Rime Prism 対 Inworld Realtime TTS 2：200 ロケール 対 単一チェックポイント

ベンチマークを誰かが開く前に、この比較のほとんどの版に決着をつけるはずの事実があります：Inworld Realtime TTS 2 は200以上のロケールでのカバレッジを公表し、282種類の内蔵音声を搭載しています。一方、Rime Prism は言語数も音声数も一切公表していません。音声エージェントを十数の市場に展開するなら、それは天秤にかけるべきトレードオフではなく、選択肢を1つ排除するフィルターです。この比較が興味深いままでいるのは、単一市場かつ規制対象の購入者にとってだけです。なぜならRime Prism は、この2つの中で、発信者が文を聞く前にアプリケーションがその文を読み取ってブロックできる唯一のモデルです。 Inworld Realtime TTS 2 は、非常に優れたリアルタイム性能という売り文句を備えたテキスト読み上げモデルですが、同等のチェックポイントはありません。なぜなら、テキストを見る時点で判断はすでに下されているからです。

名称もまた誤解を招くもので、すでに誤ったアドバイスを生んでいます。{{1}}「Inworld Realtime TTS 2」{{/1}}は音声対音声モデルではありません。{{2}}Rime Prism{{/2}}がそれに当たります。この区別は以下のすべての数値の根底にあり、数値が始まる前に述べておく価値があります。

これらのうちの1つはエージェントではありません。

Inworld Realtime TTS 2 はテキスト入力、音声出力です。通話相手の声を聞きながら話すことや割り込みの処理といった双方向の挙動は、OpenAI Realtime プロトコルに準拠し、約 100 ms の割り込みレイテンシをうたう Inworld の別個の Realtime API によって実現されます。それは TTS モデル自体の特性ではなく、別の製品であり、別の統合を必要とします。モデル名に「Realtime」とあるのを見て、エンドツーエンドの音声対音声だと想定する人は、カタログを読み誤っています。

Prismはまったく別の形です。音声入力と音声出力を1つのシステムに収め、その途中にテキストの経由点があり、ツール呼び出しは発話の前ではなく発話と並行して実行されます。まさにその理由から、通話音声の1分単位で価格設定されています——購入しているのはテキストではなく、通話そのものなのです。

この比較を正直に整理すると、次のようになります。Inworld Realtime TTS 2 は、自分で組み立てるカスケードにおける最高クラスの音声合成ステップであり、Prism はそのカスケード自体を置き換えるものです。Inworld を選んだうえで、より多くの部品を使って Prism 型のエージェントを構築することはできます。しかし、Prism を選んで Inworld の言語カバレッジを得ることはできません。それが公開されていないからです。

カバレッジの数値と、それにどれだけの価値があるか

Inworldのリストは異例なほど具体的で、そのこと自体が示唆に富んでいます：

• ロケール — 200以上で、Tier 1品質が15、Tier 2が79に分かれています。

• ボイス — 282種類を内蔵、厳選された20のプリセット付き。

• クローニング — 5～15秒の音声からのゼロショット。Professional Voice Cloningはプレビュー中で、フラッグシップ限定。

• 継続性 — 言語を超えて一貫した単一のボイスアイデンティティを維持すること。これこそが、多市場でのブランド立ち上げを「翻訳されたもの」ではなく意図的なものに見せる特徴です。

• オーディオ — MP3、WAV、OGG、FLAC、PCM出力、8 kHz～48 kHz、デフォルトは24 kHz。

• スループット — リクエストあたり2,000文字、20同時接続・5コンテキストでのWebSocketストリーミング。

• レイテンシー — TTS-2 のサーバー側 P99 初回バイト時間は 100 ms 未満。2026年8月31日に登場した Flash バリアントは 25 ms 未満を謳っており、第三者による測定では約 25 ms です。

Tier 1とTier 2の分割こそ、200以上という見出しよりも注目に値する部分です。サポート対象200のうち、旗艦品質なのは15ロケールというのは、実に正直な開示であり、製品が実際にどこまで完成しているかを教えてくれます。あなたの市場が英語、スペイン語、ポルトガル語、ドイツ語、フランス語、日本語なら、おそらくTier 1に属し、その見出しは現実のものです。それが残りの185なら、あなたはカタログの中でも存在はするものの、キュレーションされていない部分にいます。

それとPrismを比べてみてください。Prismでは、公開されたリストがないことはカバレッジが不十分だという証拠ではありません——Rimeは別個の音声合成製品については言語数とボイス数を公開していますが、Prismについては公開していません——しかし、それはPrismに対して計画を立てられないという証拠にはなります。Rimeが対象として開発する言語での単一市場への展開であれば、その不在によるコストはゼロです。それより広い範囲では、それがすべての答えになります。

