Rime Prism 대 Inworld Realtime TTS 2: 200개 로캘 대 하나의 체크포인트

누군가 벤치마크를 열기 전에 이 비교의 대부분 버전을 끝낼 만한 사실이 있습니다: Inworld Realtime TTS 2는 200개 이상의 로캘에서 지원 범위를 공개하고 282개의 내장 음성을 제공하는 반면, Rime Prism은 언어 수와 음성 수를 전혀 공개하지 않습니다. 음성 에이전트를 열두 개 시장에 배포한다면, 그것은 저울질할 트레이드오프가 아니라 한 가지 옵션을 제거하는 필터입니다. 이 비교는 단일 시장이고 규제를 받는 구매자에게만 흥미를 유지합니다. 왜냐하면 Rime Prism은 이 조합에서 애플리케이션이 발신자가 문장을 듣기 전에 해당 문장을 읽고 차단할 수 있게 하는 유일한 모델이기 때문입니다. Inworld Realtime TTS 2는 매우 뛰어난 실시간 관련 스토리를 갖춘 텍스트 음성 변환 모델이지만, 이에 상응하는 체크포인트는 없습니다. 텍스트를 보는 시점에는 이미 결정이 내려져 있기 때문입니다.

이름 역시 이미 잘못된 조언을 낳은 방식으로 오해를 불러일으킨다. "Inworld Realtime TTS 2"는 음성-음성 모델이 아니다. Rime Prism이 그렇다. 이 구분은 아래의 모든 수치 밑바탕에 깔려 있으며, 수치가 시작되기 전에 짚고 넘어갈 가치가 있다.

이들 중 하나는 에이전트가 아닙니다

Inworld Realtime TTS 2는 텍스트를 입력받아 오디오를 출력합니다. 발화하면서도 발신자의 말을 듣고 중단에 대응하는 양방향 동작은 OpenAI Realtime 프로토콜을 사용하며 대략 100ms의 인터럽트 지연을 표방하는 Inworld의 별도 Realtime API에서 비롯됩니다. 이는 두 번째 통합이 필요한 두 번째 제품이지, TTS 모델 자체의 속성은 아닙니다. 모델 이름에서 "Realtime"을 보고 엔드투엔드 음성-음성 변환을 가정하는 사람은 카탈로그를 잘못 읽은 것입니다.

Prism은 완전히 다른 형태입니다. 오디오 입력, 오디오 출력이 하나의 시스템 안에서 이루어지고, 중간에 텍스트 경유점이 있으며, 도구 호출은 음성보다 앞서가 아니라 음성과 나란히 실행됩니다. 바로 그 이유로 통화 오디오 분당 요금이 책정됩니다 — 여러분이 사는 것은 텍스트가 아니라 통화입니다.

이 비교 구도를 솔직하게 정리하면 다음과 같습니다. Inworld Realtime TTS 2는 여러분이 조립하는 캐스케이드에서 최고 수준의 합성 단계이고, Prism은 그 캐스케이드를 대체하는 것입니다. Inworld를 선호하면서도 더 많은 조각으로 Prism 형태의 에이전트를 만들 수 있습니다. 그러나 Prism을 선호하면서 Inworld의 언어 지원 범위를 얻을 수는 없습니다. 왜냐하면 그 범위는 공개되지 않았기 때문입니다.

보장 수치, 그리고 그것이 지닌 가치

Inworld의 목록은 이례적으로 구체적이며, 이는 그 자체로 유익한 정보입니다:

• 로캘 — 200개 이상이며, 15개는 Tier 1 품질로, 79개는 Tier 2로 구분됩니다.

• 보이스 — 282개 내장, 엄선된 프리셋 20개 제공.

• 클로닝 — 5~15초 오디오로 제로샷 클로닝; Professional Voice Cloning은 프리뷰 단계이며 플래그십 전용입니다.

• 연속성 — 여러 언어에 걸쳐 유지되는 하나의 일관된 보이스 아이덴티티로, 이것이 다중 시장 브랜드 론칭을 단순한 번역이 아닌 의도된 작업처럼 보이게 만드는 핵심 요소입니다.

• 오디오 — MP3, WAV, OGG, FLAC 및 PCM 출력, 8 kHz ~ 48 kHz, 기본값 24 kHz.

• 처리량 — 요청당 2,000자, 20개 동시 연결과 5개 컨텍스트를 지원하는 WebSocket 스트리밍.

