Rime Prism vs ElevenLabs: dois modelos de fala para fala, um número de latência

Com onze dias de diferença, duas empresas lançaram a mesma ideia e relataram o mesmo número. Rime Prism chegou em 28 de outubro de 2026, com 0,57 segundo até o primeiro áudio. Eleven Realtime v1 Max, o modelo fim a fim de fala para fala da própria ElevenLabs, chegou em 20 de outubro de 2026 — também 0,57 segundo. A coincidência é a coisa mais útil desta comparação, porque significa que a latência não é o critério de decisão. Quando dois modelos estão empatados no relógio, o que os separa é o que acontece no meio segundo, e esses dois o passam de maneiras opostas: Eleven Realtime v1 Max escuta e fala, enquanto Rime Prism escreve primeiro.

Esta é a comparação mais próxima do lote e aquela em que a escolha realmente importa, porque ambos os produtos substituem toda a cascata em vez de um único componente, e ambos cobram oito centavos por minuto pelo áudio.

A resposta curta

Eleven Realtime v1 Max é a melhor escolha quando a cobertura e o inventário de vozes decidem o negócio: mais de 90 idiomas e mais de 17 000 vozes constituem um catálogo que nenhum concorrente deste par consegue igualar, e o socket é compatível ao nível do protocolo de rede com a Realtime API da OpenAI, o que significa que uma migração se reduz a uma alteração de endpoint em vez de uma reescrita.

Rime Prism é a melhor escolha quando o que o agente diz precisa ser inspecionável antes de ser falado. É o único modelo deste par que entrega ao aplicativo uma string de texto no meio do turno, com a opção de reescrevê-la ou bloqueá-la, e o único que oferece implantação on-prem ou em VPC.

Ambos custam US$ 0,080 por minuto de áudio, e essa aparente paridade esconde uma diferença real: a ElevenLabs cobra US$ 0,080 por minuto de áudio conectado mais tokens de modelo, enquanto a Rime cobra US$ 0,080 por minuto e não cobra tokens. Em um agente com alto volume de chamadas, isso não é uma diferença de arredondamento.

O que cada empresa realmente anunciou

A ElevenLabs lançou uma família, não um modelo. O Eleven Realtime v1 Max é a variante para tarefas complexas — suporte, qualificação de leads, qualquer coisa com uso de ferramentas. O Eleven Realtime v1 Mini é a variante conversacional para assistentes, tutores e personagens. Ambos são redes ponta a ponta únicas que integram reconhecimento, gestão de turnos, raciocínio e geração de voz num só sistema, em vez de três etapas interligadas. O argumento da ElevenLabs para o fazer é a costura: silêncio morto depois de uma pausa, falar por cima de uma interrupção, uma transcrição que não coincide com a voz. São artefactos de cascata, e a solução proposta é afinar as quatro etapas em conjunto.

O caminho de acesso é deliberadamente entediante, o que é um elogio. O Eleven Realtime funciona dentro do ElevenAgents por meio de um menu suspenso, ou por meio de uma Realtime API em wss://api.elevenlabs.io/v1/convai/realtime que é compatível em nível de protocolo com o protocolo Realtime da OpenAI — basta alterar o endpoint e o nome do modelo, e um SDK existente da OpenAI funciona sem alterações. No lançamento, é apenas WebSocket; ainda não há caminho WebRTC.

O anúncio da Rime tem um formato diferente. Um modelo, o Prism, posicionado para centros de contacto empresariais, tendo como argumento diferenciador o checkpoint de texto e não uma família de variantes. Há um nível gratuito com $50 de crédito, o Flex a $0.080/min, o Scale a $0.064/min e um nível Enterprise que acrescenta VPC e on-prem, além de fine-tuning em gravações de chamadas de clientes e vozes personalizadas. Também não há WebRTC, mas há streaming, integrações com LiveKit e Pipecat, telefonia de 8 kHz e SOC 2 com alegações de conformidade com a HIPAA.

Um detalhe que vale a pena destacar para quem planeja uma implantação: a ElevenLabs descreve o Eleven Realtime como sendo disponibilizado gradualmente, e os identificadores do modelo já existem em seu changelog desde o início de agosto. A data de 20 de outubro é o anúncio. Se sua conta não exibir o modelo na lista suspensa do ElevenAgents, isso é uma liberação escalonada, e não uma configuração incorreta.

O checkpoint é a verdadeira diferença.

Ambos os modelos são ponta a ponta. Apenas um deles deixa um artefato de texto sobre o qual você pode agir antes que o chamador ouça qualquer coisa.

O Eleven Realtime v1 Max vai da entrada de áudio à saída de áudio. Do outro lado da chamada há uma transcrição, e há um prompt de sistema antes dela, mas não existe nenhum ponto no turno em que sua aplicação mantenha a próxima frase do agente como uma string e decida se deve enviá-la. Isso não é uma crítica — é a arquitetura que a ElevenLabs escolheu, e é a arquitetura que produz a naturalidade que a empresa está vendendo. Juntar quatro estágios em uma única rede é precisamente o que elimina a costura inspecionável.

