Rime Prism schrijft voordat het spreekt. Dat is het hele product.

Rime Prism, gelanceerd op 28 oktober 2026, is een spraak-naar-spraak-model voor zakelijke spraakagenten, en het kenmerk waarop het beoordeeld zal worden, is niet de stemkwaliteit. Het is dat Prism zijn antwoord als tekst uitzendt voordat het het uitspreekt, zodat je applicatie de zin kan lezen, herschrijven of blokkeren terwijl het gesprek doorloopt. Rime noemt dit het eerste fine-tunebare frontier-spraak-naar-spraak-model en prijst het op $0,080 per minuut gespreksaudio in de Flex-tier, $0,064 op Scale. Het kopbenchmarkgetal van de leverancier is 56,6 op τ-Voice bij 0,57 seconden tot eerste audio — een cijfer dat Rime heeft laten draaien op het testharnas dat Artificial Analysis gebruikt, geen gepubliceerde leaderboard-vermelding — en het model dat het in Rime's eigen grafiek overtroeft, GPT-Live-1, heeft 0,67 seconden langer nodig voordat het begint te spreken. Beide helften van die zin zijn van belang, en de tweede helft is degene die niemand in de kop opnam.

Wat het tekst-checkpoint je eigenlijk oplevert

Elke spraakagent die op een cascade is gebouwd — spraakherkenning, dan een taalmodel, dan tekst-naar-spraak — heeft al tekst in het midden. Elke spraakagent die op een gefuseerd realtime model van een groot lab is gebouwd, heeft dat niet: hij hoort audio, denkt en produceert audio, en het enige inspecteerbare artefact is een transcript dat aankomt nadat je de woorden al hebt uitgesproken. Rime's argument is dat de eerste groep controle heeft en de tweede groep audiokwaliteit, en Prism is een poging om beide te behouden.

In de praktijk is de checkpoint een tekenreeks die halverwege een turn verschijnt. Rime zegt dat de tekstlaag vier dingen ondersteunt waarop een applicatie kan handelen voordat audio wordt uitgestuurd:

• Herschrijven — vervang een zin die de beleidslaag afwijst, en het model zegt de vervanging op in plaats van het origineel.

• Blokkering — een guardrail die een verboden claim, een concurrentnaam of een niet-goedgekeurde openbaarmaking detecteert, kan die uiting meteen stoppen terwijl het gesprek doorgaat.

• Tagging — actie- en inhoudstags gaan mee met de tekst, zodat een orchestrator een tool-aanroep of een hand-raise kan triggeren zonder te wachten tot de audio is afgelopen.

• Uitspraakcontrole — namen, rekeningnummers en producttermen worden in tekst vastgelegd, en daar hoort "spel het als een code, niet als een woord" eigenlijk thuis.

En tool calls worden parallel met de spraak uitgevoerd, niet in de pauze daarvoor, wat het structurele verschil met een cascade is: de lookup vult niet de stilte tussen het moment dat de beller klaar is en de agent begint.

Rime maakt expliciet dat dit geen vermomde cascade is. Het benadrukt dat de redenering op de audio zelf gebeurt — toon, aarzeling, gelach, achtergrondgeluid — en dat de tekst een uitvoerpunt is, niet de invoer van het model. Je hoeft de bewering niet voor zoete koek te slaan om te zien waarom zakelijke kopers dit belangrijk vinden: het checkpoint is het artefact dat een audittrail nodig heeft. “Wat zei de agent, en wie heeft het goedgekeurd?” wordt een query op een bewaarde tekenreeks en een beleidsbeslissing, niet een reconstructie uit een gespreksopname.

De benchmarkclaim heeft een gat, en dat is makkelijk te controleren.

Hier is de grafiek die Rime heeft gepubliceerd, precies zoals Rime die heeft gepubliceerd:

• Rime Prism — 56,6 τ-Voice, 0,57 s tijd tot eerste audio, geen redeneerstap voor spraak.