• 지연 시간 — TTS-2의 서버 측 P99 첫 바이트까지의 시간(TTFB)이 100ms 미만이며, 2026년 8월 31일에 출시된 Flash 변형은 25ms 미만을 표방하고, 제3자 측정 결과는 약 25ms입니다.

200개 이상이라는 헤드라인보다 주목해야 할 부분은 티어 1과 티어 2의 구분입니다. 지원되는 200개 로케일 중 15개 로케일이 플래그십 품질이라는 점은 진정으로 솔직한 공개이며, 제품이 실제로 완성된 곳이 어디인지 알려줍니다. 귀하의 시장이 영어, 스페인어, 포르투갈어, 독일어, 프랑스어, 일본어라면 티어 1에 속할 가능성이 높고 그 헤드라인은 사실입니다. 그렇지 않고 나머지 185개라면, 존재하지만 큐레이션되지 않은 카탈로그 부분에 속한 것입니다.

Prism과 비교해 보십시오. Prism의 경우 공개된 목록이 없다고 해서 커버리지가 부족하다는 증거는 아닙니다 — Rime은 별도의 텍스트 음성 변환 제품에 대해서는 언어 및 음성 수를 공개하지만 Prism에 대해서는 공개하지 않습니다 — 그러나 그것은 Prism을 기준으로 계획을 세울 수 없다는 증거입니다. Rime이 대상으로 구축하는 언어로 단일 시장에 배포하는 경우, 그 부재는 아무런 비용도 발생시키지 않습니다. 더 넓은 범위라면, 그 부재가 모든 것을 결정합니다.

아무도 묻지 않는 이중 질문

"실시간 TTS"와 "음성 대 음성"은 같은 약속처럼 들리지만, 중단 상황에서는 전혀 다르게 동작한다.

Inworld Realtime TTS 2로 구축한 캐스케이드에서는 인터럽션 처리가 세 서비스에 걸친 조정 문제입니다. 인식기는 발신자가 말을 시작했음을 감지해야 하고, 오케스트레이터는 언어 모델 턴을 취소해야 하며, 합성기는 스트림 도중에 멈추고 버퍼를 비워야 합니다. Inworld의 Realtime API는 합성기 쪽 절반을 잘 처리합니다. 인터럽트까지 대략 100ms 정도죠. 그러나 나머지 두 절반은 여러분의 몫이고, 실패는 귀로 들립니다. 발신자가 말을 시작한 뒤에도 에이전트가 잠깐 계속 말하다가, 엉뚱한 지점에서 문장을 다시 시작합니다.

Prism은 이를 하나의 모델 안에서 처리하고, Rime은 인터럽션 처리를 설계 파트너와의 대화에서 내세우는 포인트로 꼽습니다. 그것은 읽어볼 수 있는 벤치마크가 아니라, 이제는 겪지 않게 되는 종류의 버그입니다. 발신자들이 상담원의 말을 끊고 계속 떠드는 지원 라인에서는 그것이 Elo 몇 점보다 더 가치 있습니다.

반론은, 공격적인 취소 경로를 갖춘 잘 구축된 캐스케이드는 이 일을 정말 잘 해내며, 조정 코드는 많은 팀이 이미 작성해 둔, 이미 알려진 분량이라는 것이다. 인터럽트 처리는 어려운 일이지 불가능한 일이 아니며, 두 아키텍처 사이의 차이는 엔지니어링 노력에 따라 좁아진다. 좁아지지 않는 것은 새벽 3시에 당신이 호출받는 서비스의 수다.

가격: 4센트 대 4센트, 뭐 그런 셈

Inworld는 문자당 가격을, Prism은 통화 오디오 분당 가격을 책정하는데, 이 둘 사이의 환산에서 정직한 비교가 어긋나기 쉽습니다.

• Inworld Realtime TTS 2 — 온디맨드 기준 100만 자당 $25, Growth에서는 $12.50, 엔터프라이즈 대량 사용 시 약 $5까지 낮아집니다. TTS-2 Flash는 동일한 등급에서 $15, $7, $5 미만입니다. 음성 1분당 약 1,000자 기준으로 온디맨드 요금은 생성된 오디오 1분당 약 $0.025입니다.

Rime Prism — Flex에서는 통화 오디오 1분당 $0.080, Scale에서는 $0.064, 무료 등급에서는 $50 무료 크레딧, Enterprise에서는 맞춤형.

에이전트 발화 1분당 비용은 Inworld에서 약 2.5센트, Prism에서 8센트입니다. 그것은 비교 표에 표기된 숫자이며, 두 가지 이유로 오해를 불러일으킵니다.

