Rime Prism vs ElevenLabs: 두 개의 음성 대 음성 모델, 하나의 지연 시간 수치

11일 차이를 두고 두 기업이 같은 아이디어를 내놓았고 같은 수치를 보고했다. Rime Prism은 2026년 10월 28일 첫 오디오까지 0.57초를 기록하며 등장했다. Eleven Realtime v1 Max, 즉 ElevenLabs 자체의 엔드투엔드 음성-음성 모델은 2026년 10월 20일에 등장했으며 — 역시 0.57초였다. 이 우연의 일치는 이 맞대결에서 가장 유용한 점이다. 왜냐하면 그것은 지연 시간이 결정 기준이 아니라는 뜻이기 때문이다. 두 모델이 같은 시간을 기록하면, 이들을 구분하는 것은 그 0.5초 동안 일어나는 일이며, 이 두 모델은 그 시간을 정반대 방식으로 사용한다: Eleven Realtime v1 Max는 듣고 말하는 반면, Rime Prism은 먼저 쓴다.

이번 묶음에서 가장 근접한 비교이며, 선택이 실제로 중요한 항목입니다. 두 제품 모두 하나의 구성 요소가 아니라 전체 캐스케이드를 대체하고, 양쪽 모두 오디오 가격을 분당 8센트로 책정하기 때문입니다.

짧은 대답

커버리지와 음성 인벤토리가 선택을 좌우할 때는 Eleven Realtime v1 Max가 더 나은 선택입니다. 90개 이상의 언어와 17,000개 이상의 음성을 갖춘 카탈로그는 이 두 제품 구도에서 어떤 경쟁사도 맞설 수 없으며, 소켓은 OpenAI의 Realtime API와 와이어 호환되므로 마이그레이션은 재작성이 아니라 엔드포인트 변경에 불과합니다.

에이전트가 말하는 내용을 발화되기 전에 검토할 수 있어야 한다면 Rime Prism이 더 나은 선택입니다. 이 두 모델 중 턴 중간에 애플리케이션에 텍스트 문자열을 넘기면서 이를 재작성하거나 차단할 수 있는 옵션을 제공하는 유일한 모델이며, 온프레미스 또는 VPC 배포를 제공하는 유일한 모델입니다.

두 서비스 모두 오디오 1분당 $0.080으로 책정되어 있으며, 이렇게 겉으로 드러나는 동등함은 실제 격차를 가립니다: ElevenLabs는 연결된 오디오 1분당 $0.080을 청구하고 추가로 모델 토큰까지 청구하는 반면, Rime은 1분당 $0.080만 청구하며 토큰은 청구하지 않습니다. 통화량이 많은 에이전트에서 이는 단순한 반올림 차이가 아닙니다.

각 기업이 실제로 발표한 내용

ElevenLabs는 모델 하나가 아니라 제품군을 출시했다. Eleven Realtime v1 Max는 복합 작업용 변형으로, 지원, 리드 자격 심사, 도구 사용이 필요한 모든 작업에 적합하다. Eleven Realtime v1 Mini는 대화형 변형으로 어시스턴트, 튜터, 캐릭터에 적합하다. 둘 다 단일 엔드투엔드 네트워크로, 인식, 발화 순서 조정, 추론, 음성 생성을 세 단계로 이어 붙인 구조가 아니라 하나의 시스템으로 통합한다. ElevenLabs가 그렇게 해야 한다고 드는 근거는 이음매다. 멈춤 뒤의 정적, 끼어들기 때의 말 겹침, 음성과 일치하지 않는 대본 같은 문제다. 이런 것들은 캐스케이드 아티팩트이며, 제시된 해법은 네 단계 모두를 함께 조정하는 것이다.

접근 경로는 일부러 지루하게 설계됐는데, 이는 칭찬입니다. Eleven Realtime은 드롭다운을 통해 ElevenAgents 안에서 구동되거나, OpenAI의 Realtime 프로토콜과 와이어 호환되는 Realtime API(wss://api.elevenlabs.io/v1/convai/realtime)를 통해 구동됩니다. 엔드포인트와 모델 이름만 바꾸면 기존 OpenAI SDK가 그대로 작동합니다. 출시 당시에는 WebSocket만 지원하며, 아직 WebRTC 경로는 없습니다.

Rime의 발표는 결이 다릅니다. 기업용 컨택트 센터를 겨냥한 단일 모델 Prism이 있으며, 차별화 포인트는 여러 변형 제품군이 아니라 텍스트 체크포인트라는 점입니다. $50 크레딧이 제공되는 무료 티어, 분당 $0.080의 Flex, 분당 $0.064의 Scale, 그리고 VPC와 온프레미스는 물론 고객 통화 녹음에 대한 파인튜닝과 커스텀 음성을 추가한 Enterprise 티어가 있습니다. WebRTC도 없지만 스트리밍, LiveKit 및 Pipecat 통합, 8 kHz 전화 통신, 그리고 HIPAA 관련 주장을 포함한 SOC 2를 지원합니다.

