Rime Prism vs Inworld Realtime TTS 2: 200 locale contro un unico checkpoint

Ecco un fatto che dovrebbe chiudere la maggior parte delle versioni di questo confronto prima ancora che qualcuno apra un benchmark: Inworld Realtime TTS 2 dichiara una copertura in oltre 200 locale e offre 282 voci integrate, mentre Rime Prism non pubblica alcun numero di lingue né alcun numero di voci. Se stai distribuendo un agente vocale in una dozzina di mercati, non è un compromesso da valutare — è un filtro che elimina un'opzione. Il confronto resta interessante solo per l'acquirente che opera in un unico mercato ed è soggetto a regolamentazione, perché Rime Prism è l'unico modello di questa coppia che consente a un'applicazione di leggere e bloccare una frase prima che il chiamante la ascolti. Inworld Realtime TTS 2 è un modello text-to-speech con un'ottima narrazione realtime a corredo, e non ha un checkpoint equivalente, perché quando vede il testo la decisione è già stata presa.

I nomi sono anche fuorvianti in un modo che ha già prodotto consigli sbagliati. "Inworld Realtime TTS 2" non è un modello speech-to-speech. Rime Prism sì. Questa distinzione è alla base di ogni numero riportato di seguito e vale la pena dirlo prima che inizino i numeri.

Uno di questi non è un agente

Inworld Realtime TTS 2 è testo in ingresso, audio in uscita. Il comportamento duplex — ascoltare chi chiama mentre si parla, gestire le interruzioni — deriva dalla Realtime API separata di Inworld, che parla il protocollo OpenAI Realtime e dichiara una latenza di interruzione di circa 100 ms. Si tratta di un secondo prodotto con una seconda integrazione, non di una proprietà del modello TTS stesso. Chi legge «Realtime» nel nome del modello e presume uno speech-to-speech end-to-end ha letto male il catalogo.

Prism è una forma completamente diversa. Audio in ingresso, audio in uscita, in un unico sistema, con un waypoint testuale nel mezzo e chiamate agli strumenti che procedono parallelamente al parlato anziché prima di esso. Viene tariffato al minuto di audio della chiamata proprio per questo motivo — stai acquistando la chiamata, non il testo.

Quindi, il modo onesto di inquadrare questo confronto è: Inworld Realtime TTS 2 è il miglior passaggio di sintesi della categoria per una cascata che assembli tu, mentre Prism è un sostituto della cascata. Puoi preferire Inworld e costruire comunque un agente modellato su Prism, solo in più pezzi. Non puoi preferire Prism e ottenere la copertura linguistica di Inworld, perché non è pubblicata.

I numeri della copertura, e quanto valgono

La lista di Inworld è insolitamente specifica, il che è di per sé informativo:

• Localizzazioni — oltre 200, suddivise in 15 con qualità Tier 1 e 79 con Tier 2.

• Voci — 282 integrate, con 20 preset curati.

• Clonazione — zero-shot da 5 a 15 secondi di audio; Professional Voice Cloning in anteprima e solo per il piano flagship.

• Continuità — un'unica identità di voce coerente mantenuta in tutte le lingue, ed è questa la caratteristica che fa sembrare il lancio di un brand su più mercati una scelta voluta anziché una traduzione.

• Audio — uscita MP3, WAV, OGG, FLAC e PCM, da 8 kHz a 48 kHz, 24 kHz predefinito.

• Throughput — 2.000 caratteri per richiesta, streaming WebSocket con 20 connessioni simultanee e 5 contesti.

Latenza — tempo al primo byte P99 lato server inferiore a 100 ms per TTS-2; la variante Flash lanciata il 31 agosto 2026 dichiara meno di 25 ms, con una misurazione di terze parti prossima ai 25 ms.

La suddivisione tra Tier 1 e Tier 2 è la parte che merita attenzione, più che il titolo di oltre 200. Quindici localizzazioni con qualità di punta su 200 supportate sono un'informativa davvero onesta, e ti dice dove il prodotto è effettivamente completo. Se i tuoi mercati sono inglese, spagnolo, portoghese, tedesco, francese e giapponese, probabilmente sei nel Tier 1 e il titolo è reale. Se sono gli altri 185, sei nella parte del catalogo che esiste ma non è stata curata.

Confrontalo con Prism, dove l'assenza di un elenco pubblicato non è prova di una copertura insufficiente — Rime pubblica i conteggi delle lingue e delle voci per i suoi prodotti separati di sintesi vocale, ma non per Prism — eppure è prova del fatto che non puoi pianificare basandoti su di essa. Per un'implementazione in un singolo mercato nella lingua per cui Rime sviluppa, quell'assenza non ti costa nulla. Per qualsiasi contesto più ampio, è l'intera risposta.

La domanda sul duplex che nessuno pone

"Realtime TTS" e "speech-to-speech" suonano come la stessa promessa, ma si comportano in modo del tutto diverso quando c'è un'interruzione.

