Rime Prism vs Qwen-Audio-3.0-TTS: silnik konwersacji kontra warstwa głosowa

Rime Prism pobiera 0,080 USD za minutę. Pięciominutowe połączenie z pomocą techniczną przy jego użyciu kosztuje 0,40 USD, a te 0,40 USD kupują słuchanie, rozumowanie, naprzemienność wypowiedzi i mowę w jednym modelu. Qwen-Audio-3.0-TTS pobiera 19,30 USD za milion znaków, co w przypadku tego samego połączenia daje około 0,10 USD — wyłącznie za mówienie. Zestaw te liczby obok siebie, a porównanie wydaje się rozstrzygnięte na korzyść Qwen. Nie jest rozstrzygnięte, ponieważ te dwa modele nie konkurują o to samo miejsce w stosie, a różnica 0,30 USD to głównie cena wyeliminowania dwóch przekazań ze ścieżki między wypowiedzią dzwoniącego a odpowiedzią.

Rime wprowadziła Prism 28 października 2026 r., dzień przed powstaniem tej strony. To model bezpośredniej konwersji mowy na mowę, a nie model zamiany tekstu na mowę: słyszy dźwięk, wypracowuje odpowiedź, zapisuje ją jako tekst, który aplikacja może sprawdzić, a następnie mówi — wciąż słuchając. Alibaba ogłosiła Qwen-Audio-3.0-TTS na WAIC 20 lipca 2026 r., w wariancie Plus nastawionym na jakość i Flash nastawionym na działanie w czasie rzeczywistym. Ten model przyjmuje tekst i zwraca dźwięk, i tyle. Alibaba zastąpiła go modelem Qwen-Audio-3.1-TTS 23 września 2026 r., więc 3.0 w tym nagłówku jest już poprzednią generacją we własnej rodzinie — niuans, który powraca później i zmienia to, co tak naprawdę powinieneś kupić.

Nie chodzi o to, które brzmi lepiej. Chodzi o to, którą wersję stawiasz przed dzwoniącym i jak musi wtedy wyglądać reszta diagramu.

Dwa produkty, jedno miejsce na diagramie

Konwencjonalny agent głosowy to kaskada: rozpoznawanie mowy zamienia audio dzwoniącego w tekst, model językowy decyduje, co powiedzieć, a synteza mowy zamienia tę odpowiedź z powrotem w audio. Każdy etap to miejsce, w którym może zginąć akcent dzwoniącego, w którym opuszcza się słowo wtrącone, w którym dochodzi 200 milisekund.

Argument Rime'a jest taki, że kaskada wyrzuca coś, czego nie jest w stanie odzyskać. W kaskadzie model językowy nigdy nie słyszy, jak dzwoniący wypowiedział daną rzecz — westchnienia, wznoszącego się tonu na końcu pytania, pauzy przed numerem karty kredytowej — ponieważ otrzymuje wyłącznie transkrypcję. Prism utrzymuje sygnał akustyczny w nienaruszonym stanie przez cały proces podejmowania decyzji, a następnie zwraca tekst jako punkt kontrolny, a nie jako format pośredni.

To realna różnica architektoniczna i na niej opiera się cały produkt. Oznacza to również, że Prism nie jest bezpośrednim zamiennikiem silnika TTS. Jeśli wstawisz go w ostatnie ogniwo kaskady, kupiłeś drogi syntezator mowy, który najpierw musi usłyszeć dzwoniącego. Jeśli wstawisz Qwen-Audio-3.0-TTS w miejsce Prism, otrzymasz model, który w ogóle nic nie słyszy.

Co Rime Prism faktycznie sprzedaje

Prism jest pierwszym modelem, który Rime wprowadziła na rynek i który usuwa etapy STT oraz LLM, zamiast optymalizować jeden z nich. Warstwa tekstowa to cecha, na której zależy nabywcom korporacyjnym: kontrola zgodności z polityką, filtr PII lub ludzki nadzorca mogą odczytać dokładne słowa, które zaraz zostaną wypowiedziane, a ponieważ model nadal słucha, gdy kontrola trwa, pauza nie musi być słyszalna. Wywołania narzędzi działają równolegle z mową, a nie przed nią, co jest innym sposobem ukrywania opóźnienia wyszukiwania w bazie danych niż typowe „pozwól, że tylko to sprawdzę”.

