Rime Prism vs ElevenLabs：2つの音声対音声モデル、1つのレイテンシ値

11日違いで、2社は同じアイデアをリリースし、同じ数値を発表しました。 Rime Prismは2026年10月28日に、最初の音声まで0.57秒で登場しました。 Eleven Realtime v1 Maxは、ElevenLabs自身のエンドツーエンド音声対音声モデルとして、2026年10月20日に登場しました — こちらも0.57秒です。この偶然こそ、この対決で最も有用な点です。なぜなら、レイテンシは決め手ではないということを意味するからです。2つのモデルが時間で互角になったとき、両者を分けるのはその0.5秒間に何が起きるかであり、この2つはそれを正反対の方法で使います。Eleven Realtime v1 Maxは聞いて話し、Rime Prismはまず書きます。

これはバッチ内で最も近い比較であり、実際に選択が重要になるケースです。なぜなら、どちらの製品も単一のコンポーネントではなくカスケード全体を置き換えるもので、どちらも音声を1分8セントで提供しているからです。

手短に言えば

Eleven Realtime v1 Max は、カバレッジと音声の品揃えが勝負を決める場面で選ぶべき製品です。90 以上の言語と 17,000 以上の音声を擁するカタログは、この 2 製品の間で競合他社が太刀打ちできるものではありません。さらに、ソケットは OpenAI の Realtime API とワイヤー互換であるため、移行は書き換えではなくエンドポイントの変更で済みます。

Rime Prism は、エージェントの発話内容を発話前に検査できる必要がある場合に、より適した選択肢です。この2つのうち、ターンの途中でアプリケーションにテキスト文字列を渡し、それを書き換えたりブロックしたりするオプションを提供する唯一のモデルであり、オンプレミスまたは VPC でのデプロイを提供する唯一のモデルでもあります。

どちらも音声1分あたり$0.080の価格で、この一見した同等性は実際の隔たりを隠しています。ElevenLabsは接続された音声1分あたり$0.080を請求しさらにモデルトークンも請求しますが、Rimeは1分あたり$0.080のみでトークンは請求しません。通話の多いエージェントにとって、これは誤差では済みません。

各社が実際に発表した内容

ElevenLabsは単一のモデルではなく、ファミリーを提供した。Eleven Realtime v1 Maxは複雑なタスク向けのバリアントであり、サポート、リードの適格性評価、ツール使用を伴うあらゆる用途に適する。Eleven Realtime v1 Miniは、アシスタント、チューター、キャラクター向けの会話型バリアントだ。どちらも単一のエンドツーエンドネットワークであり、認識、ターンテイキング、推論、音声生成を、継ぎ接ぎの3段階ではなく1つのシステムに融合する。ElevenLabsがそうする理由として挙げているのは「継ぎ目」だ。ポーズ後の無音、割り込みに被せて話すこと、音声と食い違う文字起こし。これらはカスケード由来のアーティファクトであり、提示されている解決策は4つの段階すべてをまとめて調整することだ。

アクセス経路は意図的に地味で、それは褒め言葉です。Eleven RealtimeはElevenAgents内でドロップダウンから実行するか、OpenAIのRealtimeプロトコルとワイヤ互換のwss://api.elevenlabs.io/v1/convai/realtimeにあるRealtime API経由で実行できます。エンドポイントとモデル名を変更すれば、既存のOpenAI SDKはそのまま動作します。提供開始時点ではWebSocketのみで、WebRTC経路はまだありません。

Rimeの発表は性格が異なります。エンタープライズ向けコンタクトセンター向けに位置付けられた単一モデル「Prism」で、差別化の主張は複数の派生モデル群ではなくテキストチェックポイントである点です。$50分のクレジット付きの無料枠があり、Flexは毎分$0.080、Scaleは毎分$0.064、Enterprise枠はVPCとオンプレミスに加えて、顧客の通話録音とカスタムボイスに対するファインチューニングを追加します。WebRTCもありませんが、ストリーミング、LiveKitおよびPipecatの統合、8 kHzテレフォニー、HIPAA対応をうたうSOC 2があります。

ロールアウトを計画している方にぜひ注意しておきたい点が1つあります。ElevenLabsはEleven Realtimeを段階的に展開していると説明しており、モデル識別子は8月初旬から変更履歴に存在しています。10月20日は発表日です。お使いのアカウントでElevenAgentsのドロップダウンにこのモデルが表示されない場合、それは設定ミスではなく段階的リリースによるものです。

チェックポイントこそが本当の違いです。

どちらのモデルもエンドツーエンドです。ただし、発信者が何かを聞く前に、操作できるテキスト成果物を残すのは、そのうちの一方だけです。

Eleven Realtime v1 Maxは音声入力から音声出力までを担います。通話の向こう側にはトランスクリプトがあり、その上流にはシステムプロンプトがありますが、ターン内のどこにも、アプリケーションがエージェントの次の文を文字列として保持し、送信するかどうかを判断するポイントはありません。それは批判ではありません。ElevenLabsが選んだアーキテクチャであり、同社が売りにしている自然さを生み出すアーキテクチャです。4つの段階を1つのネットワークに折り畳むことが、まさに検査可能な継ぎ目をなくすことなのです。

