dan kode koordinasi adalah hal yang sudah dikenal yang telah ditulis oleh banyak tim. Penanganan gangguan itu sulit, bukan mustahil, dan perbedaan antara kedua arsitektur menyempit seiring upaya rekayasa. Yang tidak menyempit adalah jumlah layanan yang membuat Anda dipanggil pada pukul 3 pagi.

Harga: empat sen versus empat sen, semacam itu

Harga Inworld per karakter, Prism per menit audio panggilan, dan konversi di antara keduanya justru menjadi titik ketika perbandingan yang jujur menjadi keliru.

• Inworld Realtime TTS 2 — $25 per juta karakter secara on-demand, $12.50 pada paket Growth, turun hingga sekitar $5 pada volume enterprise. TTS-2 Flash adalah $15, $7, dan di bawah $5 pada tier yang sama. Pada sekitar 1.000 karakter per menit ucapan, tarif on-demand sekitar $0,025 per menit audio yang dihasilkan.

• Rime Prism — $0.080 per menit audio panggilan di Flex, $0.064 di Scale, kredit gratis $50 pada tier gratis, kustom di Enterprise.

Jadi, satu menit ucapan agen berbiaya sekitar 2,5 sen dari Inworld dan 8 sen dari Prism. Itulah angka yang dicetak tabel perbandingan, dan itu menyesatkan karena dua alasan.

Pertama, sen-sen Inworld hanya membeli satu hop. Rangkaian bertingkat (cascade) menambahkan pengenalan suara — biasanya setengah sen hingga satu sen per menit — dan satu giliran model bahasa, yang pada volume percakapan berada di kisaran angka satu digit rendah. Gabungkan ketiganya dan Anda mendekati enam hingga sembilan sen per menit ucapan agen, yang mencakup angka delapan milik Prism. Kesenjangan dalam tabel itu adalah artefak dari membandingkan sebuah komponen dengan sebuah sistem.

Kedua, menit Prism bukanlah menit ucapan agen. Prism menagih audio panggilan, jadi penelepon yang berbicara selama empat menit dan mendengar agen selama satu menit menghabiskan biaya setara lima menit bagi Prism. Harga Cascade diskalakan berdasarkan seberapa banyak agen berbicara; harga Prism diskalakan berdasarkan berapa lama panggilan berlangsung. Pada antrean dukungan dengan giliran pelanggan yang panjang, itu merupakan biaya tambahan yang nyata. Pada alur pemesanan di mana agen melakukan sebagian besar pembicaraan, biayanya hampir seimbang.

Struktur paket Inworld menambahkan satu batasan praktis yang perlu diperiksa: paket Creator seharga $25 per bulan, $25 per juta karakter sesuai permintaan, $12.50 pada Growth, enterprise kustom. Konkurensi adalah 20 koneksi WebSocket pada jalur streaming, yang untuk antrean ukuran menengah memadai dan untuk antrean besar menjadi batas yang mengikat.

Kontrol: yang satu punya tempat untuk berdiri, yang satu tidak.

Di sinilah Prism membenarkan harga premiumnya, dan ini merupakan perbedaan struktural, bukan kekurangan fitur.

Inworld Realtime TTS 2 benar-benar canggih dalam hal konteks. Model ini membaca giliran-giliran sebelumnya sebagai input audio, menerima arahan suara bebas dalam bahasa Inggris biasa, mendukung tag inline dan mode ejaan per karakter untuk nomor pesanan, kode, dan alamat. Mode ejaan itu adalah hal yang paling mendekati kontrol pra-ucapan dalam perbandingan ini, dan itu bagus — sintesiser yang dapat mengucapkan "empat-tujuh-dua" alih-alih "empat ratus tujuh puluh dua" memecahkan satu kelas kegagalan nyata dalam panggilan dukungan.

Tetapi ia bekerja pada teks yang sudah Anda tetapkan. Tidak ada bagian dalam giliran ketika Inworld memberi tahu aplikasi Anda "inilah yang akan saya katakan" lalu menunggu. Mode ejaan memperbaiki pelafalan, bukan konten.

Prism memberi tahu Anda, di setiap giliran. Klaim Rime adalah bahwa teks merupakan titik pemeriksaan, bukan perantara: pengaman dapat memeriksa setiap kata sebelum diucapkan, lapisan kebijakan dapat menulis ulang kalimat yang ditolak dan model mengucapkan penggantinya, klaim terlarang dapat diblokir sepenuhnya sementara panggilan tetap berlanjut. Apakah penalaran model benar-benar berbasis audio secara native adalah klaim yang layak diuji; apakah teks tiba sebelum audio adalah fakta desain.

Untuk penerapan pasar tunggal yang diatur, fakta itu adalah alasan untuk membayar delapan sen alih-alih merakit kaskade yang lebih murah. Untuk semua hal lainnya, itu adalah fitur yang Anda beli dan mungkin tidak Anda butuhkan.