Opublikowane liczby, wszystkie pochodzące od Rime: 0,57 sekundy do pierwszego dźwięku w benchmarku τ-Voice, 56,6% ukończonych zadań w tym benchmarku oraz 82,5% w jego podzbiorze telekomunikacyjnym. W badaniu Revmo na około dziesięciu godzinach rzeczywistych rozmów dotyczących zamówień podaje się 100% potwierdzeń zamówień wobec 68% w przypadku nienazwanego modelu OpenAI, przy czym 85% rozmów było wolnych od halucynacji wobec 35%. Te wyniki badania pochodzą ze studium przypadku klienta, które Rime zleciła; metodologia nie została opublikowana i nikt jej nie odtworzył.

Rozliczenie odbywa się za minutę audio rozmowy i jest to ten sam model na każdym poziomie: 0,080 USD/min w Flex bez opłaty miesięcznej, 0,064 USD/min w Scale za 100 USD miesięcznie, w tym 100 USD kredytu, który przenosi się do 200 USD, oraz stawki wolumenowe w Enterprise. Darmowe konta otrzymują 50 USD kredytu miesięcznie. Prism strumieniuje przez WebSockets i dostarcza integracje dla LiveKit i Pipecat. Samodzielne API do dostrajania SFT i RL są w wersji beta, nie są ogólnie dostępne; poziom Enterprise obejmuje wdrożenia on-premises i VPC, niestandardowe głosy, HIPAA BAA oraz SOC 2 Type II.

Co tak naprawdę sprzedaje Qwen-Audio-3.0-TTS

Qwen-Audio-3.0-TTS to syntezator o nietypowej kontroli. Akceptuje znaczniki sposobu wypowiedzi — [gasp], [laughs], [angry] — osadzone w samym tekście, dzięki czemu emocja jest powiązana z konkretną postacią, a nie z całym akapitem. Obejmuje 16 języków i 20 dialektów chińskich, generuje do trzech minut w jednym żądaniu przy 48 kHz i jest wyposażony w bibliotekę ponad 1000 głosów. Wersja Plus to wersja jakościowa; Flash jest nastawiony na interakcję w czasie rzeczywistym, a dokumentacja Alibaba podaje, że opóźnienie pierwszego pakietu wynosi poniżej 200 milisekund, podczas gdy wcześniejsze materiały z premiery podawały około 300.

Cena katalogowa wynosi 0,19253 USD za 10 000 znaków w regionie pekińskim i 0,20 USD w Singapurze, co daje od 19,30 do 20 USD za milion znaków — taką kwotę Artificial Analysis podaje w swoim rankingu. Przepustowość jest ograniczona do 180 żądań na minutę w obu regionach. Nie ma wag, opcji samodzielnego hostowania ani oferty on-premises: jeśli regiony Alibaba stanowią problem w ramach przeglądu rezydencji danych, ten model jest po prostu niedostępny.

Tablica wyników

• Kategoria — Rime Prism słyszy dźwięk i odpowiada mową; Qwen-Audio-3.0-TTS przyjmuje tekst i zwraca dźwięk.

Premiera — Prism 28 października 2026 r.; Qwen-Audio-3.0-TTS 20 lipca 2026 r., zastąpiony przez Qwen-Audio-3.1-TTS 23 września 2026 r.

• Jednostka rozliczeniowa — Prism 0,080 USD za minutę audio rozmowy w planie Flex, 0,064 USD w planie Scale; Qwen 19,30 USD za milion znaków w planie Plus, około 13,75–15 USD za milion w planie Flash.

Opóźnienie — Prism: 0,57 s do pierwszego dźwięku, zmierzone przez dostawcę; Qwen Flash: poniżej 200 ms do pierwszego pakietu, zgodnie z dokumentacją Alibaba.

• Niezależna ocena — Prism nie ma jej w ogóle w indeksie Speech-to-Speech Index serwisu Artificial Analysis; Qwen-Audio-3.0-TTS-Plus zajmuje pozycję z Elo 1 269, szóstą spośród 99 w Text-to-Speech Arena, według stanu rankingu na 29 października 2026 r.

• Języki — Prism tylko angielski na start; Qwen 16 języków plus 20 dialektów chińskich.

• Wdrożenie — Prism w chmurze, VPC lub lokalnie, z HIPAA BAA i SOC 2 Type II w Enterprise; Qwen wyłącznie przez Alibaba Cloud Model Studio.