• GPT-Live-1 (Sol, low) — 59,3 τ-Voice, 1,24 s.

• GPT-Realtime-2.1 High — 45,7 τ-Voice, 1,21 s.

• Gemini 3.8 Live — 30,1 τ-Voice, 1,18 s.

Kijk naar de bovenste regel. Rimes eigen grafiek laat een model zien dat hoger scoort dan Prism. De lanceerframing – "17 tot 30 punten voor op niet-redenerende realtime modellen van OpenAI en Google" – klopt binnen de afbakening, en die afbakening ligt precies rond het model dat het verslaat. GPT-Live-1 staat 2,7 punten boven Prism en heeft 0,67 seconden meer nodig om te beginnen met praten. Dat is een legitieme Pareto-afweging en Rime verbergt die niet; het cijfer staat gewoon op de pagina. Maar de zin reikt verder dan de grafiek, en het is de zin die wordt geciteerd.

Er is een tweede interne spanning. Rime meldt ook 82,5 op de telecom-subset van τ-Voice, tegen 45,6 voor GPT-Live-1. Een gat van 37 punten op één domein en een tekort van 2,7 punten op de totale run zijn niet onmogelijk — domeinweging en taakmix kunnen dat veroorzaken — maar ze kunnen niet allebei worden gelezen als "Prism is beter in telecom en slechter in alles else," en Rime splitst de subsetgroottes niet uit. Totdat het dat doet, behandel je het telecomgetal als een marketing-subset, niet als een capaciteitsclaim.

Er circuleert nog een derde cijfer dat helemaal geen benchmark is. Rimes lanceermateriaal heeft het over ongeveer 300 ms "responsiviteit". Het gemeten cijfer in de grafiek is 0,57 seconde tot de eerste audio. Dat zijn verschillende metingen — de ene is interne responsiviteit, de andere is de tijd waarna iemand die belt daadwerkelijk een stem hoort — en het kleinere cijfer naast de 1,24 s van GPT-Live-1 noemen, zou je een stopwatch met een rondetijd laten vergelijken.

Niets hiervan is een oordeel over de kwaliteit van {{1}}Prism{{/1}}. Het is een opmerking over wat het bewijs momenteel ondersteunt. {{2}}Rime{{/2}} heeft {{1}}Prism{{/1}} uitgevoerd op dezelfde testopstelling die {{3}}Artificial Analysis{{/3}} gebruikt, en was bij de lancering nog niet op de openbare ranglijst verschenen. De {{4}}τ-Voice{{/4}}-benchmark zelf is echt en onafhankelijk — hij komt voort uit een {{5}}paper{{/5}} dat in review is bij {{6}}ICML 2026{{/6}}, gebouwd op 278 taken voor luchtvaart-, retail- en telecomdiensten, met een stemgebruikersimulator die accent, achtergrondgeluid en beurtwisseling varieert — en de auteurs constateerden dat spraakagenten op dezelfde taken ruim onder tekstagenten presteerden. Die context is wat 56.6 interessant maakt in plaats van teleurstellend. Het is ook de reden dat we op onafhankelijke replicatie moeten wachten.

Wat Prism kost, en wat een cascade kost

Prism wordt gefactureerd per minuut callaudio, een facturatie-eenheid die de meeste TTS-leveranciers niet gebruiken. De gepubliceerde tarieven:

• Gratis — $50 aan maandelijks gebruikscredit, geen kaart nodig, en Prism is daarbij inbegrepen.

• Flex — $0.080 per minuut Prism-audio, geen maandelijkse kosten, geen verplichting. Rime STT $0.002/min, Mist v3 $0.030/min, Coda v2 $0.050/min.

• Scale — $100 per maand, waarbij $100 aan tegoed doorschuift naar $200, plus een korting van 20% die Prism op $0.064/min brengt.

• Enterprise — maatwerk, jaarlijks, en de enige tier die VPC en on-prem deployment toevoegt, plus fine-tuning op klantgesprekken en aangepaste stemmen.

