Rime Prism vs ElevenLabs: due modelli speech-to-speech, un unico valore di latenza

A undici giorni di distanza, due aziende hanno lanciato la stessa idea e riportato lo stesso numero. Rime Prism è arrivato il 28 ottobre 2026 a 0,57 secondi al primo audio. Eleven Realtime v1 Max, il modello speech-to-speech end-to-end di ElevenLabs, è arrivato il 20 ottobre 2026 — anche 0,57 secondi. La coincidenza è la cosa più utile di questo confronto, perché significa che la latenza non è il fattore decisionale. Quando due modelli sono in parità sul cronometro, ciò che li distingue è ciò che accade in quel mezzo secondo, e questi due lo impiegano in modi opposti: Eleven Realtime v1 Max ascolta e parla, mentre Rime Prism scrive prima.

Questo è il confronto più ravvicinato del lotto e quello in cui la scelta conta davvero, perché entrambi i prodotti sostituiscono l'intera cascata anziché un singolo componente, ed entrambi applicano all'audio un prezzo di otto centesimi al minuto.

La risposta breve

Eleven Realtime v1 Max è la scelta migliore quando copertura e inventario vocale decidono l'accordo: oltre 90 lingue e più di 17.000 voci sono un catalogo che nessun concorrente in questa coppia può eguagliare, e il socket è compatibile a livello di protocollo con la Realtime API di OpenAI, il che significa che una migrazione è un cambio di endpoint anziché una riscrittura.

Rime Prism è la scelta migliore quando ciò che dice l'agente deve essere ispezionabile prima di essere pronunciato. È l'unico modello di questa coppia che fornisce all'applicazione una stringa di testo a metà turno con la possibilità di riscriverla o bloccarla, e l'unico che offre una distribuzione on-prem o su VPC.

Entrambi costano $0.080 al minuto di audio, e questa apparente parità nasconde una differenza reale: ElevenLabs fattura $0.080 al minuto di audio connesso più token del modello, mentre Rime fattura $0.080 al minuto e nessun token. Su un agente con un elevato volume di chiamate non è una differenza di arrotondamento.

Che cosa ha effettivamente annunciato ciascuna azienda

ElevenLabs ha rilasciato una famiglia, non un modello. Eleven Realtime v1 Max è la variante per attività complesse — supporto, qualifica dei lead, qualsiasi cosa che richieda l'uso di strumenti. Eleven Realtime v1 Mini è la variante conversazionale per assistenti, tutor e personaggi. Entrambe sono reti end-to-end singole che riuniscono riconoscimento, gestione dei turni, ragionamento e generazione vocale in un unico sistema anziché in tre fasi collegate. La motivazione addotta da ElevenLabs per questa scelta è la giuntura: silenzio dopo una pausa, parlare sopra un'interruzione, una trascrizione in disaccordo con la voce. Sono artefatti della cascata, e la soluzione offerta è ottimizzare tutte e quattro le fasi insieme.

Il percorso di accesso è volutamente noioso, il che è un complimento. Eleven Realtime funziona all'interno di ElevenAgents tramite un menu a discesa, oppure tramite una Realtime API su wss://api.elevenlabs.io/v1/convai/realtime compatibile a livello di protocollo con il protocollo Realtime di OpenAI: cambia l'endpoint e il nome del modello, e un SDK OpenAI esistente funziona senza modifiche. Al lancio è disponibile solo WebSocket; non esiste ancora un percorso WebRTC.

L'annuncio di Rime ha una forma diversa. Un unico modello, Prism, posizionato per i contact center aziendali, con l'elemento distintivo dato dal checkpoint testuale anziché da una famiglia di varianti. C'è un piano gratuito con $50 di credito, Flex a $0,080/min, Scale a $0,064/min e un livello Enterprise che aggiunge VPC e on-prem, oltre al fine-tuning sulle registrazioni delle chiamate dei clienti e voci personalizzate. Anche qui niente WebRTC, ma streaming, integrazioni LiveKit e Pipecat, telefonia a 8 kHz e SOC 2 con dichiarazioni HIPAA.