Apa yang sebenarnya dikatakan oleh klaim papan peringkat

Inworld memasarkan Realtime TTS 2 sebagai nomor satu di Artificial Analysis Speech Arena. Daftar arena independen menempatkannya pada Elo sekitar 1.245, peringkat ketiga di papan saat ini, dengan TTS-2 Flash sekitar 1.210 dan peringkat keenam. Posisi tiga besar di arena publik adalah hasil yang sangat baik dan klaim yang lebih berguna daripada klaim dalam pemasaran; ketidaksesuaian itu adalah pernyataan positioning yang berbenturan dengan tabel langsung yang bergerak seiring pemilih berdatangan.

Tidak ada padanan untuk Prism. Skor 56,6 miliknya pada τ-Voice adalah skor penyelesaian tugas agentik yang dijalankan sendiri oleh Rime, pada harness yang juga digunakan Artificial Analysis, tanpa entri papan peringkat yang dipublikasikan saat peluncuran. Kedua angka itu mengukur hal yang berbeda — bagaimana sebuah suara terdengar bagi penilai manusia versus seberapa sering agen menyelesaikan tugas layanan simulasi — dan tidak ada aritmetika yang mengubah yang satu menjadi yang lain.

Asimetri itu, sekali lagi, adalah perbandingan dalam bentuk mini. Inworld memiliki skor kualitas suara dengan juri. Prism memiliki skor kemampuan agen tanpa juri. Tidak satu pun perusahaan telah menerbitkan perbandingan langsung, dan tidak satu pun model pernah dijalankan pada tugas yang sama oleh lab yang sama.

Jika Anda membangun kaskade, kami merutekan bagian tengah

Inworld Realtime TTS 2 dijual langsung oleh Inworld dan melalui beberapa platform pihak ketiga. Rime Prism dijual langsung oleh Rime. Keduanya tidak ada dalam katalog OrcaRouter saat ini, dan tulisan ini tidak menyatakan sebaliknya.

Arsitektur kaskade yang digunakan model Inworld masih memerlukan model bahasa di bagian tengah, dan di bagian tengah itulah kualitas dan biaya sebenarnya ditentukan.OrcaRouter menempatkan lebih dari 200 model di balik satu kunci dengan markup 0% di atas harga daftar penyedia, dengan failover otomatis saat kinerja penyedia menurun dan DSL perutean untuk mengirim giliran yang berbeda ke model yang berbeda — murah untuk konfirmasi, mumpuni untuk pencarian, semuanya melalui satu endpoint. Bagi agen suara, itulah unit yang berguna: satu tempat untuk mengganti model tanpa menyentuh jalur panggilan.

Kami juga merutekan sintesis, jika Anda ingin itu pada kunci yang sama alih-alih kontrak kedua: openai/tts-1-hd dan google/gemini-3.1-flash-tts-preview keduanya tersedia dengan harga daftar. Keduanya bukan Inworld Realtime TTS 2. Keduanya adalah hop terakhir dari kaskade yang dapat Anda rakit hari ini.

Dua pertanyaan, dan satu yang menentukan.

Pertanyaan pertama: berapa banyak bahasa? Jika jawabannya lebih dari sekadar beberapa, Inworld Realtime TTS 2, dan perbandingannya berakhir. Dua ratus lokal dengan daftar Tier 1 terbitan berisi lima belas mengalahkan daftar yang tidak diterbitkan tanpa angka yang disertakan, dan Anda tidak dapat menjalankan pengadaan terhadap kolom kosong.

Pertanyaan kedua: apakah ada yang perlu menyetujui kalimat itu sebelum diucapkan? Jika ya, Prism. Bukan karena ia lebih baik dalam hal ucapan — tidak ada bukti ke arah mana pun — tetapi karena ia satu-satunya model di sini yang menghasilkan kalimat sebagai artefak yang dapat disimpan oleh aplikasi Anda. Itulah keseluruhan produknya, dan biayanya sekitar delapan sen per menit panggilan.

Jika tidak ada yang mengikat, jawaban jujurnya adalah Anda sebaiknya membangun kaskade yang lebih murah di sekitar sintesiser Inworld dan menggunakan penghematannya untuk penanganan interupsi, karena itulah bagian dari pengalaman yang benar-benar diperhatikan oleh penelepon. Dua setengah sen per menit untuk tahap sintesis adalah tawaran yang kuat dari model yang menduduki peringkat kedua di arena publik, dan checkpoint yang Anda tolak adalah checkpoint yang baru saja Anda katakan tidak Anda butuhkan.

Catatan tentang angka-angka itu sebelum siapa pun mengutipnya: angka cakupan, latensi, dan harga Inworld adalah milik Inworld sendiri; Elo arena adalah milik Artificial Analysis, dan itu tidak sependapat dengan posisi nomor satu Inworld. Angka 56.6 Prism adalah milik Rime, belum direproduksi. Belum ada pihak independen yang mengukur salah satu model mengerjakan pekerjaan model lainnya, dan itulah satu-satunya celah yang belum ditutup oleh kedua perusahaan.