Rime Prism vs Inworld Realtime TTS 2: 200 Localidades Contra um Checkpoint

Eis um fato que deveria encerrar a maioria das versões desta comparação antes que alguém abra um benchmark: o Inworld Realtime TTS 2 publica cobertura em mais de 200 localidades e traz 282 vozes integradas, enquanto o Rime Prism não publica nenhuma contagem de idiomas nem de vozes. Se você está implantando um agente de voz em uma dúzia de mercados, isso não é um trade-off a ponderar — é um filtro que elimina uma opção. A comparação só continua interessante para o comprador que atua em um único mercado e é regulado, porque Rime Prism é o único modelo deste par que permite a um aplicativo ler e bloquear uma frase antes que o chamador a ouça. Inworld Realtime TTS 2 é um modelo de conversão de texto em fala com uma proposta de tempo real muito boa atrelada, e não tem checkpoint equivalente, porque, quando ele vê o texto, a decisão já foi tomada.

Os nomes também são enganosos de um modo que já gerou orientações ruins. “Inworld Realtime TTS 2” não é um modelo de fala para fala. O Rime Prism é. Essa distinção está por trás de todos os números abaixo e vale a pena dizer isso antes que os números comecem.

Um destes não é um agente.

Inworld Realtime TTS 2 é texto na entrada, áudio na saída. O comportamento duplex — ouvir o interlocutor enquanto fala, lidar com interrupções — vem da Realtime API separada da Inworld, que fala o protocolo OpenAI Realtime e anuncia latência de interrupção de aproximadamente 100 ms. Trata-se de um segundo produto com uma segunda integração, não de uma propriedade do próprio modelo TTS. Qualquer um que leia "Realtime" no nome do modelo e assuma fala-para-fala de ponta a ponta leu o catálogo errado.

O Prism é uma forma completamente diferente. Entrada de áudio, saída de áudio, em um único sistema, com um ponto de passagem de texto no meio e chamadas de ferramentas que são executadas junto com a fala, em vez de antes dela. O preço é por minuto de áudio da chamada exatamente por esse motivo — você está comprando a chamada, não o texto.

O enquadramento honesto desta comparação é: o Inworld Realtime TTS 2 é a melhor etapa de síntese da categoria para uma cascata que você monta, e o Prism é um substituto para a cascata. Você pode preferir a Inworld e ainda construir um agente no formato do Prism, só que em mais peças. Não é possível preferir o Prism e obter a cobertura de idiomas da Inworld, porque ela não é publicada.

Os números de cobertura, e o que eles valem

A lista da Inworld é invulgarmente específica, o que por si só já é revelador:

• Localidades — mais de 200, divididas em 15 com qualidade Nível 1 e 79 no Nível 2.

• Vozes — 282 integradas, com 20 predefinições curadas.

• Clonagem — zero-shot com 5 a 15 segundos de áudio; Professional Voice Cloning em prévia e exclusiva do flagship.

• Continuidade — uma identidade vocal única e consistente, mantida em todos os idiomas, e é isso que faz o lançamento de uma marca em vários mercados parecer intencional em vez de traduzido.

• Áudio — saída MP3, WAV, OGG, FLAC e PCM, de 8 kHz a 48 kHz, padrão de 24 kHz.

• Taxa de transferência — 2.000 caracteres por solicitação, streaming via WebSocket com 20 conexões simultâneas e 5 contextos.

• Latência — tempo P99 até o primeiro byte no lado do servidor abaixo de 100 ms para o TTS-2; a variante Flash lançada em 31 de agosto de 2026 afirma ficar abaixo de 25 ms, com medição de terceiros próxima de 25 ms.

A divisão entre Tier 1 e Tier 2 é a parte que merece atenção, em vez da manchete dos mais de 200. Quinze locales com qualidade de ponta entre 200 com suporte é uma divulgação genuinamente honesta, e ela mostra onde o produto está de fato concluído. Se os seus mercados são inglês, espanhol, português, alemão, francês e japonês, você provavelmente está no Tier 1 e a manchete é real. Se eles são os outros 185, você está na parte do catálogo que existe, mas não foi curada.

Compare isso com o Prism, onde a ausência de uma lista publicada não é evidência de cobertura ruim — a Rime publica contagens de idiomas e vozes para seus produtos separados de síntese de voz, mas não para o Prism — ainda assim, é evidência de que você não pode planejar com base nela. Para uma implantação em um único mercado no idioma para o qual a Rime desenvolve, essa ausência não custa nada. Para qualquer escopo mais amplo, ela é a resposta inteira.

A pergunta duplex que ninguém faz

"TTS em tempo real" e "fala para fala" soam como a mesma promessa, mas se comportam de maneira totalmente diferente sob interrupção.

Em uma cascata baseada no Inworld Realtime TTS 2, o tratamento de interrupções é um problema de coordenação entre três serviços. O reconhecedor precisa perceber que o interlocutor começou a falar, o orquestrador precisa cancelar o turno do modelo de linguagem, e o sintetizador precisa parar no meio do fluxo e limpar seu buffer. A API Realtime da Inworld faz bem a metade do sintetizador — cerca de 100 ms para interromper —, mas as outras duas metades são responsabilidade sua, e a falha é audível: o agente continua falando por um instante depois que o interlocutor começou e então recomeça uma frase do lugar errado.

A Prism lida com isso dentro de um único modelo, e a Rime cita o tratamento de interrupções como um ponto de discussão junto a parceiros de design. Isso não é um benchmark que você possa ler; é uma classe de bug que você deixa de ter. Para uma linha de suporte em que os chamadores falam por cima do agente o tempo todo, isso vale mais do que alguns pontos de Elo.