Un dettaglio che vale la pena segnalare a chiunque stia pianificando un rollout: ElevenLabs descrive Eleven Realtime come in distribuzione graduale, e gli identificatori del modello sono presenti nel suo changelog dall'inizio di agosto. La data del 20 ottobre è quella dell'annuncio. Se il tuo account non mostra il modello nel menu a tendina di ElevenAgents, si tratta di una release scaglionata, non di un errore di configurazione.

Il checkpoint è la vera differenza

Entrambi i modelli sono end-to-end. Solo uno dei due lascia un artefatto testuale su cui puoi intervenire prima che il chiamante senta qualcosa.

Eleven Realtime v1 Max va da audio in ingresso ad audio in uscita. C'è una trascrizione dall'altra parte della chiamata, e a monte c'è un prompt di sistema, ma non c'è alcun punto del turno in cui la tua applicazione tenga la frase successiva dell'agente come stringa e decida se inviarla. Non è una critica: è l'architettura che ElevenLabs ha scelto, ed è l'architettura che produce la naturalezza che l'azienda sta vendendo. Comprimere quattro fasi in un'unica rete è esattamente ciò che elimina la giuntura ispezionabile.

Prism mantiene la cucitura. Rime afferma che il modello abbozza la propria risposta come testo, l'applicazione può riscrivere, bloccare, taggare o correggere la pronuncia su quel testo, e l'audio segue. Le chiamate agli strumenti vengono eseguite in parallelo al parlato anziché prima di esso. L'affermazione che non si tratti di una cascata si basa sul fatto che il ragionamento avviene sull'audio — tono, esitazione e rumore di fondo contribuiscono a determinare la risposta — con il testo come punto di passaggio in uscita anziché come input.

Per un team di conformità, quella differenza è l'intera scelta di approvvigionamento. "L'agente non può dire X" è applicabile in Prism a livello di frase e in Eleven Realtime solo a livello di prompt, vale a dire in modo probabilistico. Per un team di prodotto che costruisce un personaggio o un tutor, vale l'opposto: il checkpoint è un costo aggiuntivo, e la naturalezza che deriva da un'unica rete messa a punto è il prodotto.

Due numeri di 0,57 secondi che non sono la stessa misura

La parità è reale, ma gli strumenti differiscono, e la differenza conta se intendi citare l'una o l'altra cifra.

I 0,57 secondi di Eleven Realtime v1 Max sono una misurazione di Artificial Analysis — l'ha eseguita una terza parte, con lo stesso cronometro usato per le sue altre voci speech-to-speech, e l'ha pubblicata. Eleven Realtime v1 Mini si attesta a 0,62 secondi sullo stesso strumento.

I 0,57 secondi di Prism sono un dato di Rime stesso, ottenuto sul banco di prova τ-Voice che usa anche Artificial Analysis, ma eseguito da Rime. Al lancio Prism non aveva alcuna presenza in una classifica pubblica. Quindi un numero ha un arbitro e l'altro no, anche se entrambi hanno lo stesso valore fino alla seconda cifra decimale. Riportarli fianco a fianco come un pareggio è difendibile; riportarli come prove equivalenti non lo è.

Gli altri punteggi divergono nettamente, e ancora una volta su strumenti diversi. Eleven Realtime v1 Max ottiene il 98,8% su Big Bench Audio contro il 75,9-76% di Mini, un tasso di successo nei task dell'87,1% contro il 60,3%, un punteggio Full-Duplex-Bench di 94,1 contro 95,8%, e un Arena Elo intorno a 997-998 contro 988. Inoltre non è valutato sul Speech-to-Speech Index e non riporta alcun punteggio agentico τ-Voice — quindi non esiste alcun numero pubblicato che collochi in alcun modo Eleven Realtime v1 Max e Prism sullo stesso asse. Chiunque metta a confronto il 56,6 di Prism con il 98,8 di ElevenLabs sta confrontando un benchmark di completamento dei task con un benchmark di qualità audio e ottiene un divario di 42 punti privo di significato.

