Rime Prism kontra Inworld Realtime TTS 2: 200 lokalizacji wobec jednego checkpointu

Oto fakt, który powinien zakończyć większość wersji tego porównania, zanim ktokolwiek otworzy benchmark: Inworld Realtime TTS 2 deklaruje obsługę ponad 200 lokalizacji i oferuje 282 wbudowane głosy, podczas gdy Rime Prism nie podaje żadnej liczby języków ani liczby głosów. Jeśli wdrażasz agenta głosowego na kilkanaście rynków, to nie jest kompromis do rozważenia — to filtr, który eliminuje jedną opcję. Porównanie pozostaje interesujące tylko dla kupującego działającego na jednym rynku i objętego regulacjami, ponieważ Rime Prism jest jedynym modelem w tej parze, który pozwala aplikacji odczytać i zablokować zdanie, zanim usłyszy je dzwoniący. Inworld Realtime TTS 2 to model zamiany tekstu na mowę z bardzo dobrą historią w zakresie czasu rzeczywistego, ale nie ma równoważnego punktu kontrolnego, ponieważ zanim zobaczy tekst, decyzja została już podjęta.

Nazwy są też mylące w sposób, który już doprowadził do złych porad. „Inworld Realtime TTS 2” nie jest modelem zamiany mowy na mowę. Rime Prism jest. Ta różnica kryje się u podstaw każdej liczby poniżej i warto o niej powiedzieć, zanim pojawią się liczby.

Jedno z nich nie jest agentem.

Inworld Realtime TTS 2 to tekst na wejściu i dźwięk na wyjściu. Zachowanie dupleksowe — słyszenie dzwoniącego podczas mówienia, obsługa przerwań — pochodzi z oddzielnego Realtime API Inworld, które obsługuje protokół OpenAI Realtime i deklaruje około 100 ms opóźnienia przerwania. To drugi produkt z drugą integracją, a nie właściwość samego modelu TTS. Każdy, kto czyta „Realtime” w nazwie modelu i zakłada mowę do mowy end-to-end, źle odczytał katalog.

Prism to zupełnie inna forma. Dźwięk na wejściu, dźwięk na wyjściu, w jednym systemie, z tekstowym punktem pośrednim w środku i wywołaniami narzędzi, które działają równolegle z mową, a nie przed nią. Właśnie z tego powodu jest wyceniany za minutę dźwięku połączenia — kupujesz połączenie, nie tekst.

Uczciwe ujęcie tego starcia jest więc takie: Inworld Realtime TTS 2 to najlepszy w swojej klasie etap syntezy dla kaskady, którą sam składasz, a Prism to zamiennik całej kaskady. Możesz preferować Inworld i nadal zbudować agenta o kształcie Prism — tylko z większej liczby elementów. Nie możesz preferować Prism i jednocześnie uzyskać pokrycia językowego Inworld, ponieważ nie zostało ono opublikowane.

Liczby pokrycia — i ile są warte

Lista Inworld jest wyjątkowo szczegółowa, co samo w sobie jest pouczające:

• Ustawienia regionalne — ponad 200, podzielone na 15 w jakości Tier 1 i 79 w Tier 2.

• Głosy — 282 wbudowane, z 20 starannie dobranymi presetami.

• Klonowanie — zero-shot z 5–15 sekund audio; Professional Voice Cloning w wersji zapoznawczej i tylko w planie flagowym.

• Ciągłość — jedna spójna tożsamość głosu utrzymywana w różnych językach; to właśnie ta cecha sprawia, że wprowadzenie marki na wiele rynków wygląda na celowe działanie, a nie tłumaczenie.

• Audio — wyjście MP3, WAV, OGG, FLAC i PCM, od 8 kHz do 48 kHz, domyślnie 24 kHz.

• Przepustowość — 2000 znaków na żądanie, strumieniowanie WebSocket z 20 równoczesnymi połączeniami i 5 kontekstami.

• Opóźnienie — po stronie serwera P99 czasu do pierwszego bajtu poniżej 100 ms dla TTS-2; wariant Flash, wprowadzony 31 sierpnia 2026 r., deklaruje poniżej 25 ms, a pomiar zewnętrzny wynosi blisko 25 ms.