롤아웃을 계획하는 분이라면 주목할 만한 점이 하나 있습니다: ElevenLabs는 Eleven Realtime이 점진적으로 출시된다고 설명하며, 해당 모델 식별자는 8월 초부터 변경 로그에 존재해 왔습니다. 10월 20일은 발표일입니다. ElevenAgents 드롭다운에 모델이 표시되지 않는다면 이는 설정 오류가 아니라 단계적 릴리스이기 때문입니다.

체크포인트가 진정한 차이입니다

두 모델 모두 엔드투엔드 방식입니다. 그중 하나만이 발신자가 무엇이든 듣기 전에 대응할 수 있는 텍스트 아티팩트를 남깁니다.

Eleven Realtime v1 Max는 오디오 입력에서 오디오 출력까지 이어집니다. 통화의 반대편에는 트랜스크립트가 있고 그 업스트림에는 시스템 프롬프트가 있지만, 턴 중에 애플리케이션이 에이전트의 다음 문장을 문자열로 보유한 채 전송할지 결정하는 지점은 없습니다. 이는 비판이 아닙니다 — 그것은 ElevenLabs가 선택한 아키텍처이며, 회사가 판매하는 자연스러움을 만들어내는 아키텍처입니다. 네 단계를 하나의 네트워크로 접는 것은 바로 검사 가능한 이음새를 제거하는 일입니다.

Prism은 그 이음매를 유지한다. Rime은 모델이 답변을 텍스트로 초안을 작성하고, 애플리케이션이 그 텍스트를 다시 쓰거나, 차단하거나, 태그를 붙이거나, 발음을 고칠 수 있으며, 오디오가 그 뒤를 따른다고 말한다. 도구 호출은 발화에 앞서가 아니라 발화와 병렬로 실행된다. 이것이 캐스케이드가 아니라는 주장은 추론이 오디오 위에서 이루어진다는 점에 근거한다 — 어조와 망설임, 배경 소음이 답변에 정보를 제공하며 — 텍스트는 입력이 아니라 출력 경유지로서 기능한다.

컴플라이언스 팀에게 그 차이는 조달 의사결정의 전부입니다. "에이전트가 X라고 말할 수 없다"는 Prism에서는 문장 수준에서 강제할 수 있지만, Eleven Realtime에서는 프롬프트 수준에서만, 즉 확률적으로만 강제할 수 있습니다. 캐릭터나 튜터를 만드는 제품 팀에게는 반대가 성립합니다. 체크포인트는 오버헤드이고, 단일 튜닝 네트워크에서 나오는 자연스러움 자체가 제품입니다.

같은 측정값이 아닌 두 개의 0.57초 숫자

패리티는 실제이지만 측정 도구가 다르며, 어느 수치를 인용할 계획이라면 그 차이는 중요하다.

Eleven Realtime v1 Max의 0.57초는 Artificial Analysis 측정치입니다. 제3자가 Artificial Analysis의 다른 음성-음성 항목에 사용된 동일한 측정 기준으로 이를 실행하고 공개한 것입니다. Eleven Realtime v1 Mini는 동일한 측정 도구에서 0.62초를 기록합니다.

Prism의 0.57초는 Rime 자체 수치로, Artificial Analysis도 사용하는 τ-Voice 하네스에서 산출되었지만 Rime이 직접 실행한 것입니다. Prism은 출시 당시 공개 리더보드에 등재된 기록이 없었습니다. 따라서 한 수치에는 심판이 있고 다른 수치에는 없습니다. 둘 다 소수점 둘째 자리까지 같은 값임에도 그렇습니다. 이들을 동점으로 나란히 제시하는 것은 정당화될 수 있지만, 동등한 증거로 제시하는 것은 정당화될 수 없습니다.

다른 점수들은 크게 갈리며, 이 역시 서로 다른 측정 도구에서 나타납니다. Eleven Realtime v1 Max는 Big Bench Audio에서 98.8%를 기록해 Mini의 75.9~76%와 대비되며, 작업 성공률은 87.1% 대 60.3%, Full-Duplex-Bench는 94.1 대 95.8%, Arena Elo는 약 997~998 대 988입니다. 또한 Speech-to-Speech Index에서는 점수가 매겨지지 않았고 τ-Voice 에이전틱 점수도 없습니다 — 따라서 Eleven Realtime v1 Max와 Prism을 같은 축에 놓는 공개된 수치는 전혀 없습니다. Prism의 56.6을 ElevenLabs의 98.8과 나란히 놓는 사람은 작업 완료 벤치마크를 오디오 품질 벤치마크와 비교하는 것이며, 무의미한 42점 격차를 얻는 것입니다.