In una cascata basata su Inworld Realtime TTS 2, la gestione delle interruzioni è un problema di coordinamento tra tre servizi. Il riconoscitore deve accorgersi che il chiamante ha iniziato a parlare, l’orchestratore deve annullare il turno del modello linguistico e il sintetizzatore deve fermarsi a metà stream e svuotare il proprio buffer. L’API Realtime di Inworld svolge bene la metà del sintetizzatore — circa 100 ms per interrompere — ma le altre due metà spettano a te, e l’errore è udibile: l’agente continua a parlare per un attimo dopo che il chiamante ha iniziato, poi riparte con una frase dal punto sbagliato.

Prism gestisce tutto questo all'interno di un unico modello, e Rime cita la gestione delle interruzioni come argomento di discussione con i partner di progettazione. Non è un benchmark che puoi leggere; è una classe di bug che smetti di avere. Per una linea di supporto in cui i chiamanti parlano costantemente sopra l'agente, vale più di qualche punto di Elo.

L'argomentazione contraria è che una cascata ben costruita con un percorso di annullamento aggressivo è davvero efficace in questo, e il codice di coordinamento è una quantità nota che molti team hanno già scritto. La gestione delle interruzioni è difficile, non impossibile, e la differenza tra le due architetture si riduce con lo sforzo ingegneristico. Ciò che non si riduce è il numero di servizi per cui vieni chiamato alle 3 del mattino.

Prezzo: quattro centesimi contro quattro centesimi, più o meno

È nei prezzi di Inworld per carattere, in quelli di Prism per minuto di audio della chiamata e nella conversione tra i due che i confronti onesti vanno storti.

• Inworld Realtime TTS 2 — $25 per milione di caratteri on-demand, $12,50 su Growth, fino a circa $5 per volumi enterprise. TTS-2 Flash costa $15, $7 e meno di $5 sugli stessi livelli. A circa 1.000 caratteri per minuto di parlato, la tariffa on-demand è di circa $0,025 per minuto di audio generato.

• Rime Prism — $0,080 al minuto di audio delle chiamate su Flex, $0,064 su Scale, $50 di credito gratuito nel piano gratuito, personalizzato su Enterprise.

Quindi un minuto di parlato dell'agente costa circa 2,5 centesimi con Inworld e 8 centesimi con Prism. Questo è il numero che riportano le tabelle di confronto, ed è fuorviante per due motivi.

Il primo è che i centesimi di Inworld comprano un solo hop. Una cascata aggiunge il riconoscimento — tipicamente da mezzo centesimo a un centesimo al minuto — e un turno di modello linguistico, che a volumi conversazionali si colloca nei valori bassi a una cifra. Metti insieme i tre e arrivi vicino a sei-nove centesimi per minuto parlato dall'agente, il che inquadra l'otto di Prism. Il divario nella tabella è un artefatto dovuto al confronto tra un componente e un sistema.

Il secondo è che il minuto di Prism non è un minuto di parlato dell'agente. Fattura l'audio della chiamata, quindi un chiamante che parla per quattro minuti e ascolta l'agente per uno costa a Prism l'equivalente di cinque minuti. Il prezzo di Cascade varia in base a quanto dice l'agente; quello di Prism varia in base a quanto dura la chiamata. In una coda di assistenza con turni lunghi del cliente, si tratta di un vero sovrapprezzo. In un flusso di prenotazione in cui l'agente parla per la maggior parte, è quasi un pareggio.

La struttura dei piani di Inworld aggiunge un vincolo pratico che vale la pena verificare: un piano Creator a $25 al mese, $25 per milione di caratteri su richiesta, $12.50 su Growth, enterprise personalizzato. La concorrenza è di 20 connessioni WebSocket sul percorso di streaming, il che per una coda di medie dimensioni è adeguato e per una grande rappresenta il limite vincolante.

Controllo: uno ha un posto dove stare, l'altro no.

È qui che Prism giustifica il suo premium, ed è una differenza strutturale, non una lacuna di funzionalità.

Inworld Realtime TTS 2 è davvero sofisticato sul fronte del contesto. Legge i turni precedenti come input audio, accetta indicazioni vocali in forma libera in inglese semplice, supporta tag inline e una modalità di compitazione carattere per carattere per numeri d'ordine, codici e indirizzi. Quella modalità di compitazione è la cosa più vicina, in questo confronto, a un controllo precedente alla sintesi, ed è valida — un sintetizzatore che riesce a dire "quattro-sette-due" invece di "quattrocentosettantadue" risolve una vera classe di errori nelle chiamate al supporto.

Ma agisce su un testo che hai già confermato. Non c'è alcun momento, nel turno, in cui Inworld dica alla tua applicazione "ecco cosa sto per dire" e attenda. La modalità di pronuncia correziona la pronuncia, non il contenuto.

Prism te lo dice, a ogni turno. La tesi di Rime è che il testo sia un checkpoint e non un passaggio intermedio: un guardrail può ispezionare ogni parola prima che venga pronunciata, uno strato di policy può riscrivere una frase rifiutata e il modello pronuncia la sostituzione, un'affermazione vietata può essere bloccata del tutto mentre la chiamata continua. Se il ragionamento del modello sia davvero nativo audio è una tesi che vale la pena verificare; se il testo arrivi prima dell'audio è un fatto di progettazione.