첫째, Inworld의 센트는 한 번의 홉을 산다. 캐스케이드는 인식 기능을 추가하며, 이는 대개 분당 0.5센트에서 1센트이고, 언어 모델 턴은 대화량 기준으로 한 자릿수 초반에 해당한다. 이 세 가지를 합치면 에이전트가 말하는 분당 6~9센트에 가까워지며, 이는 Prism의 8센트를 포함하는 범위다. 표에 나타난 격차는 구성 요소를 시스템과 비교한 데서 비롯된 인공적 산물이다.

두 번째는 Prism의 분이 에이전트 발화의 분이 아니라는 점입니다. Prism은 통화 오디오를 청구하므로, 발신자가 4분 동안 말하고 에이전트의 말을 1분 듣는 경우 Prism에는 5분 분량의 비용이 발생합니다. Cascade 가격은 에이전트가 말하는 양에 따라 책정되지만, Prism은 통화가 지속되는 시간에 따라 책정됩니다. 고객의 발화 차례가 긴 지원 대기열에서는 이는 실질적인 추가 비용입니다. 에이전트가 대부분의 말을 하는 예약 흐름에서는 거의 차이가 없습니다.

Inworld의 요금제 구조에는 확인해 볼 만한 실용적인 제약이 하나 추가됩니다. Creator 요금제는 월 $25, 온디맨드 기준 100만 자당 $25, Growth는 $12.50, 엔터프라이즈는 맞춤형입니다. 동시성은 스트리밍 경로에서 WebSocket 연결 20개이며, 이는 중간 규모 대기열에는 충분하지만 대규모 대기열에서는 실질적인 한도가 됩니다.

통제: 하나는 설 곳이 있고, 하나는 그렇지 않다.

Prism이 프리미엄 가치를 입증하는 지점이 바로 여기이며, 이는 기능 격차라기보다 구조적 차이입니다.

Inworld Realtime TTS 2는 맥락을 정말로 정교하게 처리합니다. 이전 발화를 오디오 입력으로 읽어 들이고, 평이한 영어로 자유 형식의 음성 지시를 받아들이며, 인라인 태그와 주문 번호·코드·주소를 위한 문자별 발음 모드를 지원합니다. 이 발음 모드는 이번 비교에서 사전 발화 제어에 가장 가까운 기능이며, 좋습니다. "four hundred and seventy-two" 대신 "four-seven-two"라고 말할 수 있는 합성기는 고객 지원 통화에서 실제로 발생하는 한 부류의 실패를 해결해 줍니다.

하지만 그것은 이미 확정된 텍스트에 작용합니다. Inworld가 턴 도중 애플리케이션에 "내가 말하려는 내용은 이것입니다"라고 알리고 기다리는 시점은 없습니다. 철자 모드는 발음만 고치며, 내용은 고치지 않습니다.

Prism은 매 턴마다 알려줍니다. Rime의 주장은 텍스트가 중간 산출물이 아니라 체크포인트라는 것입니다. 가드레일은 발화되기 전에 모든 단어를 검사할 수 있고, 정책 계층은 거부된 문장을 고쳐 쓸 수 있으며 모델은 그 대체 문장을 말하고, 금지된 주장은 통화가 계속되는 동안 즉시 차단될 수 있습니다. 모델의 추론이 진정으로 오디오 네이티브인지는 검증할 가치가 있는 주장입니다. 텍스트가 오디오보다 먼저 도착하는지는 설계상의 사실입니다.

규제된 단일 시장 배포에서는 그 사실이 더 저렴한 캐스케이드를 구성하는 대신 8센트를 지불하는 이유입니다. 그 외 모든 경우에는, 그것은 구매하고 있지만 필요하지 않을 수도 있는 기능입니다.

리더보드가 주장하는 내용이 실제로 의미하는 것

인월드(Inworld)는 Realtime TTS 2를 Artificial Analysis Speech Arena에서 1위로 마케팅한다. 독립적인 아레나 목록에서는 약 1,245의 Elo로 현재 보드 3위에 올라 있고, TTS-2 Flash는 약 1,210으로 6위다. 공개 아레나에서 3위 안에 드는 것은 훌륭한 결과이며 마케팅 문구보다 더 유용한 주장이다. 이 불일치는 포지셔닝 선언이 투표자가 유입되면서 계속 움직이는 실시간 표와 부딪히는 데서 생긴다.

