Rime Prism 対 Qwen-Audio-3.0-TTS：音声レイヤーに対する会話エンジン

Rime Prismは1分あたり$0.080を請求します。これを使った5分間のサポート通話は$0.40かかり、その$0.40で、聞くこと、推論、ターン交代、そして発話が1つのモデルで賄われます。Qwen-Audio-3.0-TTSは100万文字あたり$19.30を請求し、同じ通話ではおよそ$0.10——しかも発話のみに対してです。これらの数値を並べると、比較はQwenに軍配が上がったように見えます。しかし決着はついていません。なぜなら、この2つのモデルはスタック内の同じスロットを争っているわけではなく、$0.30の差は主に、発信者の発話と応答の間の経路から2つのハンドオフを削除するためのコストだからです。

Rimeは2026年10月28日、このページが書かれる前日にPrismを発表しました。これはテキスト読み上げモデルではなく音声対音声モデルです。音声を聞き、返答を組み立て、その返答をアプリケーションが検査できるテキストとして書き出し、なおかつ聞き続けながら話します。Alibabaは2026年7月20日のWAICでQwen-Audio-3.0-TTSを発表し、品質向けのPlusティアとリアルタイム向けのFlashティアを用意しました。このモデルはテキストを受け取って音声を返す、それだけです。Alibabaは2026年9月23日にこれをQwen-Audio-3.1-TTSへ置き換えたため、この見出しにある3.0はすでに同じファミリー内の前世代です。この微妙な事情は後で再び登場し、実際に何を買うべきかを変えます。

有用な問いは、どちらがよりよく聞こえるかではなく、どちらを発信者の前に出すのか、そしてそうする場合に図の残りの部分がどのような形でなければならないかである。

2つの製品、図の中の1つの枠

従来の音声エージェントはカスケード型です。音声認識が通話者の音声をテキストに変換し、言語モデルが何を言うかを決め、テキスト読み上げがその回答を再び音声に変換します。この各段階は、通話者のアクセントが失われたり、フィラーワードが抜け落ちたり、200ミリ秒が追加されたりする場所です。

Rimeの主張は、カスケードが回復できない何かを捨ててしまうというものだ。カスケードでは、言語モデルは発信者がその内容をどう言ったのかを決して聞かない——ため息、質問の最後で上がる声の高さ、クレジットカード番号を言う前の間——なぜなら言語モデルが受け取るのは文字起こしだけだからだ。Prismは意思決定の全過程を通じて音響信号を損なわずに保ち、テキストを中間形式ではなくチェックポイントとして出力する。

それは実際のアーキテクチャ上の違いであり、製品の根幹をなしています。また、PrismはTTSエンジンのそのまま差し替え可能な代替品ではないということも意味します。これをカスケードの最後のスロットに組み込むと、まず通話者の声を聞く必要がある、高価な音声合成器を手に入れたことになります。Qwen-Audio-3.0-TTSをPrismのスロットに組み込むと、何も聞き取れないモデルになってしまいます。

Rime Prismが実際に販売しているもの

Prismは、Rimeがこれまでに提供したモデルの中で初めて、STT段階とLLM段階のどちらかを最適化するのではなく、両方を取り除いたモデルです。企業の購入者が重視するのはテキストレイヤーです。ポリシーチェック、PIIフィルター、人的スーパーバイザーが、これから発話される正確な言葉を読むことができ、チェックの実行中もモデルは聞き続けているため、その間を必ずしも音として聞かせる必要はありません。ツール呼び出しは発話の前にではなく発話と並行して実行されるため、データベース検索のレイテンシーを隠す方法として、よくある「確認しますね」という間の取り方とは異なる手法です。

公表されている数値はすべてRimeによるもので、τ-Voiceベンチマークでは最初の音声までの時間が0.57秒、同ベンチマークのタスク完了率が56.6%、その通信事業サブセットでは82.5%です。約10時間の実際の注文通話を対象としたRevmoの試験は、注文確認率が100%で、名前非公表のOpenAIモデルの68%と対比され、通話の85%がハルシネーションなしとされ、これは35%との対比です。これらの試験数値はRimeが委託した顧客事例研究に由来しますが、方法論は公表されておらず、誰も再現していません。

料金は通話音声1分あたりの課金で、どのプランでも同じモデルです。Flexでは月額料金なしで毎分$0.080、Scaleでは月額$100で毎分$0.064（$100分のクレジットが付き、翌月に繰り越されて$200になります）、Enterpriseではボリューム料金が適用されます。無料アカウントには毎月$50分のクレジットが付与されます。PrismはWebSocket経由でストリーミングし、LiveKitとPipecat向けの統合を提供しています。セルフサーブのSFTおよびRLファインチューニングAPIはベータ版で、一般提供はされていません。オンプレミスおよびVPCへのデプロイ、カスタムボイス、HIPAA BAA、SOC 2 Type IIはEnterpriseプランで提供されます。