Prismはその継ぎ目を保つ。Rimeによれば、モデルは返答をテキストとして下書きし、アプリケーションはそのテキストを書き換え、ブロックし、タグ付けし、または発音を修正でき、音声はそれに続く。ツール呼び出しは発話より前にではなく、発話と並行して実行される。これがカスケードではないという主張は、推論が音声上で行われること——声のトーンや間の取り方、背景雑音が返答に影響を与える——に基づいており、テキストは入力ではなく出力の経由点となる。

コンプライアンスチームにとって、その違いが調達のすべてを決めます。「エージェントはXを言えない」ということは、Prismでは文レベルで強制でき、Eleven Realtimeではプロンプトレベルのみ、つまり確率的にしか強制できません。キャラクターやチューターを構築するプロダクトチームにとっては、逆が成り立ちます。チェックポイントはオーバーヘッドであり、単一のチューニング済みネットワークから得られる自然さこそが製品そのものです。

同じ測定ではない2つの0.57秒の数値

その同等性は確かに存在するが、測定手段は異なっており、どちらの数値を引用するつもりならその違いは重要になる。

{{1}}Eleven Realtime v1 Max{{/1}}の0.57秒はArtificial Analysisによる測定値です。第三者が、同社の他の音声対音声エントリーに用いたのと同じ時計で計測し、公開しました。{{2}}Eleven Realtime v1 Mini{{/2}}は同じ計測器で0.62秒です。

Prismの0.57秒はRime自身が公表した数値であり、Artificial Analysisも使用しているτ-Voiceハーネス上で計測されたものの、実行したのはRimeである。Prismはローンチ時点で公開リーダーボードへの登録がなかった。つまり、一方の数値には第三者の検証があり、もう一方にはない——両者が小数点以下2桁まで同じ値であっても、である。両者を同点として並べて報告するのは妥当だと言えるが、同等の証拠として報告するのは妥当ではない。

その他のスコアは大きく異なり、しかもまた別の評価指標で異なっている。Eleven Realtime v1 MaxはBig Bench Audioで98.8%を記録し、Miniの75.9～76%に対して優位に立つ。タスク成功率は87.1%対60.3%、Full-Duplex-Benchは94.1対95.8%、Arena Eloは約997～998対988だ。また、Speech-to-Speech Indexではスコアがなく、τ-Voiceのエージェントスコアも持たない。したがって、Eleven Realtime v1 MaxとPrismを同じ軸に並べる公表数値はまったく存在しない。Prismの56.6をElevenLabsの98.8と並べる人は、タスク完了ベンチマークと音声品質ベンチマークを比較しており、無意味な42ポイント差を出しているだけだ。

価格差はトークン行にあります。

一見すると、どちらの製品も1分あたり8セントです。料金表を読めば、そうではありません。

• ElevenLabs — 接続音声1分あたり$0.080、加えてモデルトークン。Eleven Realtime v1 Miniは100万トークンあたり入力$0.20、出力$6.00。v1 Maxは入力$1.80、出力$9.00。バースト超過時は音声料金が2倍の$0.16/分。ElevenAgents内では標準料金は$0.08/分にLLMトークンを加えたもの。

• Rime — FlexではPrism音声1分あたり$0.080、Scaleでは$0.064、追加のトークン課金はありません。無料枠には、Prism、Mist v3、Coda v2、Rime STT全体で$50の利用クレジットが含まれます。

トークン課金項目のコストは、エージェントがどれだけ考えるかに完全に左右されます。エージェントが8ターンにわたり、各ターンで数千トークンを使って推論する5分間のサポート通話は、Maxでの入力100万トークンあたり1.80ドル、出力100万トークンあたり9.00ドルでは無料ではありません。それは最初のメーターと並行して動く2つ目のメーターです。Mini上で短く相づちの多いアシスタントの場合、トークン課金項目はノイズにすぎません。実際のツールオーケストレーションを行うMaxの導入環境では、音声料金に匹敵する可能性があります。

Rimeの定額の分単位料金には独自の落とし穴があり、しかもそれは逆方向の落とし穴です。Prismはエージェントの発話ではなく通話音声に対して課金するため、長々と話す発信者がいる通話は、エージェントがしゃべり続ける通話と同じ料金になります。通話が、エージェントの短い発話ターンと顧客の長い発話ターンに偏っているなら、Prismの分単位料金は、モデルとはまったく関係のない差で、2社のうち高額な方になります。

契約する前に、両方の料金メーターを自社の通話分布に基づいて試算してください。どちらのベンダーも計算ツールを公開しておらず、「8セント」という宣伝文句の数字は、どちらが実際に請求する金額でも本当にありません。

カバレッジ、音声、そしてデプロイの課題

ElevenLabsはカバレッジで圧倒的に優位に立っており、これは埋もれさせず率直に述べる価値がある。90以上の言語と17,000以上の音声を備えている。RimeはPrismの言語数や音声ラインナップを一切公開していないが、同社の別個のテキスト読み上げ製品ではそれらを公開しており、その数値をPrismに当てはめて読むことはできない。

