Rime Prism kontra ElevenLabs: dwa modele mowy na mowę, jedna liczba opóźnienia

W odstępie jedenastu dni dwie firmy wypuściły ten sam pomysł i podały tę samą liczbę. Rime Prism pojawił się 28 października 2026 r. z wynikiem 0,57 sekundy do pierwszego dźwięku. Eleven Realtime v1 Max, własny model ElevenLabs typu end-to-end do zamiany mowy na mowę, pojawił się 20 października 2026 r. — również 0,57 sekundy. Ten zbieg okoliczności jest najbardziej przydatnym aspektem tego zestawienia, ponieważ oznacza, że opóźnienie nie jest czynnikiem decydującym. Gdy dwa modele osiągają ten sam czas, tym, co je różni, jest to, co dzieje się w tej pół sekundy, a te dwa modele wykorzystują ją w przeciwny sposób: Eleven Realtime v1 Max słucha i mówi, natomiast Rime Prism najpierw pisze.

To najbardziej wyrównane porównanie w tym zestawie i właśnie w nim wybór naprawdę ma znaczenie, ponieważ oba produkty zastępują całą kaskadę, a nie pojedynczy komponent, oraz oba wyceniają audio na osiem centów za minutę.

Krótka odpowiedź

Eleven Realtime v1 Max to lepszy wybór, gdy o wyborze decydują pokrycie językowe i zasób głosów: ponad 90 języków i ponad 17 000 głosów to katalog, któremu żaden konkurent w tej parze nie dorówna, a socket jest kompatybilny pod względem protokołu z OpenAI Realtime API, co oznacza, że migracja to zmiana endpointu, a nie przepisanie.

Rime Prism jest lepszym wyborem, gdy to, co mówi agent, musi być możliwe do sprawdzenia, zanim zostanie wypowiedziane. Jest to jedyny model w tej parze, który przekazuje aplikacji ciąg tekstowy w trakcie tury, z możliwością jego zmiany lub zablokowania, oraz jedyny oferujący wdrożenie on-prem lub w VPC.

Obie usługi są wyceniane na $0.080 za minutę audio, a ta pozorna równość ukrywa realną różnicę: ElevenLabs nalicza $0.080 za minutę połączonego audio plus tokeny modelu, natomiast Rime nalicza $0.080 za minutę i nie pobiera opłat za tokeny. W przypadku agenta intensywnie obsługującego połączenia nie jest to różnica wynikająca z zaokrągleń.

Co każda z firm faktycznie ogłosiła

ElevenLabs wypuścił rodzinę, a nie jeden model. Eleven Realtime v1 Max to wariant do złożonych zadań — obsługa klienta, kwalifikacja leadów, wszystko, co wiąże się z użyciem narzędzi. Eleven Realtime v1 Mini to wariant konwersacyjny dla asystentów, korepetytorów i postaci. Oba to pojedyncze sieci end-to-end, które łączą rozpoznawanie mowy, zarządzanie turą mówienia, rozumowanie i generowanie głosu w jeden system, a nie trzy sklejone etapy. Deklarowanym przez ElevenLabs uzasadnieniem takiego podejścia jest styk: martwa cisza po pauzie, mówienie mimo przerwania, transkrypcja niezgodna z głosem. To artefakty kaskady, a proponowanym rozwiązaniem jest dostrojenie wszystkich czterech etapów razem.

Ścieżka dostępu jest celowo nudna, co jest komplementem. Eleven Realtime działa wewnątrz ElevenAgents przez listę rozwijaną albo przez Realtime API pod wss://api.elevenlabs.io/v1/convai/realtime, które jest kompatybilne na poziomie protokołu transmisji z protokołem Realtime OpenAI — wystarczy zmienić endpoint i nazwę modelu, a istniejące OpenAI SDK działa bez zmian. W momencie premiery dostępny jest wyłącznie WebSocket; nie ma jeszcze ścieżki WebRTC.

Ogłoszenie Rime ma inny kształt. Jeden model, Prism, pozycjonowany dla centrów kontaktowych dla przedsiębiorstw, a wyróżniającą deklaracją jest checkpoint tekstowy, a nie rodzina wariantów. Dostępny jest darmowy plan z 50 USD środków, Flex za 0,080 USD/min, Scale za 0,064 USD/min oraz plan Enterprise, który dodaje VPC i rozwiązania on-prem, a także dostrajanie na nagraniach rozmów z klientami i niestandardowych głosach. Nie ma też WebRTC, ale są integracje strumieniowe, LiveKit i Pipecat, telefonia 8 kHz oraz SOC 2 z deklaracjami HIPAA.