Qwen-Audio-3.0-TTSが実際に売っているもの

Qwen-Audio-3.0-TTSは、異例ともいえる制御性を備えた音声合成エンジンです。テキスト自体に埋め込まれたインラインの話し方タグ——[gasp]、[laughs]、[angry]——を受け付けるため、感情を段落全体ではなく個々のキャラクターに結び付けられます。16言語と中国の20方言に対応し、1回のリクエストで最大3分を48 kHzで生成でき、1,000以上の音声を収録したライブラリも備えています。Plusティアは品質重視のティアです。Flashはリアルタイム対話向けで、Alibabaのドキュメントではファーストパケット遅延を200ミリ秒未満としていますが、初期の発表報道では約300ミリ秒とされていました。

定価は北京リージョンで1万文字あたり0.19253ドル、シンガポールで0.20ドル、つまり100万文字あたり19.30～20ドルです。これはArtificial Analysisがリーダーボードに掲載している数値です。スループットは両リージョンとも毎分180リクエストに制限されています。重みはなく、セルフホスティングの選択肢もオンプレミス向けの提供もありません。データレジデンシー審査でAlibabaのリージョンが問題になるなら、このモデルはそもそも利用できません。

スコアボード

• カテゴリー — Rime Prism は音声を聞き取り、音声で応答します。Qwen-Audio-3.0-TTS はテキストを受け取り、音声を返します。

• リリース — Prism は2026年10月28日、Qwen-Audio-3.0-TTS は2026年7月20日、2026年9月23日に Qwen-Audio-3.1-TTS に置き換えられました。

• 課金単位 — Prism は Flex で通話音声1分あたり $0.080、Scale で $0.064。Qwen は Plus で100万文字あたり $19.30、Flash で100万あたり約 $13.75〜$15。

• レイテンシ — Prism はベンダー測定で音声出力開始までの時間 0.57 秒、Qwen Flash は Alibaba のドキュメントによると最初のパケットが 200 ms 未満です。

• 独立スコア — Prism は Artificial Analysis の Speech-to-Speech Index でスコアなし。Qwen-Audio-3.0-TTS-Plus は、2026年10月29日時点の Text-to-Speech Arena で Elo 1,269、99件中6位。

• 言語 — {{1}}Prism{{/1}}はリリース時点で英語のみ、Qwenは16言語に加えて中国語の20方言に対応。

• デプロイ — Prismクラウド、VPC、またはオンプレミス。EnterpriseではHIPAA BAAおよびSOC 2 Type IIに対応。QwenはAlibaba Cloud Model Studio経由のみ。

5分間の通話、価格設定済み

エージェントが1分あたり約1,000文字を話す、5分間のインバウンドサポート通話を想定します。Rime自身の料金FAQでは、この比率を使って、文字単位で課金されるTTSと分単位で課金されるPrismの間で換算しているため、これは妥当な共通基準です。それは5,000文字分の発話量です。

Prismでは、5分間の料金は毎分$0.080、つまり$0.40です。Scaleの料金では$0.32です。このような通話1万件では、それぞれ$4,000と$3,200かかります。

Qwen-Audio-3.0-TTS-Plus を中心に構築したカスケードでは、5,000文字のコストは0.0965ドルです。これに Rime 独自の音声認識を1分0.002ドルで加えると、1回の通話あたり5セントになり、さらに推論用のテキストモデルも加わります。100万トークンあたり0.50ドルの混合単価で、1ターンあたり数千トークンなら、追加コストは1セントを大きく下回ります。このカスケードは1回あたり約0.11ドル、1万回で約1,100ドルになります。Plus の代わりに Flash を使うと、北京では音声合成部分のコストが約0.069ドルまで下がり、合計は約0.08ドルになります。

cascadeはPrismの価格のおよそ4分の1で、1万回の呼び出しあたりの差は$2,900から$3,200です。これらは定価であり、前提は当社のものでRimeのものではありません。重要なのは差の形であり、小数点以下3桁目ではありません。

そのカスケードの中央部分は、他の2つに触れることなく移動できる唯一のコンポーネントでもあります。OrcaRouterはテキストモデルを単一のAPIの背後でルーティングします — 200以上のモデル、プロバイダーの定価を0%のマークアップでそのまま反映、会話中にプロバイダーが劣化した場合の自動フェイルオーバーを備えています — そのため、推論ステップは呼び出し間で、より安価なモデルまたはより強力なモデルに再ポイントできます。Prismのテキストチェックポイントが通常のテキストであるのも同じ理由です。ツール呼び出しから通話後の要約、QAスコアリングまで、それを消費するものが何であれ、ルーティングされたエンドポイント上に置かれ、下層の音声レイヤーから独立したままでいられます。

カスケードが依然として勝る場面

多言語対応のコンタクトセンターが一例です。Prismは提供開始時点で英語のみに対応し、音声セットも限られています。Qwen-Audio-3.0-TTSは16言語と20の中国方言に対応しており、その後継モデルではマンダリン、広東語、英語、日本語の間で言語をまたぐ音色転送を追加します。電話をかけてくる人の相当な割合が英語を話さないのであれば、この比較は仕様表の時点で決着します。