Podział na Tier 1 i Tier 2 to część, która zasługuje na uwagę, a nie nagłówek z liczbą ponad 200. Piętnaście wersji językowych w jakości flagowej spośród 200 obsługiwanych to naprawdę uczciwe ujawnienie i pokazuje, gdzie produkt jest faktycznie ukończony. Jeśli Twoje rynki to angielski, hiszpański, portugalski, niemiecki, francuski i japoński, prawdopodobnie jesteś w Tier 1 i nagłówek jest zgodny z rzeczywistością. Jeśli to pozostałe 185, jesteś w części katalogu, która istnieje, ale nie została należycie dopracowana.

Porównaj to z Prism, gdzie brak opublikowanej listy nie jest dowodem słabego pokrycia — Rime publikuje liczby języków i głosów dla swoich osobnych produktów text-to-speech, ale nie dla Prism — jest jednak dowodem na to, że nie można na tym planować. W przypadku wdrożenia na jednym rynku w języku, dla którego Rime tworzy, ten brak nie kosztuje cię nic. W przypadku czegokolwiek szerszego jest to cała odpowiedź.

Pytanie o duplex, którego nikt nie zadaje

„Realtime TTS” i „speech-to-speech” brzmią jak ta sama obietnica, ale w przypadku przerwania zachowują się zupełnie inaczej.

W kaskadzie opartej na Inworld Realtime TTS 2 obsługa przerwań to problem koordynacji między trzema usługami. Moduł rozpoznawania musi zauważyć, że dzwoniący zaczął mówić, orkiestrator musi anulować turę modelu językowego, a syntezator musi zatrzymać się w połowie strumienia i wyczyścić bufor. Realtime API Inworld dobrze radzi sobie z częścią syntezatora — przerwanie zajmuje około 100 ms — ale pozostałe dwie części są po Twojej stronie, a skutki awarii słychać: agent mówi jeszcze przez moment po tym, jak dzwoniący zaczął, a następnie zaczyna zdanie od niewłaściwego miejsca.

Prism obsługuje to wewnątrz jednego modelu, a Rime wymienia obsługę przerwań jako argument w rozmowach z partnerami projektowymi. To nie jest benchmark, który można odczytać; to klasa błędów, których przestajesz doświadczać. W przypadku infolinii wsparcia, gdzie dzwoniący stale przekrzykują agenta, jest to warte więcej niż kilka punktów Elo.

Kontrargument jest taki, że dobrze zbudowana kaskada z agresywną ścieżką anulowania naprawdę dobrze sobie z tym radzi, a kod koordynacyjny jest znaną kwestią, którą wiele zespołów już napisało. Obsługa przerwań jest trudna, ale nie niemożliwa, a różnica między tymi dwiema architekturami maleje wraz z nakładem pracy inżynierskiej. Nie maleje natomiast liczba usług, w związku z którymi jesteś wzywany o 3 w nocy.

Cena: cztery centy kontra cztery centy, w pewnym sensie

Ceny Inworld za znak, ceny Prism za minutę audio połączenia i przeliczenie między nimi to punkt, w którym uczciwe porównania zawodzą.

• Inworld Realtime TTS 2 — 25 USD za milion znaków w trybie na żądanie, 12,50 USD w planie Growth, a przy wolumenie Enterprise spada do około 5 USD. TTS-2 Flash to 15 USD, 7 USD i poniżej 5 USD w tych samych planach. Przy około 1000 znaków na minutę mowy stawka w trybie na żądanie wynosi około 0,025 USD za minutę wygenerowanego dźwięku.

• Rime Prism — $0.080 za minutę dźwięku połączenia w planie Flex, $0.064 w planie Scale, $50 darmowego kredytu w planie darmowym, a w planie Enterprise — warunki indywidualne.

Zatem minuta mowy agenta kosztuje około 2,5 centa w Inworld i 8 centów w Prism. To liczba, którą podają tabele porównawcze, i jest myląca z dwóch powodów.

Po pierwsze, centy Inworld wystarczają na jeden przeskok. Kaskada dodaje rozpoznawanie mowy — zazwyczaj od pół centa do centa za minutę — oraz turę modelu językowego, która przy natężeniu rozmów oznacza kilka centów. Po zsumowaniu tych trzech elementów otrzymujemy blisko od sześciu do dziewięciu centów za minutę wypowiedzi agenta, co obejmuje stawkę Prism wynoszącą osiem centów. Luka w tabeli jest artefaktem porównywania komponentu z systemem.