Jeden szczegół wart zaznaczenia dla każdego, kto planuje wdrożenie: ElevenLabs opisuje Eleven Realtime jako udostępniany stopniowo, a identyfikatory modelu istnieją w changelogu od początku sierpnia. Data 20 października to ogłoszenie. Jeśli Twoje konto nie pokazuje modelu na liście rozwijanej ElevenAgents, oznacza to etapowe wydanie, a nie błędną konfigurację.

Punkt kontrolny to prawdziwa różnica.

Oba modele są end-to-end. Tylko jeden z nich pozostawia artefakt tekstowy, na który możesz zareagować, zanim dzwoniący cokolwiek usłyszy.

Eleven Realtime v1 Max działa od wejścia audio do wyjścia audio. Po drugiej stronie połączenia znajduje się transkrypcja, a przed nią — prompt systemowy, jednak nie ma w tej turze takiego punktu, w którym twoja aplikacja trzyma następne zdanie agenta jako ciąg znaków i decyduje, czy je wysłać. To nie jest krytyka — to architektura, którą wybrał ElevenLabs, i to architektura, która wytwarza naturalność, jaką firma sprzedaje. Złączenie czterech etapów w jedną sieć jest dokładnie tym, co usuwa poddający się badaniu styk.

Prism zachowuje szew. Rime twierdzi, że model szkicuje odpowiedź jako tekst, aplikacja może ten tekst zredagować, zablokować, otagować lub skorygować w nim wymowę, a dźwięk podąża za nim. Wywołania narzędzi działają równolegle z mową, a nie przed nią. Twierdzenie, że nie jest to kaskada, opiera się na tym, że rozumowanie odbywa się na audio — ton, wahanie i szum tła wpływają na odpowiedź — a tekst jest pośrednim punktem wyjściowym, a nie wejściowym.

Dla zespołu ds. zgodności ta różnica przesądza o całym zakupie. „Agent nie może powiedzieć X” można wyegzekwować w Prism na poziomie zdania, a w Eleven Realtime tylko na poziomie promptu, czyli probabilistycznie. Dla zespołu produktowego budującego postać lub korepetytora jest odwrotnie: checkpoint jest narzutem, a naturalność płynąca z jednej dostrojonej sieci jest produktem.

Dwie liczby 0,57 sekundy, które nie są tym samym pomiarem

Parytet jest realny, ale instrumenty się różnią, a różnica ma znaczenie, jeśli zamierzasz powołać się na którąkolwiek z tych liczb.

0,57 sekundy Eleven Realtime v1 Max to pomiar Artificial Analysis — przeprowadzony przez podmiot zewnętrzny, przy użyciu tego samego zegara, którego użyto dla innych wpisów speech-to-speech, i przez niego opublikowany. Eleven Realtime v1 Mini osiąga 0,62 sekundy na tym samym przyrządzie.

0,57 sekundy Prism to własna wartość Rime, uzyskana w środowisku testowym τ-Voice, którego używa również Artificial Analysis, ale uruchomionym przez Rime. Prism nie miała publicznego wpisu w rankingu w momencie premiery. Tak więc jedna liczba ma arbitra, a druga nie, mimo że obie są tą samą wartością z dokładnością do dwóch miejsc dziesiętnych. Przedstawianie ich obok siebie jako remisu jest do obrony; przedstawianie ich jako równoważnych dowodów — nie.

Pozostałe wyniki wyraźnie się różnią — i to znów na różnych instrumentach. Eleven Realtime v1 Max uzyskuje 98,8% w Big Bench Audio wobec 75,9–76% dla Mini, skuteczność wykonania zadania 87,1% wobec 60,3%, wynik Full-Duplex-Bench 94,1 wobec 95,8% oraz Arena Elo około 997–998 wobec 988. Nie ma też wyniku w Speech-to-Speech Index i nie ma żadnego wyniku agentowego τ-Voice — nie istnieje więc żadna opublikowana liczba, która stawiałaby Eleven Realtime v1 Max i Prism na tej samej osi. Każdy, kto zestawia 56,6 Prism z 98,8 ElevenLabs, porównuje benchmark ukończenia zadania z benchmarkiem jakości audio i otrzymuje bezsensowną różnicę 42 punktów.