誰も尋ねないデュプレックスの問い

「リアルタイムTTS」と「音声対音声」は同じ約束に聞こえるが、割り込みが入ったときの挙動はまったく似ていない。

Inworld Realtime TTS 2 上に構築されたカスケードでは、割り込み処理は3つのサービスにまたがる協調の問題です。認識エンジンは発話者が話し始めたことに気づかなければならず、オーケストレーターは言語モデルのターンをキャンセルし、音声合成エンジンはストリームの途中で停止してバッファをクリアしなければなりません。Inworld の Realtime API は合成側の半分をうまくこなします — 割り込みまでおよそ100ミリ秒 — しかし残りの2つの半分はあなたの担当であり、その失敗は耳で聞き取れます。エージェントは発話者が話し始めた後も一瞬話し続け、その後、文を誤った位置から再開してしまいます。

Prismはこれを単一モデル内で処理し、Rimeは割り込み処理を設計パートナー向けの訴求ポイントとして挙げている。それは数値で読めるベンチマークではなく、もう発生しなくなる種類のバグだ。発信者がエージェントに絶えず被せて話すサポート窓口では、Eloの数ポイント以上に価値がある。

反論は、アグレッシブなキャンセル経路を備えたよく構築されたカスケードがこれを本当に得意とし、その調整コードは多くのチームがすでに書いてきた既知のものである、というものだ。中断処理は難しいが不可能ではなく、2つのアーキテクチャの差はエンジニアリングの努力によって縮まる。縮まらないのは、午前3時にあなたが呼び出されるサービスの数だ。

価格：4セント対4セント、ある意味

Inworldは文字単位、Prismは通話音声の分単位で料金が設定されており、両者間の換算こそが、公正な比較を誤らせるポイントです。

• Inworld Realtime TTS 2 — オンデマンドで100万文字あたり25ドル、Growthで12.50ドル、エンタープライズ規模では約5ドルまで下がります。TTS-2 Flashは同じティアで15ドル、7ドル、5ドル未満です。音声1分あたりおよそ1,000文字の場合、オンデマンド料金は生成音声1分あたり約0.025ドルです。

• Rime Prism — Flexでは通話音声1分あたり0.080ドル、Scaleでは0.064ドル、無料プランでは50ドルの無料クレジット、Enterpriseではカスタム。

つまり、エージェントの発話1分あたりのコストはInworldで約2.5セント、Prismで8セントです。これが比較表に記載されている数字ですが、二つの理由で誤解を招きます。

第一に、Inworldのセントは1ホップ分しか買えない。カスケードは音声認識を追加し、これは通常1分あたり0.5～1セント、さらに言語モデルのターンが加わり、会話量では低い一桁台に収まる。3つを合わせると、エージェントが発話する1分あたり6～9セント近くになり、Prismの8セントを挟み込む。表のギャップは、コンポーネントとシステムを比較したことによる人為的な産物だ。

2つ目は、Prismの分はエージェントの発話時間の分ではないということです。通話音声を課金するので、発信者が4分話し、エージェントの声を1分聞く場合、Prismには5分分のコストがかかります。Cascadeの料金はエージェントが話す量に応じて変わりますが、Prismは通話時間の長さに応じて変わります。顧客のターンが長いサポートキューでは、これは実質的な割増になります。エージェントが会話の大部分を担う予約フローでは、ほぼ相殺されます。

Inworldの料金プラン構成には、確認する価値のある実用的な制約が加わっている。Creatorプランは月額25ドル、オンデマンドで100万文字あたり25ドル、Growthでは12.50ドル、エンタープライズはカスタム価格だ。同時接続数はストリーミング経路でWebSocket接続20件であり、中規模のキューには十分だが、大規模なキューでは制約となる。

コントロール：一方には立つ場所があり、もう一方にはない

ここにこそ、Prismがプレミアム価格に値する理由があり、それは機能上の不足ではなく構造的な違いです。

Inworld Realtime TTS 2 は文脈処理が本当に高度です。過去のターンを音声入力として読み込み、平易な英語による自由形式の声の指示を受け付け、インラインタグと、注文番号・コード・住所向けの文字単位スペルモードをサポートします。このスペルモードは、今回の比較の中で発話前制御に最も近いもので、実際に優れています。「472」を「四百七十二」ではなく「4・7・2」と発話できる音声合成エンジンは、サポート通話における典型的な失敗を確実に解決します。

しかし、それはすでに確定したテキストに対して作用します。ターンの中で、Inworld がアプリケーションに「これから言おうとしているのはこれです」と伝えて待機するポイントはありません。スペリングモードが修正するのは発音であり、内容ではありません。