A Prism mantém a costura. A Rime diz que o modelo redige a resposta em texto, que o aplicativo pode reescrever, bloquear, marcar ou corrigir a pronúncia nesse texto, e que o áudio vem em seguida. As chamadas de ferramentas são executadas em paralelo com a fala, e não antes dela. A afirmação de que isto não é uma cascata assenta no facto de o raciocínio acontecer sobre o áudio — tom, hesitação e ruído de fundo informam a resposta —, com o texto como ponto de passagem de saída e não como entrada.

Para uma equipe de conformidade, essa diferença é o que decide toda a aquisição. “O agente não pode dizer X” é aplicável no Prism no nível da frase e aplicável no Eleven Realtime apenas no nível do prompt, ou seja, probabilisticamente. Para uma equipe de produto que cria um personagem ou um tutor, o inverso vale: o checkpoint é sobrecarga, e a naturalidade que vem de uma única rede ajustada é o produto.

Dois números de 0,57 segundo que não são a mesma medição

A paridade é real, mas os instrumentos diferem, e a diferença importa se você pretende citar qualquer um dos dois números.

Os 0,57 segundos do Eleven Realtime v1 Max são uma medição do Artificial Analysis — um terceiro a executou, no mesmo cronômetro usado para suas outras entradas de fala para fala, e publicou o resultado. O Eleven Realtime v1 Mini fica em 0,62 segundos no mesmo instrumento.

Os 0,57 segundos do Prism são um número do próprio Rime, produzido no harness τ-Voice que a Artificial Analysis também usa, mas executado pela Rime. O Prism não tinha entrada pública no leaderboard no lançamento. Assim, um número tem um árbitro e o outro não, embora ambos sejam o mesmo valor até duas casas decimais. Reportá-los lado a lado como empate é defensável; reportá-los como evidências equivalentes não é.

As outras pontuações divergem bastante, e novamente em instrumentos diferentes. O Eleven Realtime v1 Max registra 98,8% no Big Bench Audio, contra 75,9% a 76% do Mini; taxa de sucesso na tarefa de 87,1%, contra 60,3%; Full-Duplex-Bench de 94,1, contra 95,8%; e um Arena Elo em torno de 997 a 998, contra 988. Ele também não tem pontuação no Speech-to-Speech Index e não possui pontuação agêntica τ-Voice — portanto, não há nenhum número publicado que coloque Eleven Realtime v1 Max e Prism no mesmo eixo. Qualquer pessoa que compare os 56,6 do Prism com os 98,8 da ElevenLabs está comparando um benchmark de conclusão de tarefas com um benchmark de qualidade de áudio e obtendo uma diferença sem sentido de 42 pontos.

A diferença de preço está na linha do token

À primeira vista, os dois produtos custam oito centavos por minuto. Leia as tabelas de tarifas e eles não custam.

• ElevenLabs — $0.080 por minuto de áudio conectado, mais tokens do modelo. O Eleven Realtime v1 Mini custa $0.20 de entrada e $6.00 de saída por milhão de tokens; o v1 Max custa $1.80 de entrada e $9.00 de saída. O excesso de burst dobra a tarifa de áudio para $0.16/min. Dentro do ElevenAgents, a tarifa padrão é $0.08/min mais tokens de LLM.

Rime — $0.080 por minuto de áudio do Prism no Flex, $0.064 no Scale, sem cobrança adicional de tokens. O plano gratuito inclui $50 de crédito de uso em Prism, Mist v3, Coda v2 e Rime STT.

Quanto a linha de tokens custa a você depende inteiramente de quanto o agente pensa. Uma chamada de suporte de cinco minutos em que o agente faz oito turnos e cada turno raciocina sobre alguns milhares de tokens não é gratuita a US$ 1,80 por milhão de entrada e US$ 9,00 por milhão de saída no Max — é um segundo medidor funcionando ao lado do primeiro. Para um assistente curto e repleto de confirmações no Mini, a linha de tokens é ruído. Para uma implantação Max realizando orquestração real de ferramentas, ela pode rivalizar com a cobrança de áudio.

O minuto fixo da Rime tem a sua própria armadilha, e é a oposta. A Prism cobra pelo áudio da chamada, e não pela fala do agente, então uma chamada com um cliente prolixo custa o mesmo que uma em que o agente não para de falar. Se as suas chamadas tendem a ter turnos curtos do agente e turnos longos do cliente, a tarifa por minuto da Prism é a mais cara das duas, por uma margem que não tem nada a ver com os modelos.

Modele os dois medidores com base na sua própria distribuição de chamadas antes de se comprometer. Nenhum dos fornecedores publica uma calculadora, e o número de destaque de oito centavos genuinamente não é o valor que qualquer um dos dois vai cobrar de você.

Cobertura, vozes e a questão da implantação

A ElevenLabs vence em cobertura de forma tão decisiva que vale a pena declarar isso abertamente, em vez de omitir: mais de 90 idiomas e mais de 17.000 vozes. A Rime não publica de forma alguma a contagem de idiomas ou o inventário de vozes do Prism, embora seus produtos separados de conversão de texto em fala publiquem os seus, e esses números não podem ser transpostos para o Prism.

