Rime Prism vs Qwen-Audio-3.0-TTS: 음성 레이어에 맞선 대화 엔진

Rime Prism은 분당 $0.080를 청구합니다. 이 모델로 5분 지원 통화를 처리하면 $0.40이며, 그 $0.40으로 듣기, 추론, 발화 순서 주고받기, 음성을 하나의 모델에서 제공받습니다. Qwen-Audio-3.0-TTS는 100만 자당 $19.30를 청구하며, 같은 통화 기준으로는 약 $0.10입니다. 오직 말하기에 대해서만요. 두 숫자를 나란히 놓으면 비교는 Qwen 쪽으로 기운 것처럼 보입니다. 그러나 결론이 난 것은 아닙니다. 두 모델은 스택에서 같은 자리를 두고 경쟁하지 않으며, $0.30 차이는 대부분 발신자의 문장과 답변 사이 경로에서 두 번의 핸드오프를 없애는 대가이기 때문입니다.

Rime은 이 페이지가 작성되기 하루 전인 2026년 10월 28일에 Prism을 출시했습니다. Prism은 텍스트-음성 변환 모델이 아니라 음성-음성 변환 모델입니다. 오디오를 듣고 답변을 도출한 뒤, 애플리케이션이 검사할 수 있는 텍스트로 답변을 작성하고, 계속 듣는 동시에 말합니다. Alibaba는 2026년 7월 20일 WAIC에서 Qwen-Audio-3.0-TTS를 품질을 위한 Plus 티어와 실시간 처리를 위한 Flash 티어로 발표했습니다. 그 모델은 텍스트를 받아 오디오를 반환하는 것이 전부입니다. Alibaba는 2026년 9월 23일 이를 Qwen-Audio-3.1-TTS로 대체했으므로, 이 헤드라인의 3.0은 이미 같은 제품군의 이전 세대입니다. 이는 나중에 다시 등장해 실제로 무엇을 구매해야 하는지를 바꾸는 변수입니다.

유용한 질문은 어느 쪽이 더 좋게 들리는가가 아니다. 그것은 통화하는 사람 앞에 어느 쪽을 내놓느냐, 그리고 그렇게 할 경우 다이어그램의 나머지 부분이 어떤 모습이어야 하느냐이다.

두 제품, 다이어그램에서 하나의 슬롯

일반적인 음성 에이전트는 연쇄 구조입니다. 음성 인식이 발신자의 오디오를 텍스트로 변환하고, 언어 모델이 무엇을 말할지 결정하며, 텍스트 음성 변환이 그 답변을 다시 오디오로 바꿉니다. 각 단계는 발신자의 억양이 사라질 수 있고, 군더더기 말이 누락될 수 있으며, 200밀리초가 추가될 수 있는 지점입니다.

Rime의 주장은 캐스케이드가 복구할 수 없는 무언가를 버린다는 것입니다. 캐스케이드에서는 언어 모델이 발신자가 말을 어떻게 했는지 결코 듣지 못합니다. 한숨, 질문 끝에서 올라가는 억양, 신용카드 번호 앞의 멈춤 같은 것들을요. 왜냐하면 언어 모델이 받는 것은 전사 텍스트뿐이기 때문입니다. Prism은 결정이 내려질 때까지 음향 신호를 온전하게 유지한 다음, 텍스트를 중간 포맷이 아니라 체크포인트로 출력합니다.

그것은 실제 아키텍처상의 차이이며, 이것이 바로 제품의 근간 전체입니다. 이는 또한 Prism이 TTS 엔진을 그대로 대체할 수 있는 대체품이 아니라는 뜻입니다. 캐스케이드의 마지막 자리에 Prism을 넣으면, 먼저 발화자의 말을 들어야 하는 값비싼 음성 합성기를 산 셈입니다. Prism 자리에 Qwen-Audio-3.0-TTS를 넣으면, 아무것도 들을 수 없는 모델을 갖게 됩니다.

Rime Prism이 실제로 판매하는 것

Prism은 Rime이 출시한 첫 모델로, STT와 LLM 단계 중 하나를 최적화하는 대신 두 단계를 제거합니다. 텍스트 계층은 엔터프라이즈 구매자가 중요하게 여기는 기능입니다. 정책 검사, PII 필터 또는 사람 감독자는 곧 발화될 정확한 단어를 읽을 수 있으며, 검사가 실행되는 동안 모델이 계속 듣고 있기 때문에 일시정지가 들릴 필요가 없습니다. 도구 호출은 발화 전이 아니라 발화와 병렬로 실행되며, 이는 흔한 "제가 잠깐 확인해 볼게요" 식의 지연 숨기기와는 다른 방식으로 데이터베이스 조회 지연을 숨깁니다.