가격 차이는 토큰 라인에 있습니다.

겉보기에는 두 제품 모두 분당 8센트입니다. 하지만 요금표를 들여다보면 그렇지 않습니다.

• ElevenLabs — 연결된 오디오 1분당 $0.080, 모델 토큰 추가. Eleven Realtime v1 Mini는 100만 토큰당 입력 $0.20, 출력 $6.00이며, v1 Max는 입력 $1.80, 출력 $9.00입니다. 버스트 초과 사용 시 오디오 요금이 두 배인 $0.16/분이 됩니다. ElevenAgents 내에서는 표준 요금이 $0.08/분에 LLM 토큰이 추가됩니다.

• Rime — Flex에서 Prism 오디오 분당 $0.080, Scale에서 $0.064이며 추가 토큰 비용은 없습니다. 무료 티어는 Prism, Mist v3, Coda v2 및 Rime STT 전반에 걸쳐 $50의 사용 크레딧을 제공합니다.

토큰 라인 비용은 전적으로 에이전트가 얼마나 생각하는지에 달려 있습니다. 에이전트가 8턴을 거치고 각 턴마다 수천 개의 토큰을 추론하는 5분 지원 통화는 Max에서 입력 100만 토큰당 $1.80, 출력 100만 토큰당 $9.00로 공짜가 아닙니다 — 첫 번째 미터와 나란히 돌아가는 두 번째 미터입니다. Mini에서 짧고 확인 응답이 많은 어시스턴트라면 토큰 라인은 소음에 불과합니다. 실제 도구 오케스트레이션을 수행하는 Max 배포에서는 오디오 비용에 필적할 수 있습니다.

Rime의 정액 분당제에는 자체 함정이 있으며, 그 함정은 정반대입니다. Prism은 상담원의 발화 대신 통화 오디오를 기준으로 과금하므로, 말이 많은 고객과的通話는 상담원이 끊임없이 말하는 통화와 비용이 같습니다. 통화가 상담원의 짧은 발화와 고객의 긴 발화 쪽으로 치우친다면, Prism의 분당 요금은 모델과 전혀 무관한 격차만큼 둘 중 더 비쌉니다.

계약하기 전에 두 요금 산정 방식을 자체 통화 분포에 맞춰 모델링하세요. 어느 공급업체도 계산기를 공개하지 않으며, ‘8센트’라는 대표 수치는 실제로 두 업체 중 어느 곳도 청구할 금액이 아닙니다.

커버리지, 음성, 그리고 배포 관련 질문

ElevenLabs는 지원 범위에서 너무나 압도적으로 앞서므로, 이를 묻어 두기보다 분명히 말할 가치가 있습니다: 90개 이상의 언어와 17,000개 이상의 음성. Rime은 Prism의 언어 수나 음성 목록을 전혀 공개하지 않습니다. 다만 Rime의 별도 텍스트 음성 변환 제품들은 자사 수치를 공개하지만, 그 수치를 Prism에 그대로 적용해 읽을 수는 없습니다.

그 비대칭성만으로 실제 도입의 상당 부분이 결정됩니다. 9개 시장에 진출하는 유럽 소매업체는 이 글의 나머지 부분을 읽을 필요가 없습니다.

배포 방식에서 판세가 다시 뒤집힌다. Rime는 Enterprise에서 클라우드와 함께 VPC와 온프레미스를 제공하고, TTS 모델용 코로케이션 엔드포인트 옵션도 제공한다. Eleven Realtime은 출시 시점에 호스팅형 WebSocket 서비스다. 최첨단 실시간 API는 클라우드 전용인 반면 Prism을 쓰면 오디오가 저장되는 위치를 제어할 수 있다는 Rime의 주장은 헬스케어, 금융 서비스, 그리고 계약에 데이터 레지던시 조항이 있는 모든 구매자에게 실질적인 차별화 요소다. Rime는 Prism에 대해 SOC 2와 HIPAA를 주장한다. ElevenLabs는 자사 조건에 따라 DPA와 BAA가 포함된 엔터프라이즈 계약을 판매한다. 둘 다 컴플라이언스 검토를 충족하도록 만들 수 있지만, "오디오가 우리 건물 밖으로 절대 나가지 않는다"를 충족하도록 만들 수 있는 것은 둘 중 하나뿐이다.