Pięciominutowa rozmowa, wyceniona

Załóżmy pięciominutowe przychodzące połączenie wsparcia, podczas którego agent mówi około 1000 znaków na minutę — w oficjalnym FAQ Rime dotyczącym cen ten współczynnik służy do przeliczania między TTS rozliczanym za znaki a Prism rozliczanym za minuty, więc jest to uczciwy wspólny mianownik. Daje to 5000 znaków mowy.

W Prism rachunek za pięć minut po 0,080 USD wynosi 0,40 USD. Przy stawce Scale jest to 0,32 USD. Dziesięć tysięcy takich połączeń kosztuje odpowiednio 4000 USD i 3200 USD.

W kaskadzie zbudowanej wokół Qwen-Audio-3.0-TTS-Plus 5000 znaków kosztuje 0,0965 USD. Dodaj do tego własne rozpoznawanie mowy Rime w cenie 0,002 USD za minutę — pięć centów za wywołanie — oraz model tekstowy do rozumowania. Przy uśrednionej stawce 0,50 USD za milion tokenów i kilku tysiącach tokenów na turę daje to znacznie poniżej centa. Kaskada wynosi około 0,11 USD za wywołanie, czyli około 1100 USD przy dziesięciu tysiącach wywołań. Flash zamiast Plus obniża koszt syntezy do około 0,069 USD w Pekinie, a całość do około 0,08 USD.

Zatem kaskada kosztuje około jednej czwartej ceny Prism, a różnica wynosi od 2900 do 3200 USD za dziesięć tysięcy wywołań. Są to ceny katalogowe, a założenia są nasze, nie Rime’a; chodzi o kształt tej różnicy, a nie o trzecie miejsce po przecinku.

Środek tego kaskadu to także jedyny komponent, który możesz przenieść, nie ruszając pozostałych dwóch. OrcaRouter kieruje modelami tekstowymi za pośrednictwem jednego API — ponad 200 modeli, cena katalogowa dostawcy przekazywana z 0% marży, a także automatyczne przełączanie awaryjne, gdy dostawca ulegnie degradacji w trakcie rozmowy — dzięki czemu etap rozumowania można przekierować na tańszy lub mocniejszy model między wywołaniami. Punkt kontrolny tekstu Prism to zwykły tekst z tego samego powodu: cokolwiek go konsumuje, od wywoływania narzędzi przez podsumowywanie po zakończeniu połączenia po ocenianie QA, może działać na punkcie końcowym z routingiem i pozostawać niezależne od warstwy głosowej poniżej.

Gdzie kaskada wciąż wygrywa

Po pierwsze, wielojęzyczne centra kontaktowe. Prism na starcie obsługuje wyłącznie angielski i ma ograniczony zestaw głosów. Qwen-Audio-3.0-TTS oferuje 16 języków i 20 dialektów chińskich — a jego następca dodaje międzyjęzykowy transfer barwy głosu w przypadku mandaryńskiego, kantońskiego, angielskiego i japońskiego. Jeśli znacząca część Twoich dzwoniących nie mówi po angielsku, to porównanie kończy się na karcie specyfikacji.

Generowanie jednorazowe to drugi przypadek. Komunikaty IVR, powiadomienia wychodzące, rozdziały audiobooków, dialogi w grach: w żadnym z nich dzwoniący nie odpowiada, więc model speech-to-speech nie ma czego słuchać. Płacenie $0.080 za minutę za model, który potrafi słuchać, gdy nikt nie mówi, to płacenie za niewykorzystaną połowę.

Wolumen jest trzeci. Przy jednej czwartej kosztu pojedynczego wywołania kaskada pozostawia budżet na elementy, które faktycznie wyróżniają agenta — lepsze wyszukiwanie, mocniejszy model rozumowania, routing eskalacji do człowieka.

Gdzie Prism wciąż wygrywa

Telefonia przychodząca objęta regulacjami to przypadek, dla którego powstał Prism. Bank, który musi umieć pokazać, co jego agent zamierzał powiedzieć, i zablokować to, zanim klient to usłyszy, nie może tego zrobić za pomocą zintegrowanego modelu czasu rzeczywistego, a jedynie przybliżyć to za pomocą kaskady, której etap tekstowy jest osobnym usługiem z własnym opóźnieniem i własnym trybem awarii. Prism umieszcza punkt kontrolny wewnątrz modelu i nadal przez niego nasłuchuje.