Per un deployment regolamentato in un singolo mercato, questo fatto è il motivo per cui conviene pagare otto centesimi invece di mettere insieme una cascata più economica. Per tutto il resto, è una funzionalità che stai acquistando e di cui potresti non avere bisogno.

Cosa dicono davvero le affermazioni della classifica

Inworld promuove Realtime TTS 2 come numero uno nell'Artificial Analysis Speech Arena. Le classifiche indipendenti dell'arena lo collocano a un Elo di circa 1.245, al terzo posto nella graduatoria attuale, con TTS-2 Flash a circa 1.210 e sesto. Un piazzamento tra i primi tre in un'arena pubblica è un risultato eccellente e un'affermazione più utile di quella usata nel marketing; la discrepanza è una dichiarazione di posizionamento che si scontra con una classifica live che cambia man mano che arrivano i votanti.

Non esiste un equivalente per Prism. Il suo 56,6 su τ-Voice è un punteggio di completamento di attività agentiche che Rime ha eseguito autonomamente, su un harness che anche Artificial Analysis utilizza, senza alcuna voce pubblicata in classifica al lancio. I due numeri misurano cose diverse — come suona una voce per valutatori umani rispetto a quanto spesso un agente completa un'attività di servizio simulata — e non esiste alcun calcolo aritmetico che trasformi l'uno nell'altro.

Quell'asimmetria è, ancora una volta, il confronto in miniatura. Inworld dispone di un punteggio sulla qualità della voce con un arbitro. Prism dispone di un punteggio sulle capacità dell'agente senza alcun arbitro. Nessuna delle due aziende ha pubblicato un confronto testa a testa, e nessuno dei due modelli è mai stato eseguito sullo stesso compito dallo stesso laboratorio.

Se costruisci la cascata, noi instradiamo la parte centrale

Inworld Realtime TTS 2 è venduto direttamente da Inworld e attraverso diverse piattaforme di terze parti. Rime Prism è venduto direttamente da Rime. Nessuno dei due è oggi nel catalogo di OrcaRouter, e questo articolo non sostiene il contrario.

L'architettura a cascata a cui appartiene il modello di Inworld necessita ancora di un modello linguistico nel mezzo, ed è proprio lì che qualità e costo vengono effettivamente decisi. OrcaRouter mette oltre 200 modelli dietro un'unica chiave con 0% di ricarico rispetto al prezzo di listino del provider, con failover automatico quando un provider peggiora e un DSL di routing per inviare turni diversi a modelli diversi — economico per la conferma, capace per la ricerca, tutto tramite un unico endpoint. Per un agente vocale questa è l'unità utile: un unico punto per cambiare il modello senza toccare il percorso della chiamata.

Instradiamo anche la sintesi, se la vuoi sulla stessa chiave anziché su un secondo contratto:openai/tts-1-hd e google/gemini-3.1-flash-tts-preview sono entrambi disponibili a prezzo di listino. Nessuno dei due è Inworld Realtime TTS 2. Entrambi sono l'ultimo hop di una cascata che puoi assemblare già oggi.

Due domande, e quella che decide

Prima domanda: quante lingue? Se la risposta è più di una manciata, Inworld Realtime TTS 2, e il confronto finisce. Duecento locale con un elenco Tier 1 pubblicato di quindici battono un elenco non pubblicato senza numeri allegati, e non puoi avviare una procedura di acquisto contro un campo vuoto.

Domanda due: qualcuno deve approvare la frase prima che venga pronunciata? Se sì, Prism. Non perché sia migliore nella sintesi vocale — non ci sono prove in un senso o nell'altro — ma perché è l'unico modello qui che produce la frase come un artefatto che la tua applicazione può trattenere. Questo è l'intero prodotto, e costa circa otto centesimi per minuto di chiamata.

Se nessuno dei due è vincolante, la risposta onesta è che dovresti costruire la cascata più economica attorno al sintetizzatore di Inworld e investire il risparmio nella gestione delle interruzioni, perché è quella la parte dell'esperienza che un chiamante nota davvero. Due centesimi e mezzo al minuto per il passaggio di sintesi sono un'offerta forte da parte di un modello classificato secondo in un'arena pubblica, e il checkpoint che stai rifiutando è proprio quello di cui ci hai appena detto di non avere bisogno.

Una nota sui numeri prima che qualcuno li citi: i dati di copertura, latenza e prezzo di Inworld sono di Inworld, l'Elo dell'arena è di Artificial Analysis, e non concorda con la posizione di numero uno di Inworld. Il 56,6 di Prism è di Rime, non replicato. Nessuna parte indipendente ha misurato l'uno o l'altro modello mentre svolge il lavoro dell'altro, ed è l'unica lacuna che nessuna delle due aziende ha colmato.