Luka cenowa znajduje się w wierszu tokena.

Na pozór oba produkty kosztują osiem centów za minutę. Wystarczy przejrzeć cenniki, by przekonać się, że wcale nie.

• ElevenLabs — $0.080 za minutę połączonego audio plus tokeny modelu. Eleven Realtime v1 Mini kosztuje $0.20 za wejście i $6.00 za wyjście za milion tokenów; v1 Max — $1.80 za wejście i $9.00 za wyjście. Przekroczenie limitu Burst podwaja stawkę za audio do $0.16/min. W ElevenAgents standardowa stawka wynosi $0.08/min plus tokeny LLM.

• Rime — 0,080 USD za minutę audio Prism w planie Flex, 0,064 USD w planie Scale, bez dodatkowej opłaty za tokeny. Darmowy plan obejmuje 50 USD kredytu na użycie w ramach Prism, Mist v3, Coda v2 i Rime STT.

Ile kosztuje cię linia tokenów, zależy wyłącznie od tego, jak intensywnie agent rozumuje. Pięciominutowe połączenie z pomocą techniczną, podczas którego agent wykonuje osiem tur i w każdej turze analizuje kilka tysięcy tokenów, nie jest darmowe przy stawce 1,80 USD za milion tokenów wejściowych i 9,00 USD za milion tokenów wyjściowych w Max — to drugi licznik działający obok pierwszego. W przypadku krótkiego asystenta w Mini, który głównie potwierdza, linia tokenów to szum. W przypadku wdrożenia Max wykonującego rzeczywistą orkiestrację narzędzi może ona dorównać opłacie za audio.

Stała stawka minutowa Rime'a ma własną pułapkę — i jest to pułapka odwrotna. Prism rozlicza czas audio połączenia, a nie wypowiedzi agenta, więc rozmowa z rozwlekłym rozmówcą kosztuje tyle samo co rozmowa, w której agent nie przestaje mówić. Jeśli w Twoich rozmowach przeważają krótkie wypowiedzi agenta i długie wypowiedzi klienta, stawka minutowa Prism jest droższą z dwóch — o różnicę, która nie ma nic wspólnego z modelami.

Przelicz oba mierniki na podstawie własnego rozkładu połączeń, zanim podejmiesz decyzję. Żaden z dostawców nie publikuje kalkulatora, a ośmiocentowa stawka z nagłówka naprawdę nie jest kwotą, którą naliczy ci którykolwiek z nich.

Zasięg, głosy i kwestia wdrożenia

ElevenLabs wygrywa pod względem zakresu tak zdecydowanie, że warto powiedzieć to wprost, zamiast to ukrywać: ponad 90 języków i ponad 17 000 głosów. Rime w ogóle nie publikuje liczby języków ani zestawu głosów Prism, choć osobne produkty Rime do zamiany tekstu na mowę publikują swoje, a tymi liczbami nie można się posłużyć w odniesieniu do Prism.

Ta asymetria sama w sobie przesądza o dużej części rzeczywistych wdrożeń. Europejski sprzedawca detaliczny wchodzący na dziewięć rynków nie musi czytać pozostałej części tego artykułu.

To we wdrożeniach szala się przechyla. Rime oferuje VPC i rozwiązania on-prem w planie Enterprise, obok chmury, a także opcję współlokowanego endpointu dla swoich modeli TTS. Eleven Realtime w momencie startu jest hostowaną usługą WebSocket. Argument Rime — że wiodące API czasu rzeczywistego działają wyłącznie w chmurze, podczas gdy Prism pozwala kontrolować, gdzie przechowywane jest audio — jest prawdziwym wyróżnikiem dla sektora ochrony zdrowia, usług finansowych i każdego nabywcy z klauzulą dotyczącą lokalizacji danych w umowie. Rime deklaruje zgodność z SOC 2 i HIPAA dla Prism; ElevenLabs sprzedaje umowy enterprise z DPA i BAA na własnych warunkach. Oba rozwiązania można dostosować tak, aby przeszły przegląd zgodności, ale tylko jedno z nich można dostosować tak, aby spełniało warunek „audio nigdy nie opuszcza naszego budynku”.