Wygrywa również w metryce, która decyduje o tym, czy rozmowa telefoniczna wydaje się ludzka: martwej ciszy. Kaskada, która jest szybka na papierze, nadal sumuje endpointing, czas modelu do pierwszego tokenu i czas syntezy do pierwszego pakietu, a kaskada, która osiąga poniżej sekundy od początku do końca, radzi sobie dobrze. Prism odmierza 0,57 sekundy od końca wypowiedzi dzwoniącego do pierwszego dźwięku odpowiedzi, w jednym skoku.

Wygrywa też pod względem wdrożenia w przypadku nabywców, którzy w ogóle nie mogą korzystać z chińskiego regionu chmury — VPC, rozwiązania on-premises, HIPAA BAA, SOC 2 Type II oraz dostrajanie modelu na własnych nagraniach rozmów, a nie na współdzielonej bazie.

Liczba, której nie poda ci żadna ze stron

Żaden z modeli nie ma liczby, którą zespół ds. zakupów chciałby mieć najbardziej: niezależnego bezpośredniego porównania na tym samym benchmarku.

Prism nie znajduje się w Indeksie Speech-to-Speech Artificial Analysis. Wynik 56,6% w τ-Voice jest rezultatem uzyskanym przez dostawcę, a publikowana obok tabela Rime’a wymaga uważnej lektury: GPT-Live-1 (Sol, low) przedstawiono na poziomie 59,3%, wyższym niż Prism, podczas gdy otaczający tekst mówi, że Prism jest „przed każdym modelem czasu rzeczywistego od OpenAI i Google”. W postach premierowych przytacza się także „poniżej 300 ms” i „4× szybciej niż GPT-Live” — wartości, które nie pojawiają się w tabeli benchmarku, gdzie podano 0,57 s. Różne pomiary mogą wyjaśniać tę różnicę; strona tego nie wyjaśnia.

Wynik Qwena jest mocniejszy, ponieważ 1,269 Elo pochodzi z głosów słuchaczy oddanych w testach w ciemno, a nie od Alibaby. Nie jest też już najlepszym wynikiem w swojej rodzinie: Qwen-Audio-3.1-TTS-Plus zajmuje trzecie miejsce z wynikiem 1,305 według stanu na 29 października 2026 r., a rewizje Artificial Analysis przesuwały ten ranking w tym roku więcej niż raz, więc wyników z różnych snapshotów nigdy nie należy odejmować od siebie.

Zastrzeżenie dotyczące konkretnie Rime działa w przeciwnym kierunku. Jedynymi głosami Rime, które niezależnie sklasyfikowano, są modele TTS; w tym samym rankingu Coda zajmuje 65. miejsce z Elo 1054, a Mist V2 — 92. miejsce z 903, czyli dolną połowę rankingu liczącego 99 pozycji. Całkiem możliwe, że Prism brzmi lepiej niż jego siostrzane modele; nic, co opublikowano, nie pozwala jednak kupującemu potwierdzić tego przed podpisaniem.

Co obejrzeć

Trzy rzeczy zmieniłyby tę rekomendację. Pojawienie się Prism w zestawieniu Speech-to-Speech Index dałoby Prism pierwszy niezależny wynik, jaki kiedykolwiek miało. Praca w trybie pełnego dupleksu — Prism jest półdupleksowy i przy premierze obsługuje barge-in — zwiększyłaby przewagę nad każdą kaskadą, która musi czekać, aż rozmówca skończy mówić. A wyjście samoobsługowych interfejsów API do dostrajania z fazy beta to różnica między „przedsiębiorstwa mogą dostrajać” a „możesz dostrajać we wtorek”.

Z drugiej strony obserwuj, co Alibaba zrobi z cenami Qwen-Audio-3.1-TTS po obniżce o około 70%, którą zastosowała 22 września 2026 r. Kaskada, w której zarówno środkowe, jak i ostatnie ogniwa tanieją, jest ruchomym celem, a stawka minutowa Prism jest ustalona względem niej na stałym poziomie.

Dla większości zespołów uczciwa odpowiedź brzmi: jedno i drugie, a nie albo to, albo to. Prism stawiamy przed dzwoniącymi przychodzącymi, których rozmowy wymagają punktu kontrolnego i budżetu latencji jednego skoku. Qwen-Audio-3.0-TTS — a właściwie, bardziej realistycznie, Qwen-Audio-3.1-TTS — umieszczamy na ścieżkach wychodzących, gdzie nikt nie odpowiada, a opłata jest za znak. Błąd polega na wyborze jednego, bo tak powiedziała tabela benchmarków, podczas gdy tabela ma przypis i to przypis wykonuje większość roboty.