공개된 수치들은 모두 Rime에서 나온 것입니다. τ-Voice 벤치마크에서 첫 오디오까지 0.57초, 해당 벤치마크에서 작업 완료율 56.6%, 통신 하위 집합에서는 82.5%입니다. 실제 주문 통화 약 10시간을 대상으로 한 Revmo 시험은 주문 확인률 100%로 인용되며, 이는 이름이 공개되지 않은 OpenAI 모델의 68%와 대비됩니다. 또한 통화의 85%가 환각 없음이었고, 이는 35%와 대비됩니다. 그 시험 수치는 Rime이 의뢰한 고객 사례 연구에서 나온 것이며, 방법론은 공개되지 않았고 재현한 사례도 없습니다.

요금은 통화 오디오 1분당 기준이며 모든 요금제에서 동일한 모델입니다. Flex는 월정액 없이 분당 $0.080, Scale은 월 $100에 $100 크레딧이 포함되고 이 크레딧은 최대 $200까지 이월되며, Enterprise는 볼륨 요금이 적용됩니다. 무료 계정에는 매월 $50 크레딧이 제공됩니다. Prism은 WebSockets를 통해 스트리밍하며 LiveKit 및 Pipecat용 통합을 제공합니다. 셀프서비스 SFT 및 RL 파인튜닝 API는 베타 단계로 일반 제공되지 않습니다. Enterprise 요금제에는 온프레미스 및 VPC 배포, 맞춤형 음성, HIPAA BAA, SOC 2 Type II가 포함됩니다.

Qwen-Audio-3.0-TTS가 실제로 판매하는 것

Qwen-Audio-3.0-TTS는 특이한 제어 기능을 갖춘 합성기입니다. 텍스트 자체에 [gasp], [laughs], [angry] 같은 인라인 표현 태그를 내장할 수 있어, 감정이 문단 전체가 아니라 캐릭터에 부여됩니다. 16개 언어와 20개 중국어 방언을 지원하며, 한 번의 요청으로 최대 3분 분량을 48 kHz로 렌더링하고, 1,000개 이상의 음성 라이브러리를 함께 제공합니다. Plus 등급은 품질 등급이고, Flash는 실시간 상호작용을 목표로 하며 Alibaba 문서에서는 첫 패킷 지연 시간을 200밀리초 미만으로 제시하지만, 초기 출시 보도에서는 대략 300밀리초로 언급했습니다.

정가는 베이징 지역에서 10,000자당 $0.19253이고 싱가포르에서는 $0.20이며, 이는 백만 자당 $19.30에서 $20에 해당합니다 — Artificial Analysis가 리더보드에 표시하는 수치입니다. 처리량은 두 지역 모두 분당 180건의 요청으로 제한됩니다. 가중치도, 자체 호스팅 옵션도, 온프레미스 지원도 없습니다: Alibaba의 지역이 데이터 상주성 검토에 문제가 된다면 이 모델은 귀하에게 제공되지 않습니다.

점수판

• 카테고리 — Rime Prism은 오디오를 듣고 다시 말하며, Qwen-Audio-3.0-TTS는 텍스트를 받아 오디오를 반환합니다.

• 출시 — Prism: 2026년 10월 28일; Qwen-Audio-3.0-TTS: 2026년 7월 20일, 2026년 9월 23일 Qwen-Audio-3.1-TTS로 대체됨.

• 과금 단위 — Prism은 Flex에서 통화 오디오 1분당 $0.080, Scale에서 $0.064; Qwen은 Plus에서 100만 자당 $19.30, Flash에서 100만 자당 약 $13.75~$15.

• 지연 시간 — Prism은 공급사 측정 기준 첫 오디오까지 0.57초이고, Qwen Flash는 Alibaba 문서 기준 첫 패킷이 200 ms 미만입니다.

• 독립 점수 — Prism은 Artificial Analysis의 Speech-to-Speech Index에서 점수가 없습니다. Qwen-Audio-3.0-TTS-Plus는 2026년 10월 29일 기준 Text-to-Speech Arena 순위표에서 Elo 1,269로 99개 중 6위에 올라 있습니다.

• 언어 — Prism은 출시 시 영어만 지원하고, Qwen은 16개 언어와 20개 중국어 방언을 지원합니다.

• 배포 — Prism 클라우드, VPC 또는 온프레미스(HIPAA BAA 및 SOC 2 Type II는 Enterprise에서 제공), Qwen은 Alibaba Cloud Model Studio를 통해서만 사용 가능합니다.

