Rime Prism vs Qwen-Audio-3.0-TTS: een conversatie-engine versus een spraaklaag

Rime Prism factureert $0,080 per minuut. Een supportoproep van vijf minuten kost daarmee $0,40, en die $0,40 koopt het luisteren, het redeneren, de beurtwisseling en de spraak in één model. Qwen-Audio-3.0-TTS factureert $19,30 per miljoen tekens, wat voor dezelfde oproep ongeveer $0,10 is — alleen voor het spreken. Leg die cijfers naast elkaar en de vergelijking lijkt beslist in het voordeel van Qwen. Zo beslist is ze niet, omdat de twee modellen niet om dezelfde plek in een stack concurreren, en het verschil van $0,30 is grotendeels de prijs voor het schrappen van twee overdrachten uit het pad tussen de zin van een beller en een antwoord.

Rime lanceerde Prism op 28 oktober 2026, een dag voordat deze pagina werd geschreven. Het is een spraak-naar-spraakmodel, geen tekst-naar-spraakmodel: het hoort audio, bedenkt een antwoord, schrijft dat antwoord als tekst die een applicatie kan inspecteren, en spreekt dan — terwijl het nog steeds luistert. Alibaba kondigde Qwen-Audio-3.0-TTS aan tijdens de WAIC op 20 juli 2026, in een Plus-tier voor kwaliteit en een Flash-tier voor realtime. Dat model neemt tekst en geeft audio terug, punt uit. Alibaba verving het op 23 september 2026 door Qwen-Audio-3.1-TTS, dus de 3.0 in deze kop is al de vorige generatie van zijn eigen familie — een complicatie die later terugkomt en verandert wat je eigenlijk moet kopen.

De nuttige vraag is niet welke beter klinkt. Het is welke je aan een beller voorlegt, en hoe de rest van het diagram eruit moet zien als je dat doet.

Twee producten, één vak in het diagram

Een conventionele spraakagent is een cascade: spraakherkenning zet de audio van de beller om in tekst, een taalmodel bepaalt wat er gezegd moet worden, tekst-naar-spraak zet dat antwoord weer om in audio. Elke overgang is een plek waar het accent van de beller verloren kan gaan, waar een stopwoord wegvalt, waar 200 milliseconden worden toegevoegd.

Rime's argument is dat de cascade iets weggooit wat hij niet kan herstellen. In een cascade hoort het taalmodel nooit hoe de beller iets zei — de zucht, de stijgende toonhoogte aan het einde van een vraag, de pauze voor een creditcardnummer — omdat alles wat het ontvangt een transcript is. Prism houdt het akoestische signaal intact door de hele beslissing heen en geeft tekst vervolgens uit als een checkpoint, niet als een tussenformaat.

Dat is een echt architectuurverschil en het vormt de hele basis van het product. Het betekent ook dat Prism geen kant-en-klare vervanging is voor een TTS-engine. Zet je het in de laatste positie van een cascade, dan heb je een dure spraaksynthesizer gekocht die eerst de beller moet horen. Zet je Qwen-Audio-3.0-TTS op de plek van Prism, dan heb je een model dat helemaal niets kan horen.

Wat Rime Prism eigenlijk verkoopt

Prism is het eerste model dat Rime heeft uitgebracht waarbij de STT- en LLM-stappen worden weggelaten in plaats van een van beide te optimaliseren. De tekstlaag is de functionaliteit waar zakelijke kopers waarde aan hechten: een beleidscontrole, een PII-filter of een menselijke supervisor kan de exacte woorden lezen die op het punt staan te worden uitgesproken, en omdat het model blijft luisteren terwijl de controle loopt, hoeft de pauze niet hoorbaar te zijn. Tool-calls lopen parallel met de spraak in plaats van ervoor, wat een andere manier is om de latentie van een databasequery te verbergen dan de gebruikelijke vertragingstactiek 'laat me dat even voor je nakijken'.