その非対称性だけで、実際の導入の大部分が決まる。9つの市場で展開を始める欧州の小売業者なら、この記事の残りを読む必要はない。

デプロイは、そこで再び形勢が逆転する領域です。RimeはEnterpriseでVPCとオンプレミスを、クラウドと並んで提供し、さらに同社のTTSモデル向けにコロケーション型エンドポイントのオプションも用意しています。Eleven Realtimeは提供開始時点ではホスト型のWebSocketサービスです。Rimeの主張——最先端のリアルタイムAPIはクラウド専用だが、Prismでは音声データの所在を制御できる——は、ヘルスケア、金融サービス、そして契約にデータレジデンシー条項を盛り込むあらゆる購買者にとって、真の差別化要因です。RimeはPrismについてSOC 2とHIPAAを謳っています。一方、ElevenLabsは自社の条件でDPAとBAAを含むエンタープライズ契約を販売しています。どちらもコンプライアンス審査を満たすように仕立てることはできますが、「音声が当社の建物から決して出ない」という条件を満たすようにできるのは、そのうち一方だけです。

ファインチューニングももう一つの非対称性であり、同じ方向を示している。Rimeは、Prismが顧客自身の通話録音でファインチューニング可能で、セルフサービス型のRLおよびSFT APIをベータ提供していると述べている。ElevenLabsのチューニング対象は音声レベル——クローニング、プロフェッショナル音声ワークフロー、スタイルと安定性の設定——であり、通話で訓練されたカスタムの音響・推論モデルではない。「自社ブランドのように聞こえること」が目的なら、それはElevenLabs側では解決済みの問題だ。「自社固有の注文フローを改善すること」が目的なら、それを提供しているのはこのうち一方だけである。

OrcaRouterが適する場面と、適さない場面

PrismもEleven Realtimeも当社のカタログには載っていません。PrismはRimeによる直販で、Eleven RealtimeのモデルはElevenLabsによる直販、および複数のサードパーティ製プラットフォームを通じて販売されています。どちらかを選ぶということはベンダーから直接購入するということであり、本記事はそれを曖昧にしようとはしません。

OrcaRouter が依然としてこの判断に含まれるべき理由は、エンドツーエンドの音声モデルによってスタックからすべてのモデルがなくなるわけではないからです。これらの製品はいずれも、ポリシーレイヤー、検索ステップ、分類器、エスカレーション経路を依然として必要とし、それらは通常のモデル呼び出しです。1つのキーで、プロバイダー定価に対して0%の上乗せで200以上のモデルをカバーでき、そのため、安価なガードレールモデルと高価なエスカレーションモデルが、自動フェイルオーバー付きの単一エンドポイントの背後に置かれます。これはライブ通話で重要な点であり、応答が止まったプロバイダーは回線切断と見分けがつかないからです。ルーティング DSL は、「確認応答はローカルで安価に保ち、検索はエスカレーションする」を表現する方法であり、そのルールはエージェント内で3回書くよりも、ゲートウェイで1回書く価値があります。

実際に求めているのがホスト型合成を使ったカスケードであれば、openai/tts-1-hdと google/gemini-3.1-flash-tts-preview は同じキーで定価で利用できます。ツールは違えど、請求は同じです。

10分で決断する方法

3つの質問を順番に行います。最初に「はい」と答えた時点で止めてください。

少数の言語だけでなく、多くの言語で運用する必要がありますか、それとも非常に大規模な音声の品揃えから特定のボイスを選ぶ必要がありますか？ Eleven Realtime v1 Max または v1 Mini。カタログそのものが製品であり、Prism は同等のものを公開していません。

エージェントの発言は、通話者が聞く前に承認が必要ですか、それとも音声は自社ネットワーク内に留まる必要がありますか？ Rime Prism。チェックポイントとオンプレミスティアは、ElevenLabsがここで提供していない2つのものであり、後から追加できる機能ではありません。

どちらも制約にならず、決定要因がコストですか？ それなら、両方のメーターを自社の呼び出しデータで実行してください。8セントという見出し価格は同じでも、トークン単価の行は同じではないからです。Mini上の短いターン・低推論のアシスタントは価格でPrismを上回ります。ツールを多用するMaxのデプロイは、おそらく上回りません。

次に見るべきは、それを決着させる一つの数字だ。Eleven Realtime v1 Maxにはτ-Voiceスコアがなく、Prismにも独立したスコアはない。どちらかのモデルが、ベンダー以外の誰かによって測定された公開リーダーボードに載れば、この比較はずっと短くなる。それまでは、両者は2つの異なるストップウォッチで0.57秒の同点であり、残りはアーキテクチャの問題だ。

先ほどの数値について最後に一点だけ補足します。Eleven Realtime のスコアは Artificial Analysis の数値、価格カードは各ベンダー自身によるもので、Prism の 56.6 は Rime の数値です。本記事で扱うどの計測も、両モデルを同一の軸上に並べてはいません。だからこそ本稿は、スコアボードではなくアーキテクチャとカバレッジを中心に構成しています。