Prism에 상응하는 것은 없습니다. τ-Voice에서의 56.6은 Rime이 자체적으로 실행한 에이전트 작업 완료 점수로, Artificial Analysis도 사용하는 하네스에서 측정되었으며 출시 당시 공개된 리더보드 항목은 없었습니다. 두 수치는 서로 다른 것을 측정합니다 — 음성이 사람 평가자에게 어떻게 들리는지와 에이전트가 시뮬레이션된 서비스 작업을 얼마나 자주 완료하는지 — 그리고 하나를 다른 하나로 바꿀 수 있는 산술은 없습니다.

그 비대칭은 다시 말해 이 비교의 축소판이다. Inworld에는 심판이 있는 음성 품질 점수가 있다. Prism에는 심판이 없는 에이전트 역량 점수가 있다. 어느 회사도 직접 비교 결과를 공개하지 않았고, 어느 모델도 같은 연구실에서 같은 과제로 실행된 적이 없다.

캐스케이드를 구축하면, 우리가 중간을 라우팅합니다.

Inworld Realtime TTS 2는 Inworld에서 직접 판매하며 여러 타사 플랫폼을 통해서도 판매됩니다. Rime Prism은 Rime에서 직접 판매합니다. 현재 둘 다 OrcaRouter의 카탈로그에 없으며, 이 글은 그와 다르게 주장하지 않습니다.

Inworld의 모델이 속한 캐스케이드 아키텍처에는 여전히 중간에 언어 모델이 필요하며, 품질과 비용은 바로 그 중간에서 실제로 결정됩니다. OrcaRouter는 200개가 넘는 모델을 하나의 키 뒤에 제공하며 제공업체 정가 대비 0% 마크업으로, 제공업체가 저하될 때 자동 페일오버와 서로 다른 턴을 서로 다른 모델로 보내기 위한 라우팅 DSL을 갖추고 있습니다. 즉, 확인 응답에는 저렴한 모델, 조회에는 성능 좋은 모델을 모두 하나의 엔드포인트를 통해 사용할 수 있습니다. 음성 에이전트에게 유용한 단위는 바로 이것입니다. 콜 경로를 건드리지 않고 모델을 바꿀 수 있는 한 곳이죠.

합성도 라우팅해 드립니다. 두 번째 계약 대신 같은 키에서 원하시는 경우: openai/tts-1-hd 및 google/gemini-3.1-flash-tts-preview는 모두 정가로 이용할 수 있습니다. 둘 다 Inworld Realtime TTS 2는 아닙니다. 둘 다 오늘 구성할 수 있는 캐스케이드의 마지막 단계입니다.

두 가지 질문, 그리고 결정적인 한 가지

질문 하나: 언어가 몇 개인가요? 답이 손에 꼽을 정도를 넘는다면 Inworld Realtime TTS 2이며, 비교는 끝입니다. 15개 항목의 Tier 1 목록을 공개한 200개 로캘은 숫자가 전혀 붙지 않은 비공개 목록을 앞서며, 빈 항목을 두고는 조달을 진행할 수 없습니다.

두 번째 질문: 발화되기 전에 누군가가 그 문장을 승인해야 합니까? 그렇다면 Prism입니다. 말하기에서 더 낫기 때문이 아니라 — 어느 쪽이든 증거는 없습니다 — 여기서 유일하게 귀하의 애플리케이션이 보유할 수 있는 산출물로서 그 문장을 생성하는 모델이기 때문입니다. 그것이 이 제품의 전부이며, 비용은 통화 1분당 약 8센트입니다.

둘 중 어느 것도 구속력이 없다면, 솔직한 답은 Inworld의 합성기를 중심으로 더 저렴한 캐스케이드를 구축하고 절약한 비용을 인터럽션 처리에 써야 한다는 것입니다. 그 부분이야말로 발신자가 실제로 체감하는 경험의 일부이기 때문입니다. 합성 단계에 분당 2.5센트는 공개 아레나에서 2위를 기록한 모델이 내놓은 강력한 제안이며, 여러분이 거절하고 있는 그 체크포인트는 방금 여러분이 필요 없다고 말한 바로 그것입니다.

누구든 이 수치를 인용하기 전에 짚고 넘어갈 점: Inworld의 커버리지, 지연 시간, 가격 수치는 Inworld 자체 수치이고, 아레나 Elo는 Artificial Analysis의 수치이며 이는 Inworld의 1위 포지셔닝과 상충한다. Prism의 56.6은 Rime의 수치로, 재현되지 않았다. 어떤 독립 제3자도 두 모델 중 하나가 다른 하나의 역할을 수행하는 것을 측정한 적이 없으며, 이것이 두 회사 어느 쪽도 메우지 못한 유일한 공백이다.