De gepubliceerde cijfers, allemaal afkomstig van Rime: 0,57 seconden tot eerste audio op de τ-Voice-benchmark, 56,6% taakvoltooiing op die benchmark en 82,5% op de telecom-subset ervan. Een Revmo-proef met ongeveer tien uur echte bestelgesprekken wordt aangehaald als 100% orderbevestigingen tegenover 68% voor een naamloos OpenAI-model, met 85% van de gesprekken zonder hallucinaties tegenover 35%. Die proefcijfers komen uit een klantcasestudy die Rime in opdracht heeft laten uitvoeren; de methodologie is niet gepubliceerd en niemand heeft die gereproduceerd.

Prijzen gelden per minuut gespreksaudio en hetzelfde model geldt voor elk niveau: $0.080/min bij Flex zonder maandelijkse kosten, $0.064/min bij Scale voor $100 per maand, inclusief $100 aan tegoed dat wordt overgedragen tot $200, en volumetarieven bij Enterprise. Gratis accounts krijgen $50 maandelijks tegoed. Prism streamt via WebSockets en wordt geleverd met integraties voor LiveKit en Pipecat. Selfservice-API's voor SFT- en RL-fine-tuning zijn in bèta en niet algemeen beschikbaar; bij de Enterprise-tier zijn on-premises en VPC-implementatie, aangepaste stemmen, een HIPAA BAA en SOC 2 Type II ondergebracht.

Wat Qwen-Audio-3.0-TTS eigenlijk verkoopt

Qwen-Audio-3.0-TTS is een synthesizer met ongewone controle. Het accepteert inline-spreekstijltags — [gasp], [laughs], [angry] — die in de tekst zelf zijn ingebed, zodat emotie aan een personage wordt gekoppeld en niet aan een hele alinea. Het ondersteunt 16 talen en 20 Chinese dialecten, synthetiseert per aanvraag tot drie minuten audio op 48 kHz en wordt geleverd met een bibliotheek van meer dan 1.000 stemmen. De Plus-laag is de kwaliteitslaag; Flash richt zich op realtime-interactie en volgens de documentatie van Alibaba ligt de latentie van het eerste pakket onder 200 milliseconden, terwijl eerdere berichtgeving rond de lancering ongeveer 300 milliseconden noemde.

De lijstprijs is $0,19253 per 10.000 tekens in de regio Peking en $0,20 in Singapore, wat neerkomt op $19,30 tot $20 per miljoen tekens — het cijfer dat Artificial Analysis op zijn leaderboard vermeldt. De doorvoer is in beide regio's beperkt tot 180 verzoeken per minuut. Er zijn geen gewichten, geen self-hostingoptie en geen on-premisesverhaal: als de regio's van Alibaba een probleem vormen voor uw beoordeling van dataresidentie, is dit model eenvoudigweg niet voor u beschikbaar.

Het scorebord

• Categorie — Rime Prism hoort audio en spreekt terug; Qwen-Audio-3.0-TTS neemt tekst en retourneert audio.

• Lancering — Prism op 28 oktober 2026; Qwen-Audio-3.0-TTS op 20 juli 2026, vervangen door Qwen-Audio-3.1-TTS op 23 september 2026.

• Factureringseenheid — Prism $0,080 per minuut gespreksaudio op Flex, $0,064 op Scale; Qwen $19,30 per miljoen tekens op Plus, ongeveer $13,75 tot $15 per miljoen op Flash.

• Latentie — Prism 0,57 s tijd tot eerste audio, door de leverancier gemeten; Qwen Flash onder 200 ms voor het eerste packet volgens de documentatie van Alibaba.

• Onafhankelijke score — Prism heeft er geen enkele op de Speech-to-Speech Index van Artificial Analysis; Qwen-Audio-3.0-TTS-Plus staat op Elo 1.269, zesde van 99 op de Text-to-Speech Arena, volgens de stand van 29 oktober 2026.

• Talen — Prism alleen Engels bij de lancering; Qwen 16 talen plus 20 Chinese dialecten.

• Implementatie — Prism-cloud, VPC of on-premises met HIPAA-BBA en SOC 2 Type II bij Enterprise; Qwen alleen via Alibaba Cloud Model Studio.

Het vijfminutengesprek, geprijsd

Neem een inkomend supportgesprek van vijf minuten aan, waarin de agent ongeveer 1.000 tekens per minuut spreekt — Rimes eigen prijs-FAQ gebruikt die verhouding om te converteren tussen zijn per teken gefactureerde TTS en zijn per minuut gefactureerde Prism, dus het is een redelijke gemeenschappelijke noemer. Dat is 5.000 tekens aan spraak.