ワンショット生成は2つ目のケースです。IVRプロンプト、アウトバウンド通知、オーディオブックの章、ゲームのダイアログ。これらはいずれも通話者が話し返すことを伴わないため、音声対音声モデルが聞くべきものは何もありません。誰も話していないときに聞けるモデルに1分0.080ドルを払うのは、使われない半分にお金を払うことです。

ボリュームが第3の要素です。1回あたりのコストの4分の1で、カスケードは、エージェントを実際に差別化する部分——より良い検索、より強力な推論モデル、人間へのエスカレーション経路——に予算を残します。

Prismが依然として勝る点

規制対象のインバウンド・テレフォニーは、Prism がまさに想定して開発されたケースです。エージェントが言おうとしていることを示し、顧客が聞く前にそれをブロックできなければならない銀行は、融合型リアルタイムモデルではそれができず、テキスト段階が独自のレイテンシと独自の障害モードを持つ別サービスであるカスケードでは近似しかできません。Prism はチェックポイントをモデル内部に置き、それを通過しながら聞き続けます。

また、通話が人間らしく感じられるかどうかを決める指標、すなわち「無音時間」でも優れている。紙の上では速いカスケードでも、エンドポインティング、モデルの最初のトークンまでの時間、音声合成の最初のパケットまでの時間が積み重なる。エンドツーエンドで1秒未満に収まるカスケードなら上出来だ。Prismは、発信者の発話ターン終了から応答の最初の音声までを、ワンホップで0.57秒と計測する。

そして、中国のクラウドリージョンを一切利用できない購入者にとっては、導入面で優位に立つ——VPC、オンプレミス、HIPAA BAA、SOC 2 Type II、そして共有基盤ではなく自社の通話録音に対するファインチューニング。

どちらの側もあなたに示すことのできないその数字

どちらのモデルにも、調達チームが最も欲しがる数字——同一ベンチマークでの独立した直接対決——はない。

Prism は Artificial Analysis の Speech-to-Speech Index に掲載されていません。その 56.6% という τ-Voice の数値はベンダーが実施した結果であり、Rime がそれと併せて公開している表は注意深く読む価値があります。GPT-Live-1（Sol、low）は 59.3% でプロットされており、Prism より高い一方、周辺の文章には Prism が「OpenAI と Google のあらゆるリアルタイムモデルを上回る」と書かれています。ローンチ投稿では「300 ms 未満」や「GPT-Live より 4 倍高速」という数値も引用されていますが、これらの数値はベンチマーク表には現れず、表には 0.57 s とあります。測定方法の違いが差異を説明できるかもしれませんが、そのページには説明がありません。

Qwenの数値のほうがより強い。というのも、1,269 EloはAlibabaによるものではなく、ブラインドリスナー投票に由来するからだ。また、それはもはや自身のファミリー内で最高の数値でもない。Qwen-Audio-3.1-TTS-Plusが2026年10月29日時点で1,305で3位に位置しており、Artificial Analysisの改訂によって今年このボードは複数回変動しているため、異なるスナップショットのスコア同士を決して差し引くべきではない。

Rimeに固有の注意点は、むしろ逆方向に働く。Rimeの声のうち独立して順位付けされているのはTTSモデルだけであり、同じリーダーボードではCodaがElo 1,054で65位、Mist V2が903で92位——99体中の下位半分だ。Prismは兄弟モデルより実際に良い音かもしれないが、契約締結前にそれを確認できる公開情報は何もない。

何を観るべきか

推奨を変える要因は3つある。PrismがSpeech-to-Speech Indexに登場すれば、これまで一度も得たことのない初の独立した数値が付く。全二重動作——Prismはローンチ時点では割り込み可能な半二重だ——であれば、発信者が話し終えるのを待たなければならないあらゆるカスケードとの差を広げられる。そしてセルフサービス型ファインチューニングAPIのベータ版卒業は、「企業がファインチューニングできる」と「火曜日にはファインチューニングできる」の違いになる。

一方で、Alibabaが2026年9月22日に約70％の値下げを実施した後、Qwen-Audio-3.1-TTSの料金をどう扱うかに注目すべきだ。中間ホップと最終ホップの両方が安くなっていくカスケードは動く標的であり、Prismの1分あたりの料金はそれに対して固定されている。

ほとんどのチームにとって、正直な答えは「どちらか一方」ではなく「両方」です。会話にチェックポイントと単一ホップのレイテンシ予算が求められるインバウンドの通話者の前には、Prism を置きましょう。誰も話し返さず、課金が文字単位で行われるアウトバウンドの経路には、Qwen-Audio-3.0-TTS、あるいは今となってはより現実的に Qwen-Audio-3.1-TTS を置きましょう。間違いは、ベンチマークの表がそう言ったからといって一方を選んでしまうことです。その表には脚注があり、その脚注が大半の仕事をしているというのに。