가격이 책정된 5분 통화

5분짜리 인바운드 지원 통화에서 상담원이 분당 약 1,000자를 말한다고 가정해 보겠습니다. Rime 자체의 가격 책정 FAQ에서는 문자 단위로 과금되는 TTS와 분 단위로 과금되는 Prism 간을 변환할 때 이 비율을 사용하므로, 이는 공정한 공통 기준입니다. 즉 5,000자 분량의 발화입니다.

Prism에서는 5분에 분당 $0.080, 즉 $0.40으로 청구됩니다. Scale 요금제에서는 $0.32입니다. 이러한 통화 10,000건의 비용은 각각 $4,000과 $3,200입니다.

Qwen-Audio-3.0-TTS-Plus를 중심으로 구축한 캐스케이드에서는 5,000자에 $0.0965가 듭니다. 여기에 분당 $0.002인 Rime 자체 음성 인식(통화당 5센트)과 추론용 텍스트 모델을 더합니다. 백만 토큰당 $0.50의 혼합 요금과 턴당 수천 토큰을 기준으로 하면, 이는 1센트 미만으로 추가됩니다. 이 캐스케이드는 통화당 약 $0.11, 즉 1만 통화에 약 $1,100에 해당합니다. Plus 대신 Flash를 사용하면 베이징에서 합성 비용이 약 $0.069로, 총액은 약 $0.08로 낮아집니다.

그래서 캐스케이드는 Prism 가격의 약 4분의 1이고, 격차는 1만 건의 호출당 $2,900에서 $3,200입니다. 이는 정가이며 가정은 Rime이 아니라 우리 쪽의 것입니다. 핵심은 격차의 형태이지 소수점 셋째 자리가 아닙니다.

그 캐스케이드의 중간 부분은 나머지 두 구성 요소를 건드리지 않고 옮길 수 있는 유일한 구성 요소이기도 합니다. OrcaRouter는 텍스트 모델을 단일 API 뒤에서 라우팅합니다 — 200개 이상의 모델, 제공업체 목록 가격을 0% 마크업으로 그대로 전달, 그리고 대화 도중 제공업체가 성능 저하될 때 자동 페일오버 — 따라서 추론 단계는 호출 사이에 더 저렴하거나 더 강력한 모델로 다시 지정될 수 있습니다. Prism의 텍스트 체크포인트가 일반 텍스트인 것도 같은 이유입니다: 도구 호출부터 통화 후 요약, QA 채점에 이르기까지 이를 소비하는 무엇이든 라우팅된 엔드포인트에 상주할 수 있고 아래의 음성 계층과 독립적으로 유지될 수 있습니다.

캐스케이드가 여전히 이기는 곳

다국어 콘택트 센터를 예로 들 수 있습니다. Prism은 출시 시점에 영어만 지원하며 음성 세트도 제한적입니다. Qwen-Audio-3.0-TTS는 16개 언어와 20개의 중국어 방언을 제공하며, 후속 모델은 만다린, 광둥어, 영어, 일본어 간 교차 언어 음색 전송 기능까지 추가합니다. 귀하의 발신자 중 상당 부분이 영어를 사용하지 않는다면, 이 비교는 사양표에서 끝납니다.

원샷 생성은 두 번째 사례입니다. IVR 안내 메시지, 발신 알림, 오디오북 챕터, 게임 대화는 모두 발신자가 말로 응답하지 않으므로, 음성-대-음성 모델이 들을 내용이 없습니다. 아무도 말하지 않을 때 들을 수 있는 모델에 분당 $0.080를 지불하는 것은 사용되지 않는 절반에 비용을 지불하는 것입니다.

세 번째는 물량입니다. 호출당 비용의 4분의 1 수준이면, 캐스케이드는 에이전트를 실제로 차별화하는 부분—더 나은 검색, 더 강력한 추론 모델, 인간 에스컬레이션 라우팅—에 예산을 남길 수 있습니다.

Prism이 여전히 우세한 부분

규제를 받는 인바운드 텔레포니는 Prism이 설계된 대상 사례입니다. 상담원이 말하려던 내용을 보여주고 고객이 듣기 전에 차단할 수 있어야 하는 은행은 융합형 실시간 모델로는 그렇게 할 수 없으며, 텍스트 단계가 자체 지연 시간과 자체 장애 모드를 가진 별도 서비스인 캐스케이드로는 근사치만 낼 수 있습니다. Prism은 체크포인트를 모델 내부에 두고 이를 통해 계속 듣습니다.