Bij Flex-tarieven kost duizend minuten Prism-audio $80 aan modelkosten, vóór telefonie-, workflow- en platformkosten. Of dat duur is, hangt volledig af van wat het vervangt. Een cascade heeft drie kostenposten: herkenning, generatie en synthese. Een typische mid-market-stack geeft misschien twee tot drie cent per minuut uit aan spraakherkenning, een paar cent aan het taalmodel, afhankelijk van hoeveel het 'denkt', en drie tot vijf cent aan synthese — dus het cascadetotaal komt vaak in de buurt van of boven de acht cent van Prism, en dat is nog zonder de latentie van drie hops of de engineeringtijd om ze als één systeem te laten werken.

De vergelijking kantelt als je taalmodel naar keuze een goedkoop model is en je synthesiseleverancier goedkoop is. Bij $0.030/min voor Mist v3 op hetzelfde Rime-account kan een slanke cascade Prism substantieel onderbieden — de prijs van die besparing is dat je het checkpoint verliest en de naden erft. Dat is de eerlijke vorm van de beslissing: Prism verkoopt geen intelligentie tegen een meerprijs, maar een controleerbare tekstlaag tegen een meerprijs, en je zou daarvoor alleen moeten betalen als je de controle nodig hebt.

Voor wie dit bedoeld is, en wie beter kan wachten

De designpartners die bij de lancering werden genoemd — Dialpad als designpartner, met Asurion, Upstart en Mayo Clinic als klanten en Twilio Ventures onder de investeerders — wijzen op de koper die Rime nastreeft: contactcenterplatforms en telefonieleveranciers die al complianceverplichtingen hebben voor elk woord dat hun agenten uitspreken. Rime claimt SOC 2 en HIPAA, noemt Prism telefonie-gereed, levert het via een WebSocket en biedt cloud-, VPC- of on-prem-implementatie. Die laatste is de stille onderscheider, omdat de geavanceerde realtime-API's alleen in de cloud bestaan.

Het klantbewijs is dunner dan de functielijst. Revmo, een bestelagent, heeft Prism met ongeveer tien uur productiegesprekken fine-getuned en meldde dat 94% van de bestellingen pas werd geplaatst nadat de beller instemde met "zal ik de bestelling plaatsen?" — tegen 57% voor de OpenAI-agent die het verving. Rime noemt ook een nationale restaurantketen met 8% meer voltooide bestellingen, 4x minder hangups bij klanten, en een Fortune 500-bedrijf in financiële dienstverlening met 42% hogere containment. Geen van deze gevallen vermeldt de steekproefgrootte, het specifieke OpenAI-model of de meetmethode. Het zijn cijfers die richtinggevend interessant maar bewijsmatig zwak zijn, en het fine-tunen op tien uur domeinaudio doet in het Revmo-geval het meeste werk — een basis-Prism zonder die tuning is niet wat is gemeten.

Wacht even als je vandaag meertalige dekking nodig hebt. Rime publiceert de talenlijst of het aantal stemmen van Prism niet, terwijl de afzonderlijke tekst-naar-spraakproducten dat wel doen. Prism-specifieke cijfers ontbreken op de productpagina, wat niet hetzelfde is als slechte dekking, maar je kunt een uitrol naar 30 markten niet plannen op basis van een niet-gepubliceerde lijst.

Wacht ook als je een benchmark nodig hebt die je intern kunt aanhalen. Er is nog geen onafhankelijke Prism-score. Als je aankoopproces een evaluatie door een derde partij vereist, is het eerlijke standpunt deze week "uitgevoerd door de leverancier op een onafhankelijke testomgeving, in afwachting van publicatie", en je moet het precies met die woorden zeggen.

De checkpoint is een modelaanroep, en daar komt routering aan te pas

Iets wat het lanceermateriaal onderbelicht: het tekstcontrolepunt is alleen nuttig als iets er snel genoeg op kan reageren om het gesprek niet te onderbreken. Een beleidsclassifier, een claim-detector, een merkveiligheidscontrole — elk daarvan is een modelaanroep die tussen het concept en de audio zit. Dat is een latentiebudget binnen een latentiebudget, en het is het deel van het ontwerp dat bepaalt of Prism direct aanvoelt of als een pauze aanvoelt.