Essa assimetria, por si só, determina uma grande parte das implementações reais. Um retalhista europeu que entra em nove mercados não precisa de ler o resto deste artigo.

A implantação é onde a balança volta a pender. A Rime oferece VPC e on-prem no Enterprise, além de cloud, mais uma opção de endpoint co-located para seus modelos TTS. O Eleven Realtime, no lançamento, é um serviço WebSocket hospedado. O argumento da Rime — de que as APIs de tempo real de ponta são exclusivas de cloud, enquanto o Prism permite controlar onde o áudio fica — é um diferencial real para saúde, serviços financeiros e qualquer comprador com uma cláusula de residência de dados no contrato. A Rime alega SOC 2 e HIPAA para o Prism; a ElevenLabs vende contratos empresariais com DPAs e BAAs nos seus próprios termos. Ambos podem ser ajustados para satisfazer uma revisão de conformidade, e apenas um deles pode ser ajustado para satisfazer "o áudio nunca sai do nosso prédio".

O ajuste fino é a outra assimetria, e aponta na mesma direção. A Rime diz que o Prism pode ser ajustado com as gravações de chamadas do próprio cliente, com APIs de RL e SFT autoatendidas em beta. A superfície de ajuste da ElevenLabs é no nível da voz — clonagem, fluxos de trabalho de voz profissional, configurações de estilo e estabilidade — em vez de um modelo personalizado de acústica e raciocínio treinado nas suas chamadas. Se o objetivo é "soar como a nossa marca", isso é um problema resolvido no lado da ElevenLabs. Se o objetivo é "melhorar no nosso fluxo de pedidos específico", apenas uma delas oferece isso.

Onde o OrcaRouter se encaixa, e onde não

Nem o Prism nem o Eleven Realtime consta no nosso catálogo. O Prism é vendido diretamente pela Rime; os modelos Eleven Realtime são vendidos diretamente pela ElevenLabs e por várias plataformas de terceiros. Se escolher qualquer um deles, estará comprando do fornecedor, e este artigo não vai fingir o contrário.

O motivo pelo qual o OrcaRouter ainda faz parte desta decisão é que modelos de fala ponta a ponta não eliminam todos os modelos da sua stack. Ambos esses produtos ainda precisam de uma camada de políticas, uma etapa de recuperação, um classificador e um caminho de escalonamento, e essas são chamadas comuns a modelos. Uma única chave cobre mais de 200 modelos com 0% de acréscimo sobre o preço de tabela do provedor, de modo que um modelo de guardrail barato e um modelo de escalonamento caro ficam atrás de um único endpoint com failover automático — que é a parte que importa em uma chamada ao vivo, onde um provedor travado é indistinguível de uma linha derrubada. O DSL de roteamento é como você expressa "mantenha a confirmação local e barata, escale a consulta", e vale a pena escrever essa regra uma vez no gateway em vez de três vezes no agente.

Se o que você realmente quer é uma cascata com síntese hospedada, openai/tts-1-hd e google/gemini-3.1-flash-tts-preview estão na mesma chave pelo preço de tabela. Ferramentas diferentes, mesma fatura.

Como decidir em dez minutos

Três perguntas, em ordem, e pare na primeira à qual você responder sim.

Precisa de operar em mais do que algumas línguas, ou de uma voz específica num inventário muito vasto? Eleven Realtime v1 Max ou v1 Mini. O catálogo é o produto, e a Prism não publica um equivalente.

Algo que seu agente diz precisa ser aprovado antes que um chamador o ouça, ou o áudio precisa permanecer dentro da sua rede? Rime Prism. O checkpoint e o nível on-prem são as duas coisas que a ElevenLabs não está oferecendo aqui, e não são recursos que você pode adicionar depois.

Nenhum desses dois é vinculante, e o fator decisivo é o custo? Então rode os dois medidores com os dados de chamadas da sua própria operação, porque a manchete de oito centavos é igual e a linha de tokens não é. Um assistente de turno curto e baixo raciocínio no Mini superará o Prism em preço. Uma implantação Max com uso intensivo de ferramentas provavelmente não.

O que observar a seguir é o único número que resolveria a questão. O Eleven Realtime v1 Max não tem pontuação τ-Voice, e o Prism não tem uma independente. Se qualquer um dos modelos aparecer em um ranking público medido por alguém que não seja seu fornecedor, esta comparação encurta bastante. Até lá, os dois estão empatados em 0,57 segundo em dois cronômetros diferentes, e o resto é arquitetura.

Uma última nota sobre os números acima: as pontuações do Eleven Realtime são dados da Artificial Analysis, os cartões de preço são dos próprios fornecedores, e o 56,6 do Prism é da Rime. Nenhum instrumento neste artigo coloca os dois modelos em um único eixo, e é por isso que o texto está organizado em torno de arquitetura e cobertura, e não de um placar.