통화가 사람처럼 느껴지는지를 결정하는 지표인 ‘데드 에어(침묵)’에서도 앞선다. 이론상 빠른 캐스케이드도 엔드포인팅, 모델의 첫 토큰까지 걸리는 시간, 합성의 첫 패킷까지 걸리는 시간이 차례로 쌓이기 마련인데, 엔드투엔드로 1초 미만에 끝나는 캐스케이드라면 잘하고 있는 편이다. Prism은 발화자의 발언이 끝난 시점부터 응답의 첫 오디오가 나오기까지를 한 번의 홉으로 측정했을 때 0.57초를 기록한다.

그리고 중국 클라우드 리전을 전혀 사용할 수 없는 구매자들에게는 배포 측면에서 우위를 점합니다 — VPC, 온프레미스, HIPAA BAA, SOC 2 Type II, 그리고 공유 기반이 아닌 자체 통화 녹음으로의 파인튜닝까지.

어느 쪽도 당신에게 제시할 수 없는 숫자

어느 모델도 조달팀이 가장 원하는 수치인 동일 벤치마크에서의 독립적인 직접 비교 결과를 갖추지 못했습니다.

Prism은 Artificial Analysis의 Speech-to-Speech Index에 등재되어 있지 않습니다. 56.6%라는 τ-Voice 수치는 벤더가 자체 실행한 결과이며, 이와 함께 Rime가 공개한 표는 주의 깊게 읽어볼 만합니다. GPT-Live-1(Sol, low)은 59.3%로 표시되어 Prism보다 높은 반면, 주변 설명 문구는 Prism이 "OpenAI와 Google의 모든 실시간 모델보다 앞선다"고 말합니다. 출시 게시물에서는 "300 ms 미만"과 "GPT-Live보다 4배 빠름"도 언급하지만, 이런 수치는 0.57초라고 적힌 벤치마크 표에는 나타나지 않습니다. 측정 방식이 다르면 그 차이를 설명할 수 있겠지만, 해당 페이지는 설명하지 않습니다.

Qwen의 수치가 더 강력합니다. 1,269 Elo는 Alibaba가 아니라 블라인드 청취자 투표에서 나왔기 때문입니다. 또한 이제 자기 제품군에서 최고 수치도 아닙니다. Qwen-Audio-3.1-TTS-Plus는 2026년 10월 29일 기준 1,305로 3위에 올라 있으며, artificial-analysis 개정으로 올해 이 리더보드가 한 번 이상 바뀌었으므로 서로 다른 스냅샷의 점수를 서로 빼서는 안 됩니다.

Rime에 특유한 주의점은 오히려 반대 방향으로 작용한다. 독립적으로 순위가 매겨진 유일한 Rime 음성은 TTS 모델들이며, 같은 리더보드에서 Coda는 Elo 1,054로 65위, Mist V2는 903으로 92위에 올랐다. 즉 99개 중 하위 절반이다. Prism은 형제 모델들보다 실제로 더 좋게 들릴 수도 있다. 다만 구매자가 계약 전에 이를 확인할 수 있게 해주는 공개 자료는 없다.

무엇을 볼까요?

세 가지가 추천을 바꿀 것입니다. Prism이 Speech-to-Speech Index에 등장하면 Prism이 처음으로 갖게 되는 독립적인 수치를 얻을 것입니다. 전이중 작동 — Prism은 출시 시 barge-in을 지원하는 반이중 방식입니다 — 은 발신자가 말을 마칠 때까지 기다려야 하는 모든 캐스케이드와의 격차를 더욱 넓힐 것입니다. 그리고 셀프서비스 파인튜닝 API가 베타에서 벗어나는 것은 “기업이 파인튜닝할 수 있다”와 “화요일에 파인튜닝할 수 있다”의 차이입니다.

반면, 알리바바가 2026년 9월 22일에 Qwen-Audio-3.1-TTS 가격을 약 70% 인하한 뒤 어떤 가격 정책을 펼치는지 지켜보세요. 중간 및 마지막 홉이 모두 저렴해지는 캐스케이드는 움직이는 표적이며, Prism의 분당 요금은 그에 맞춰 고정되어 있습니다.

대부분의 팀에게 정직한 답은 둘 중 하나가 아니라 둘 다입니다. 체크포인트와 단일 홉 지연 예산이 필요한 대화를 하는 인바운드 콜러 앞에는 Prism을 두십시오. 아무도 응답하지 않고 요금이 문자당 청구되는 아웃바운드 경로에는 Qwen-Audio-3.0-TTS — 또는 이제는 더 현실적으로 Qwen-Audio-3.1-TTS — 를 두십시오. 실수는 벤치마크 표가 그렇게 말했다고 해서 하나를 고르는 것입니다. 그 표에는 각주가 있고, 그 각주가 대부분의 일을 하고 있을 때 말입니다.