Prism wordt rechtstreeks door Rime verkocht en staat niet in de catalogus van OrcaRouter. Wat wél in onze catalogus staat, is de andere helft van het probleem: de modellen die een checkpoint aanroept. Eén sleutel dekt meer dan 200 modellen met 0% opslag op de lijstprijs van de provider, zodat een kleine, snelle classifier en een groter escalatiemodel achter hetzelfde endpoint zitten, met automatische failover als een van beide midden in een call blijft hangen — precies de faalmodus waardoor een slimme guardrail in dode stilte verandert. Als je Prism juist vóór een bestaande cascade draait, zit ook de synthese-kant hier: openai/tts-1-hd en google/gemini-3.1-flash-tts-preview zijn vandaag beide routeerbaar.

De routing-DSL is in deze context belangrijker dan hij klinkt. Wanneer de taak van het checkpoint is "deze zin naar een goedkoop model sturen, tenzij hij een getal boven $500 of een gereguleerde term bevat", dan is dat een routeringsregel, en die in de gateway schrijven is beter dan in het hot path van de applicatie.

Waar je op moet letten, en wat het antwoord zou veranderen

Drie dingen zouden Prism van een interessante lancering naar een verdedigbare standaardoptie tillen, en elk ervan is controleerbaar.

Het eerste is een vermelding in Artificial Analysis. Een door de leverancier uitgevoerde run op de juiste harness is een redelijk begin; een regel op een openbaar leaderboard is wat 56,6 omzet in een getal dat je zonder asterisk in een slide kunt zetten.

Het tweede zijn de fine-tuning-API's die de bèta verlaten. Rime zegt dat de selfservice-RL- en SFT-API's in bèta zijn. Het Revmo-resultaat — het sterkste bewijs in de lancering — kwam uit tien uur domeinaudio. Als die kloof echt en reproduceerbaar is, is dat het eigenlijke product. Als het één klant met een ongewoon schone dataset is, is Prism een goed checkpointmodel en geen categoriewijziging.

Het derde is de talenlijst. Een spraak-naar-spraakmodel voor zakelijke contactcenters dat acht talen ondersteunt, is een regionaal product; een model dat er veertig ondersteunt, is een volstrekt andere inkoopbeslissing voor een ander bedrijf.

Tot die er zijn, is de eerlijke samenvatting deze: Rime heeft een werkelijk ander besturingsoppervlak voor spraakagenten uitgebracht, concurrerend geprijsd ten opzichte van de cascade die het vervangt, en het verpakt in een benchmarkgrafiek die eerlijker is dan de framing in de pers. De checkpoint is echt. De positie op de leaderboard is een claim. Als uw agenten dingen zeggen die goedgekeurd moeten worden voordat een klant ze hoort, is het eerste feit genoeg om een proef te rechtvaardigen. Als uw agenten vooral goed moeten klinken in twintig talen, dan niet.

De eenregelige versie voor mensen die vluchtig lezen

Prism is een spraak-naar-spraakmodel van $0,08 per minuut dat je de zin geeft voordat het hem uitspreekt, tegen een latentiekost van ongeveer een halve seconde vanaf het moment dat de beller stopt met praten. Het is niet goedkoper dan een slanke cascade en het staat niet bovenaan enige publieke leaderboard. Het is het enige dat vandaag al op de markt is en dat een compliance-team een plek geeft om tussen de beslissing van het model en het oor van de klant te staan — en dat is een functie die je ofwel hard nodig hebt, ofwel helemaal niet.

Als je de alternatieven wilt prijzen voordat je je vastlegt, is de cascadekant van de catalogus maar één endpoint verwijderd, en de bovenstaande berekening per minuut is het getal dat je meeneemt naar de proef.