La differenza di prezzo è nella riga del token

In apparenza entrambi i prodotti costano otto centesimi al minuto. Leggi le tariffe e non è così.

• ElevenLabs — $0,080 al minuto di audio connesso, più i token del modello. Eleven Realtime v1 Mini costa $0,20 in input e $6,00 in output per milione di token; v1 Max costa $1,80 in input e $9,00 in output. L'eccedenza burst raddoppia la tariffa audio a $0,16/min. All'interno di ElevenAgents la tariffa standard è $0,08/min più i token LLM.

• Rime — $0.080 al minuto di audio Prism su Flex, $0.064 su Scale, senza alcun addebito aggiuntivo per token. Il livello gratuito include $50 di credito di utilizzo su Prism, Mist v3, Coda v2 e Rime STT.

Quanto ti costa la voce dei token dipende interamente da quanto pensa l'agente. Una chiamata di supporto di cinque minuti in cui l'agente effettua otto turni e ogni turno ragiona su qualche migliaio di token non è gratuita a 1,80 $ per milione di input e 9,00 $ per milione di output su Max: è un secondo contatore che gira accanto al primo. Per un assistente breve e pieno di messaggi di conferma su Mini, la voce dei token è rumore di fondo. Per un deployment Max che fa vera orchestrazione degli strumenti, può rivaleggiare con il costo dell'audio.

Il minuto flat di Rime ha la sua trappola, ed è quella opposta. Prism fattura l'audio della chiamata anziché il parlato dell'agente, quindi una chiamata con un interlocutore prolisso costa quanto una in cui l'agente non smette mai di parlare. Se le tue chiamate pendono verso turni brevi dell'agente e turni lunghi del cliente, la tariffa al minuto di Prism è la più cara delle due, con uno scarto che non ha nulla a che vedere con i modelli.

Simula entrambi i contatori sulla tua distribuzione di chiamate prima di impegnarti. Nessuno dei due fornitori pubblica un calcolatore, e la cifra a otto centesimi non è davvero il prezzo che uno dei due ti addebiterà.

Copertura, voci e la questione del deployment

ElevenLabs vince sulla copertura in modo così decisivo che vale la pena dichiararlo chiaramente anziché nasconderlo: oltre 90 lingue e più di 17.000 voci. Rime non pubblica affatto il numero di lingue di Prism né l'inventario delle voci, anche se i suoi prodotti separati di sintesi vocale pubblicano i propri, e quei dati non possono essere estesi a Prism.

Quell'asimmetria da sola determina una quota consistente delle implementazioni reali. Un'azienda europea di vendita al dettaglio che sbarca in nove mercati non ha bisogno di leggere il resto di questo articolo.

Il deployment è il punto in cui la situazione si ribalta. Rime offre VPC e on-prem su Enterprise, oltre al cloud, più un'opzione endpoint co-located per i suoi modelli TTS. Eleven Realtime al lancio è un servizio WebSocket ospitato. L'argomento di Rime — ovvero che le API realtime di frontiera sono esclusivamente cloud, mentre Prism consente di controllare dove risiede l'audio — è un vero elemento distintivo per il settore sanitario, i servizi finanziari e qualsiasi acquirente con una clausola di residenza dei dati nel contratto. Rime dichiara SOC 2 e HIPAA per Prism; ElevenLabs vende accordi enterprise con DPA e BAA alle proprie condizioni. Entrambi possono essere resi conformi a una revisione di compliance, e solo uno dei due può soddisfare il requisito «l'audio non lascia mai il nostro edificio».