Prismは毎ターン、あなたに伝える。Rimeの主張は、テキストが中間物ではなくチェックポイントだということだ。ガードレールは発話前にすべての語を検査でき、ポリシーレイヤーは拒否された文を書き換えてモデルにその置換文を話させることができ、禁止された主張は通話を継続したまま完全に遮断できる。モデルの推論が真にオーディオネイティブかどうかは検証に値する主張であり、テキストが音声より先に届くかどうかは設計上の事実である。

規制された単一市場向けの展開では、その事実こそが、より安価なカスケードを組み立てる代わりに8セントを支払う理由になる。それ以外の用途では、それは購入はしているものの必要ないかもしれない機能だ。

リーダーボードの主張は実際には何と言っているのか

InworldはRealtime TTS 2をArtificial Analysis Speech Arenaで首位として宣伝している。独立系アリーナの掲載では、Eloは約1,245で、現在のボードでは3位、TTS-2 Flashは約1,210で6位だ。公開アリーナでのトップ3入りは素晴らしい結果であり、マーケティング上の主張よりも有用な根拠となる。この不一致は、ポジショニングの主張が、投票者が集まるにつれて動くライブの順位表と衝突していることを表している。

Prismには相当するものが存在しません。τ-Voiceにおけるその56.6は、Rime自身が実施したエージェント的タスク完了スコアであり、Artificial Analysisも使用するハーネス上で測定されたものの、ローンチ時点では公開されたリーダーボードのエントリーがありませんでした。この2つの数値は異なるものを測っています——音声が人間の評価者にどう聞こえるかと、エージェントが模擬サービス課題を完了する頻度——そして、一方を他方に変換する算術は存在しません。

その非対称性は、繰り返しになるが、比較の縮図でもある。Inworldには審判付きの音声品質スコアがある。Prismには審判なしのエージェント能力スコアがある。どちらの企業も直接対決の結果を公表しておらず、どちらのモデルも同じラボによって同じタスクで実行されたことは一度もない。

カスケードを構築するなら、中間はこちらでルーティングします。

Inworld Realtime TTS 2 は Inworld が直接販売し、複数のサードパーティプラットフォームを通じても販売されています。Rime Prism は Rime が直接販売しています。現在、どちらも OrcaRouter のカタログには掲載されておらず、本記事もそのようには主張していません。

Inworldのモデルが属するカスケードアーキテクチャには、依然として中間に言語モデルが必要であり、その中間こそが品質とコストを実際に左右します。OrcaRouterは200以上のモデルを、プロバイダーの定価に対して0%の上乗せで、1つのキーの背後にまとめています。プロバイダーの性能が低下した際の自動フェイルオーバーと、異なるターンを異なるモデルに振り分けるためのルーティングDSLを備えています——相槌には安価なモデルを、参照には高性能なモデルを、すべて1つのエンドポイント経由で。音声エージェントにとってこれが有用な単位です。モデルを変更する場所が1か所で済み、通話パスに手を触れる必要がありません。

2つ目の契約ではなく同じキーで使いたい場合は、合成もルーティングしています：openai/tts-1-hdとgoogle/gemini-3.1-flash-tts-previewはどちらも定価で利用できます。どちらもInworld Realtime TTS 2ではありません。どちらも、今日組み立てられるカスケードの最後のホップです。

2つの問い、そして決め手となる問い

質問その1：言語はいくつありますか？ 答えが片手で数えられる数を超えるなら、Inworld Realtime TTS 2 の時点で比較は終わります。200ロケールを持ち、15件のTier 1リストを公開していることは、数値が一切示されていない非公開リストを上回ります。そして、空欄を相手に調達を進めることはできません。

質問その2：その文を読み出す前に、誰かが承認する必要があるのか。 必要なら、Prismです。音声として優れているからではなく——どちらを支持する証拠もないのですから——ここで唯一、アプリケーションが保持できる成果物としてその文を生成するモデルだからです。それが製品のすべてであり、コストは通話1分あたり約8セントです。

どちらにも拘束力がないのであれば、率直な答えは、Inworldのシンセサイザーを中心に、より安価なカスケードを構築し、浮いた分を割り込み処理に回すべきだということです。なぜなら、通話者が実際に気づくのは体験のその部分だからです。音声合成のホップに毎分2.5セントというのは、公開アリーナで2位にランクされたモデルからの強いオファーであり、あなたが辞退しようとしているチェックポイントは、必要ないと先ほどおっしゃったものなのです。

数字を誰かが引用する前の注記：Inworldのカバレッジ、レイテンシ、価格の数値はInworld自身によるもので、アリーナEloはArtificial Analysisによるものであり、Inworldの首位という位置づけとは一致しない。Prismの56.6はRimeの数値で、再現されていない。独立した第三者が、一方のモデルがもう一方の仕事をしているところを測定したことはなく、これが両社のどちらも埋めていない唯一のギャップだ。