Dostrajanie to druga asymetria i wskazuje w tym samym kierunku. Rime twierdzi, że Prism można dostrajać na własnych nagraniach rozmów klienta, a samoobsługowe API RL i SFT są w wersji beta. Możliwości dostrajania w ElevenLabs dotyczą poziomu głosu — klonowania, profesjonalnych workflowów głosowych, ustawień stylu i stabilności — a nie niestandardowego modelu akustycznego i rozumującego, trenowanego na Twoich rozmowach. Jeśli celem jest „brzmieć jak nasza marka”, po stronie ElevenLabs jest to problem rozwiązany. Jeśli celem jest „lepiej radzić sobie z naszym konkretnym przepływem zamówień”, tylko jedna z tych opcji to oferuje.

Gdzie OrcaRouter pasuje, a gdzie nie

W naszym katalogu nie ma ani {{1}}Prism{{/1}}, ani {{2}}Eleven Realtime{{/2}}. Prism jest sprzedawany bezpośrednio przez Rime; modele Eleven Realtime są sprzedawane bezpośrednio przez ElevenLabs oraz przez kilka platform zewnętrznych. Jeśli wybierzesz którąkolwiek z nich, kupujesz bezpośrednio od sprzedawcy, a ten artykuł nie zamierza udawać, że jest inaczej.

Powód, dla którego OrcaRouter nadal należy do tej decyzji, jest taki, że modele mowy end-to-end nie usuwają wszystkich modeli ze stosu. Oba te produkty nadal wymagają warstwy polityk, etapu wyszukiwania, klasyfikatora i ścieżki eskalacji, a są to zwykłe wywołania modeli. Jeden klucz obejmuje ponad 200 modeli z 0% narzutu względem ceny katalogowej dostawcy, więc tani model guardrail i drogi model eskalacji działają za jednym punktem końcowym z automatycznym przełączaniem awaryjnym — co ma znaczenie podczas aktywnego połączenia, gdzie zawieszony dostawca jest nie do odróżnienia od zerwanej linii. DSL routingu to sposób, w jaki wyrażasz „utrzymaj potwierdzenie lokalnie i tanio, eskaluj wyszukiwanie”, a tę regułę warto zapisać raz w bramie, a nie trzy razy w agencie.

Jeśli tak naprawdę chcesz kaskadę z hostowaną syntezą, openai/tts-1-hd i google/gemini-3.1-flash-tts-preview są dostępne na tym samym kluczu w cenie katalogowej. Różne narzędzia, ten sam rachunek.

Jak podjąć decyzję w dziesięć minut

Trzy pytania, po kolei, i zatrzymaj się na pierwszym, na które odpowiesz „tak”.

Czy musisz działać w więcej niż kilku językach albo potrzebujesz konkretnego głosu z bardzo dużej biblioteki? Eleven Realtime v1 Max lub v1 Mini. Katalog jest produktem, a Prism nie publikuje porównywalnego.

Czy coś, co mówi Twój agent, musi zostać zatwierdzone, zanim dzwoniący to usłyszy, czy audio musi pozostać w Twojej sieci? Rime Prism. Checkpoint i warstwa on-prem to dwie rzeczy, których ElevenLabs tutaj nie oferuje, i nie są to funkcje, które można dodać później.

Czy żadne z nich nie jest wiążące i czy decydującym czynnikiem jest koszt? W takim razie uruchom oba liczniki na własnych danych wywołań, ponieważ ośmiocentowy nagłówek jest równy, a wiersz tokenów nie. Asystent o krótkich turach i niskim poziomie rozumowania na Mini pobije Prism pod względem ceny. Wdrożenie Max mocno oparte na narzędziach prawdopodobnie nie.

Kolejną rzeczą, na którą warto zwrócić uwagę, jest jedna liczba, która rozstrzygnęłaby sprawę. Eleven Realtime v1 Max nie ma wyniku τ-Voice, a Prism nie ma niezależnego. Jeśli którykolwiek model trafi na publiczną tabelę wyników mierzoną przez kogoś innego niż jego dostawca, to porównanie znacznie się skróci. Do tego czasu oba modele mają identyczny wynik 0,57 sekundy na dwóch różnych stoperach, a reszta to architektura.

Jeszcze jedno słowo o liczbach powyżej: wyniki Eleven Realtime to dane Artificial Analysis, karty cenowe pochodzą od samych dostawców, a 56,6 Prism należy do Rime. Żadne narzędzie pomiarowe w tym artykule nie stawia obu modeli na jednej osi — dlatego tekst został zorganizowany wokół architektury i pokrycia, a nie wokół tablicy wyników.