파인튜닝은 또 하나의 비대칭성이며, 같은 방향을 가리킵니다. Rime은 Prism이 고객 자체의 통화 녹음으로 파인튜닝할 수 있고, 셀프서비스 RL 및 SFT API가 베타로 제공된다고 말합니다. ElevenLabs의 튜닝 영역은 음성 수준입니다. 즉 클로닝, 전문 음성 워크플로, 스타일 및 안정성 설정이며, 고객의 통화로 훈련된 사용자 지정 음향 및 추론 모델이 아닙니다. 목표가 "우리 브랜드처럼 들리는 것"이라면, 그 문제는 ElevenLabs 쪽에서 이미 해결된 문제입니다. 목표가 "우리의 특정 주문 흐름을 더 잘 처리하는 것"이라면, 이 중 그걸 제공하는 쪽은 하나뿐입니다.

OrcaRouter가 적합한 경우와 그렇지 않은 경우

Prism과 Eleven Realtime은 모두 우리 카탈로그에 없습니다. Prism은 Rime에서 직접 판매하며, Eleven Realtime 모델은 ElevenLabs에서 직접 판매하고 여러 제3자 플랫폼을 통해서도 판매됩니다. 둘 중 어느 것을 선택하든 공급업체로부터 구매하는 것이며, 이 글은 그 사실을 다른 것처럼 말하지 않겠습니다.

이 결정에서 OrcaRouter가 여전히 필요한 이유는 엔드투엔드 음성 모델이 스택의 모든 모델을 없애주지는 않는다는 점입니다. 두 제품 모두 정책 계층, 검색 단계, 분류기, 에스컬레이션 경로가 여전히 필요하며, 이들은 일반적인 모델 호출입니다. 키 하나로 공급자 정가 대비 0% 마크업으로 200개 이상의 모델을 이용할 수 있습니다 즉, 저렴한 가드레일 모델과 비용이 높은 에스컬레이션 모델이 자동 장애 조치 기능을 갖춘 하나의 엔드포인트 뒤에 있게 됩니다 — 이는 실시간 통화에서 중요한 부분인데, 응답이 멈춘 공급자는 끊긴 회선과 구분할 수 없기 때문입니다. 라우팅 DSL은 "확인 응답은 로컬에서 저렴하게 유지하고, 조회는 에스컬레이션하라"를 표현하는 방법이며, 그 규칙은 에이전트 안에 세 번 쓰는 대신 게이트웨이에 한 번 쓰는 것이 가치 있습니다.

정말로 원하는 것이 호스팅 합성을 사용하는 캐스케이드라면, openai/tts-1-hd와 google/gemini-3.1-flash-tts-preview는 동일한 키에서 정가로 제공됩니다. 도구는 다르지만 청구서는 같습니다.

10분 안에 결정하는 방법

세 가지 질문을 순서대로 하고, 첫 번째로 "예"라고 대답하는 질문에서 멈추세요.

몇 개 이상의 언어로 운영해야 합니까, 아니면 매우 방대한 음성 인벤토리에서 특정 음성이 필요합니까? Eleven Realtime v1 Max 또는 v1 Mini. 카탈로그 자체가 제품이며, Prism은 이에 필적하는 카탈로그를 공개하지 않습니다.

에이전트가 말하는 내용이 발신자가 듣기 전에 승인을 받아야 하나요, 아니면 오디오가 네트워크 내부에 머물러야 하나요? Rime Prism. 체크포인트와 온프레미스 티어는 ElevenLabs가 여기서 제공하지 않는 두 가지이며, 이는 나중에 추가할 수 있는 기능이 아닙니다.

그 둘 중 어느 것도 구속력이 없다면, 결정 요인은 비용인가? 그렇다면 자체 호출 데이터로 두 미터를 모두 돌려보라. 8센트라는 헤드라인은 동일하지만 토큰 항목은 동일하지 않기 때문이다. 짧은 턴의 낮은 추론 어시스턴트를 Mini에서 쓰면 가격 면에서 Prism을 앞선다. 도구를 많이 쓰는 Max 배포는 아마 그렇지 않을 것이다.

다음에 주목할 것은 이를 결정지을 한 가지 수치입니다. Eleven Realtime v1 Max에는 τ-Voice 점수가 없고, Prism에는 독립적인 점수가 없습니다. 둘 중 어느 모델이라도 자사가 아닌 다른 누군가가 측정한 공개 리더보드에 오르면, 이 비교는 크게 짧아집니다. 그때까지 두 모델은 서로 다른 두 개의 초시계에서 0.57초로 동률이며, 나머지는 아키텍처입니다.

위 수치들에 대해 마지막으로 한 줄만 더 붙이자면: Eleven Realtime 점수는 Artificial Analysis의 수치이고, 가격 카드는 각 벤더 자체의 것이며, Prism의 56.6은 Rime의 것이다. 이 글에서 두 모델을 하나의 축에 함께 올리는 지표는 하나도 없으며, 그래서 이 글은 점수판이 아니라 아키텍처와 커버리지를 중심으로 구성된다.