Il fine-tuning è l'altra asimmetria, e punta nella stessa direzione. Rime afferma che Prism è fine-tunabile sulle registrazioni delle chiamate del cliente, con API RL e SFT self-serve in beta. La superficie di tuning di ElevenLabs è a livello di voce — clonazione, workflow vocali professionali, impostazioni di stile e stabilità — anziché un modello acustico e di ragionamento personalizzato addestrato sulle tue chiamate. Se l'obiettivo è «suonare come il nostro brand», quello è un problema risolto lato ElevenLabs. Se l'obiettivo è «migliorare sul nostro specifico flusso di ordini», solo uno dei due lo offre.

Dove OrcaRouter è adatto, e dove non lo è

Né Prism né Eleven Realtime sono nel nostro catalogo. Prism è venduto direttamente da Rime; i modelli Eleven Realtime sono venduti direttamente da ElevenLabs e tramite diverse piattaforme di terze parti. Se scegli uno dei due, stai acquistando dal fornitore, e questo articolo non intende far finta del contrario.

Il motivo per cui OrcaRouter ha ancora un posto in questa decisione è che i modelli vocali end-to-end non eliminano ogni modello dal tuo stack. Entrambi questi prodotti necessitano ancora di un livello di policy, di una fase di retrieval, di un classificatore e di un percorso di escalation, e si tratta di normali chiamate ai modelli. Una sola chiave copre oltre 200 modelli con 0% di ricarico rispetto al prezzo di listino del provider, così un modello di guardrail economico e un modello di escalation costoso convivono dietro un unico endpoint con failover automatico — ed è questo l'aspetto che conta in una chiamata dal vivo, dove un provider bloccato è indistinguibile da una linea caduta. Il DSL di routing è il modo in cui esprimi «mantieni il riscontro locale ed economico, escala la ricerca», e vale la pena scrivere quella regola una volta sola nel gateway invece che tre volte nell'agente.

Se quello che vuoi davvero è una cascata con sintesi ospitata, openai/tts-1-hd e google/gemini-3.1-flash-tts-preview sono sulla stessa chiave al prezzo di listino. Strumenti diversi, stesso conto.

Come decidere in dieci minuti

Tre domande, in ordine, e fermati alla prima a cui rispondi sì.

Hai bisogno di operare in più di qualche lingua, o di una voce specifica da un inventario molto ampio? Eleven Realtime v1 Max o v1 Mini. Il catalogo è il prodotto, e Prism non ne pubblica uno comparabile.

Qualcosa che dice il tuo agente deve essere approvato prima che un chiamante lo senta, oppure l'audio deve rimanere all'interno della tua rete? Rime Prism. Il checkpoint e il livello on-prem sono le due cose che ElevenLabs non offre qui, e non sono funzionalità che puoi aggiungere in seguito.

Se nessuno dei due è vincolante e il fattore decisivo è il costo? Allora esegui entrambi i misuratori sui tuoi dati di chiamata, perché il titolo di otto centesimi è identico, mentre la voce dei token non lo è. Un assistente con turni brevi e ragionamento limitato su Mini batterà Prism sul prezzo. Un deployment Max con molti strumenti probabilmente no.

La prossima cosa da tenere d’occhio è l’unico dato che risolverebbe la questione. Eleven Realtime v1 Max non ha un punteggio τ-Voice, e Prism non ne ha uno indipendente. Se uno dei due modelli approda su una classifica pubblica misurata da qualcuno che non sia il suo fornitore, questo confronto diventa molto più breve. Fino ad allora i due sono in parità a 0,57 secondi su due cronometri diversi, e il resto è architettura.

Un'ultima riga sui numeri sopra: i punteggi di Eleven Realtime sono cifre di Artificial Analysis, le schede prezzi sono quelle dei vendor, e il 56,6 di Prism è di Rime. Nessuno strumento in questo articolo mette i due modelli su un unico asse, motivo per cui il pezzo è organizzato attorno ad architettura e copertura invece che attorno a un tabellone di punteggi.