Op Prism bedraagt de rekening vijf minuten à $0,080, ofwel $0,40. Bij het Scale-tarief is dat $0,32. Tienduizend dergelijke oproepen kosten respectievelijk $4.000 en $3.200.

In een cascade die rond Qwen-Audio-3.0-TTS-Plus is gebouwd, kosten de 5.000 tekens $0,0965. Tel daarbij Rimes eigen spraakherkenning tegen $0,002 per minuut — vijf cent voor de aanroep — en een tekstmodel voor het redeneren. Bij een gecombineerd tarief van $0,50 per miljoen tokens en een paar duizend tokens per beurt, komt daar ruim minder dan een cent bij. De cascade komt uit op bijna $0,11 per aanroep, of ongeveer $1.100 bij tien duizend aanroepen. Flash in plaats van Plus verlaagt de syntheselijn in Beijing naar ongeveer $0,069, en het totaal naar ongeveer $0,08.

De cascade kost dus ongeveer een kwart van de prijs van Prism, en de kloof is $2.900 tot $3.200 per tienduizend aanroepen. Dat zijn lijstprijzen en de aannames zijn de onze, niet die van Rime; het gaat om de vorm van de kloof, niet om de derde decimaal.

Het middendeel van die cascade is ook de enige component die je kunt verplaatsen zonder de andere twee aan te raken. OrcaRouter routeert tekstmodellen achter een enkele API — meer dan 200 modellen, lijstprijs van de provider doorgegeven met 0% opslag, en automatische failover wanneer een provider midden in een gesprek verslechtert — zodat de redeneerstap tussen aanroepen kan worden omgeleid naar een goedkoper of sterker model. Prism's tekst-checkpoint is om dezelfde reden gewone tekst: wat het ook consumeert, van tool-calling tot samenvatting na het gesprek tot QA-scoring, kan op een gerouteerd endpoint zitten en onafhankelijk blijven van de spraaklaag eronder.

Waar de cascade nog steeds wint

Meertalige contactcenters, om te beginnen. Prism is bij de lancering alleen Engels, met een beperkte stemmenset. Qwen-Audio-3.0-TTS ondersteunt 16 talen en 20 Chinese dialecten — en zijn opvolger voegt taaloverschrijdende timbreoverdracht toe tussen Mandarijn, Kantonees, Engels en Japans. Als een aanzienlijk deel van uw bellers geen Engels spreekt, eindigt deze vergelijking bij het specificatieblad.

Eenmalige generatie is het tweede geval. IVR-prompts, uitgaande meldingen, hoofdstukken van audioboeken, speldialoog: bij geen enkele ervan spreekt de telefonerende gebruiker terug, dus er is niets voor een spraak-tot-spraakmodel om te horen. $0,080 per minuut betalen voor een model dat kan luisteren wanneer niemand spreekt, is betalen voor een ongebruikte helft.

Volume is het derde. Voor een kwart van de kosten per aanroep laat een cascade budget over voor de onderdelen die een agent echt onderscheiden — betere retrieval, een sterker redeneermodel, routering voor escalatie naar mensen.

Waar Prism nog steeds wint

Gereguleerde inkomende telefonie is precies het geval waarvoor Prism is gebouwd. Een bank die moet kunnen aantonen wat haar agent op het punt stond te zeggen, en dat moet kunnen blokkeren voordat een klant het hoort, kan dat niet met een samengevoegd realtime-model en kan het met een cascade alleen benaderen, waarbij de tekstfase een aparte dienst is met een eigen latentie en een eigen storingsmodus. Prism plaatst het controlepunt in het model en blijft erdoorheen luisteren.

Het wint ook op de metriek die bepaalt of een gesprek menselijk aanvoelt: stilte. Een cascade die op papier snel is, stapelt nog steeds endpointing, model-tijd-tot-eerste-token en synthese-tijd-tot-eerste-pakket, en een cascade die end-to-end onder een seconde uitkomt, doet het goed. Prism meet 0,57 seconde vanaf het einde van de beurt van de beller tot de eerste audio van het antwoord, in één hop.