Drugi polega na tym, że minuta Prism nie jest minutą mowy agenta. Rozlicza audio rozmowy, więc dzwoniący, który mówi przez cztery minuty i słyszy agenta przez jedną, kosztuje Prism równowartość pięciu minut. Cennik Cascade skaluje się z tym, ile mówi agent; cennik Prism skaluje się z tym, jak długo trwa rozmowa. W kolejce wsparcia z długimi wypowiedziami klienta to realna dopłata. W procesie rezerwacji, w którym agent mówi przez większość czasu, to prawie się równoważy.

Struktura planów Inworld nakłada praktyczne ograniczenie, które warto sprawdzić: plan Creator za 25 USD miesięcznie, 25 USD za milion znaków w trybie na żądanie, 12,50 USD w planie Growth, a enterprise jest wyceniany indywidualnie. Współbieżność to 20 połączeń WebSocket na ścieżce strumieniowej, co w przypadku średniej kolejki jest wystarczające, a w przypadku dużej stanowi wąskie gardło.

Kontrola: jeden ma gdzie stanąć, drugi nie.

To tutaj Prism uzasadnia swoją wyższą cenę — i jest to różnica strukturalna, a nie luka w funkcjonalności.

Inworld Realtime TTS 2 naprawdę dobrze radzi sobie z kontekstem. Odczyta wcześniejsze tury jako dane wejściowe audio, przyjmuje swobodne wskazówki dotyczące głosu w zwykłym języku angielskim, obsługuje tagi w treści oraz tryb literowania znak po znaku dla numerów zamówień, kodów i adresów. Ten tryb literowania jest w tym zestawieniu najbliższym odpowiednikiem kontroli przed mową i sprawdza się dobrze — syntezator, który potrafi powiedzieć „cztery-siedem-dwa” zamiast „czterysta siedemdziesiąt dwa”, rozwiązuje realną klasę awarii w rozmowach ze wsparciem.

Ale działa ono na tekście, który został już zatwierdzony. Nie ma w turze takiego momentu, w którym Inworld mówi Twojej aplikacji: „oto, co zamierzam powiedzieć”, i czeka. Tryb literowania poprawia wymowę, a nie treść.

Prism mówi ci to przy każdej turze. Twierdzenie Rime'a jest takie, że tekst jest punktem kontrolnym, a nie etapem pośrednim: mechanizm zabezpieczający może sprawdzić każde słowo, zanim zostanie wypowiedziane, warstwa reguł może przepisać odrzucone zdanie i model wypowiada zamiennik, a zakazane stwierdzenie można całkowicie zablokować, podczas gdy połączenie trwa. To, czy rozumowanie modelu jest rzeczywiście natywne dla audio, jest twierdzeniem wartym przetestowania; to, czy tekst pojawia się przed dźwiękiem, jest faktem projektowym.

W przypadku regulowanego wdrożenia na jednym rynku ten fakt jest powodem, by zapłacić osiem centów zamiast składać tańszą kaskadę. W pozostałych przypadkach jest to funkcja, którą kupujesz, choć możesz jej nie potrzebować.

Co tak naprawdę mówią twierdzenia z rankingu

Inworld reklamuje Realtime TTS 2 jako numer jeden w Artificial Analysis Speech Arena. Niezależne notowania areny plasują go na poziomie Elo około 1245 i trzecim miejscu w obecnej tabeli, a TTS-2 Flash na około 1210 i szóstym miejscu. Miejsce w pierwszej trójce na publicznej arenie to znakomity wynik i użyteczniejsze twierdzenie niż to z materiałów marketingowych; rozbieżność to deklaracja pozycjonowania zderzająca się z żywą tabelą, która zmienia się wraz z napływem głosujących.