En het wint op het gebied van uitrol voor kopers die helemaal geen Chinese cloudregio kunnen gebruiken — VPC, on-premises, een HIPAA BAA, SOC 2 Type II, en fine-tuning op je eigen gespreksopnamen in plaats van op een gedeelde basis.

Het getal dat geen van beide partijen je kan geven

Geen van beide modellen heeft het getal dat een inkoopteam het liefst zou hebben: een onafhankelijke head-to-head op dezelfde benchmark.

{{1}}Prism{{/1}} staat niet vermeld in de {{3}}Speech-to-Speech Index{{/3}} van {{2}}Artificial Analysis{{/2}}. De {{4}}56,6%{{/4}} {{5}}τ-Voice{{/5}}-waarde is een door de leverancier uitgevoerd resultaat, en de tabel die {{6}}Rime{{/6}} daarbij publiceert, is het waard om zorgvuldig te lezen: {{7}}GPT-Live-1 (Sol, low){{/7}} staat op {{8}}59,3%{{/8}}, hoger dan {{9}}Prism{{/9}}, terwijl de omliggende tekst zegt dat {{10}}Prism{{/10}} "voorloopt op elk realtime-model van {{11}}OpenAI{{/11}} en {{12}}Google{{/12}}." Lanceerberichten citeren ook "onder {{13}}300 ms{{/13}}" en "{{14}}4× sneller dan GPT-Live{{/14}}," cijfers die niet in de benchmarktabel voorkomen, die {{15}}0,57 s{{/15}} vermeldt. Verschillende metingen kunnen het verschil verklaren; de pagina doet dat niet.

De score van Qwen is de sterkere, omdat 1.269 Elo voortkomt uit blinde luisteraarstemmen en niet van Alibaba. Het is ook niet langer de beste score binnen zijn eigen familie: Qwen-Audio-3.1-TTS-Plus staat derde met 1.305 per 29 oktober 2026, en herzieningen van artificial-analysis hebben deze ranglijst dit jaar meer dan eens verschoven, dus scores uit verschillende snapshots mogen nooit van elkaar worden afgetrokken.

De waarschuwing die specifiek voor Rime geldt, snijdt in tegengestelde richting. De enige Rime-stemmen die onafhankelijk zijn gerangschikt, zijn de TTS-modellen, en op dezelfde ranglijst staat Coda 65e met Elo 1.054 en Mist V2 92e met 903 — de onderste helft van 99. Prism klinkt misschien wel beter dan zijn zusterproducten; niets gepubliceerd laat een koper dat bevestigen voordat hij tekent.

Wat te kijken

Drie dingen zouden de aanbeveling veranderen. Als Prism op de Speech-to-Speech Index verschijnt, zou Prism de eerste onafhankelijke score krijgen die het ooit heeft gehad. Full-duplexwerking — Prism is bij de lancering half-duplex met barge-in — zou de kloof vergroten met elke cascade die moet wachten tot de beller klaar is met spreken. En het feit dat de selfservice-API's voor fine-tuning de bètafase verlaten, is het verschil tussen 'bedrijven kunnen fine-tunen' en 'jij kunt op dinsdag fine-tunen'.

Aan de andere kant: let op wat Alibaba doet met de prijsstelling van Qwen-Audio-3.1-TTS na de verlaging van ongeveer 70% die het op 22 september 2026 doorvoerde. Een cascade waarvan zowel de middelste als de laatste hop goedkoper worden, is een bewegend doel, en het tarief per minuut van Prism is ertegen vastgezet.

Voor de meeste teams is het eerlijke antwoord beide, niet het een of het ander. Zet Prism vóór inkomende bellers wier gesprekken een controlepunt en een latentiebudget voor één hop vereisen. Zet Qwen-Audio-3.0-TTS — of, realistischer nu, Qwen-Audio-3.1-TTS — in op de uitgaande paden waar niemand terugspreekt en er per teken wordt afgerekend. De fout is om één optie te kiezen omdat een benchmarktabel dat zegt, terwijl de tabel een voetnoot heeft en die voetnoot het meeste werk doet.