Prism nie ma odpowiednika. Jego 56,6 w τ-Voice to wynik ukończenia zadań agentowych, który Rime przeprowadził samodzielnie, na harnessie testowym, którego używa również Artificial Analysis, bez opublikowanego wpisu w rankingu w momencie premiery. Te dwie liczby mierzą różne rzeczy — jak głos brzmi dla ludzkich oceniających w porównaniu z tym, jak często agent wykonuje symulowane zadanie usługowe — i nie istnieje żadna arytmetyka, która zamieniłaby jedną w drugą.

Ta asymetria jest znów porównaniem w miniaturze. Inworld ma ocenę jakości głosu z sędzią. Prism ma ocenę zdolności agenta, ale bez sędziego. Żadna z firm nie opublikowała bezpośredniego porównania, a żaden z modeli nigdy nie został uruchomiony w tym samym zadaniu przez to samo laboratorium.

Jeśli zbudujesz kaskadę, my wyznaczymy trasę środka.

Inworld Realtime TTS 2 jest sprzedawany bezpośrednio przez Inworld oraz za pośrednictwem kilku platform zewnętrznych. Rime Prism jest sprzedawany bezpośrednio przez Rime. Obecnie żaden z nich nie znajduje się w katalogu OrcaRouter i ten tekst nie twierdzi inaczej.

Architektura kaskadowa, do której należy model Inworld, wciąż wymaga modelu językowego pośrodku — i to właśnie tam faktycznie decydują się jakość i koszty. OrcaRouter udostępnia ponad 200 modeli za pomocą jednego klucza, z 0% narzutu względem ceny listowej dostawcy, z automatycznym przełączaniem awaryjnym, gdy dostawca ulega degradacji, oraz DSL routingu do kierowania różnych tur do różnych modeli — tani do potwierdzenia, zdolniejszy do wyszukiwania, wszystko przez jeden punkt końcowy. Dla agenta głosowego to właśnie jest użyteczna jednostka: jedno miejsce do zmiany modelu bez dotykania ścieżki wywołań.

Oferujemy również routing syntezy, jeśli chcesz ją mieć na tym samym kluczu, a nie w ramach drugiej umowy: openai/tts-1-hd oraz google/gemini-3.1-flash-tts-preview są dostępne po cenie cennikowej. Żaden z nich nie jest Inworld Realtime TTS 2. Oba są ostatnim ogniwem kaskady, którą możesz złożyć już dziś.

Dwa pytania i to jedno, które rozstrzyga

Pytanie pierwsze: ile języków? Jeśli odpowiedź to więcej niż garść, Inworld Realtime TTS 2 — i porównanie się kończy. Dwieście lokalizacji z opublikowaną listą Tier 1 liczącą piętnaście pozycji bije nieopublikowaną listę, do której nie dołączono żadnych liczb, a nie można prowadzić procedury zakupowej wobec pustego pola.

Pytanie drugie: czy ktoś musi zatwierdzić zdanie, zanim zostanie wypowiedziane? Jeśli tak, Prism. Nie dlatego, że jest lepszy w mowie — nie ma dowodów ani na jedno, ani na drugie — ale dlatego, że jest tu jedynym modelem, który wytwarza zdanie jako artefakt, który Twoja aplikacja może przechowywać. To jest cały produkt i kosztuje około ośmiu centów za minutę połączenia.

Jeśli żadne z nich nie jest wiążące, uczciwa odpowiedź brzmi: powinieneś zbudować tańszą kaskadę wokół syntezatora Inworld i przeznaczyć oszczędności na obsługę przerwań, ponieważ to jest ta część doświadczenia, którą dzwoniący faktycznie zauważa. Dwa i pół centa za minutę za etap syntezy to mocna oferta od modelu sklasyfikowanego na drugim miejscu w publicznej arenie, a checkpoint, który odrzucasz, jest tym, o którym właśnie powiedziałeś nam, że nie jest potrzebny.

Uwaga dotycząca liczb, zanim ktokolwiek je zacytuje: dane Inworld dotyczące zasięgu, opóźnienia i ceny pochodzą od samego Inworld; Elo w arenie pochodzi od Artificial Analysis i nie zgadza się z pozycjonowaniem Inworld jako numeru jeden. Wynik 56,6 dla Prism należy do Rime i nie został odtworzony. Żadna niezależna strona nie zmierzyła, jak każdy z modeli radzi sobie w zadaniu drugiego, i jest to jedyna luka, której nie domknęła żadna z firm.