O contra-argumento é que uma cascata bem construída com um caminho de cancelamento agressivo é genuinamente boa nisso, e o código de coordenação é algo já conhecido que muitas equipes já escreveram. O tratamento de interrupções é difícil, não impossível, e a diferença entre as duas arquiteturas diminui com esforço de engenharia. O que não diminui é o número de serviços pelos quais você é acionado às 3 da manhã.

Preço: quatro centavos contra quatro centavos, mais ou menos

Os preços da Inworld por caractere, os preços da Prism por minuto de áudio de chamada, e a conversão entre eles é onde as comparações honestas dão errado.

• Inworld Realtime TTS 2 — US$ 25 por milhão de caracteres sob demanda, US$ 12,50 no Growth, chegando a cerca de US$ 5 no volume empresarial. O TTS-2 Flash custa US$ 15, US$ 7 e menos de US$ 5 nos mesmos níveis. A aproximadamente 1.000 caracteres por minuto de fala, a tarifa sob demanda é de cerca de US$ 0,025 por minuto de áudio gerado.

• Rime Prism — $0,080 por minuto de áudio de chamadas no Flex, $0,064 no Scale, $50 de crédito grátis no nível gratuito, personalizado no Enterprise.

Então, um minuto de fala do agente custa cerca de 2,5 centavos na Inworld e 8 centavos na Prism. Esse é o número que as tabelas de comparação imprimem, e é enganoso por dois motivos.

A primeira é que os centavos da Inworld compram uma etapa. Uma cascata acrescenta reconhecimento — tipicamente meio centavo a um centavo por minuto — e um turno de modelo de linguagem, que, em volumes conversacionais, fica na casa dos poucos centavos. Some os três e você chega perto de seis a nove centavos por minuto falado pelo agente, o que abrange os oito da Prism. A diferença na tabela é um artefato de comparar um componente com um sistema.

A segunda é que o minuto do Prism não é um minuto de fala do agente. Ele cobra pelo áudio da chamada, então um cliente que fala por quatro minutos e ouve o agente por um custa ao Prism o equivalente a cinco minutos. O preço do Cascade escala com quanto o agente fala; o do Prism escala com quanto tempo a chamada dura. Em uma fila de suporte com turnos longos do cliente, isso representa um acréscimo real. Em um fluxo de agendamento em que o agente fala a maior parte do tempo, fica quase empatado.

A estrutura de planos da Inworld acrescenta uma restrição prática que vale a pena conferir: um plano Creator de US$ 25 por mês, US$ 25 por milhão de caracteres sob demanda, US$ 12,50 no Growth, Enterprise personalizado. A concorrência é de 20 conexões WebSocket no caminho de streaming, o que, para uma fila de tamanho médio, é adequado e, para uma grande, é o limite restritivo.

Controle: um tem um lugar para ficar em pé, o outro não

É aqui que o Prism justifica o seu preço premium, e trata-se de uma diferença estrutural, e não de uma lacuna de funcionalidades.

O Inworld Realtime TTS 2 é genuinamente sofisticado no que diz respeito ao contexto. Ele lê turnos anteriores como entrada de áudio, aceita instruções de voz em formato livre, em inglês simples, e oferece suporte a tags inline e a um modo de soletração caractere por caractere para números de pedido, códigos e endereços. Esse modo de soletração é o que mais se aproxima de um controle pré-fala nesta comparação, e ele é bom — um sintetizador capaz de dizer "quatro-sete-dois" em vez de "quatrocentos e setenta e dois" resolve uma classe real de falhas em chamadas de suporte.

Mas ele atua sobre um texto que você já definiu. Não há momento algum no turno em que a Inworld diga à sua aplicação “isto é o que estou prestes a dizer” e aguarde. O modo de soletração corrige a pronúncia, não o conteúdo.

O Prism diz a você, a cada turno. A alegação da Rime é que o texto é um checkpoint, e não um intermediário: uma salvaguarda pode inspecionar cada palavra antes de ser falada, uma camada de política pode reescrever uma frase rejeitada e o modelo fala a substituição, uma afirmação proibida pode ser bloqueada de imediato enquanto a chamada continua. Se o raciocínio do modelo é genuinamente nativo de áudio é uma alegação que vale a pena testar; se o texto chega antes do áudio é um fato de design.

Para uma implantação regulamentada em um único mercado, esse fato é o motivo para pagar oito centavos em vez de montar uma cascata mais barata. Para todo o resto, é um recurso que você está comprando e pode não precisar.

O que as alegações do ranking realmente dizem

A Inworld promove o Realtime TTS 2 como número um na Artificial Analysis Speech Arena. Listagens independentes da arena colocam-no com um Elo de aproximadamente 1.245, na terceira posição do ranking atual, enquanto o TTS-2 Flash aparece com cerca de 1.210, em sexto. Um lugar entre os três primeiros numa arena pública é um excelente resultado e uma afirmação mais útil do que a presente no marketing; a discrepância é uma declaração de posicionamento colidindo com uma tabela ao vivo que muda à medida que os votantes chegam.

Não há equivalente para o Prism. Seu 56,6 no τ-Voice é uma pontuação de conclusão de tarefas agênticas que a própria Rime executou, em um harness que a Artificial Analysis também utiliza, sem entrada publicada em ranking no lançamento. Os dois números medem coisas diferentes — como uma voz soa para avaliadores humanos versus com que frequência um agente conclui uma tarefa de serviço simulada — e não há aritmética que transforme um no outro.

Essa assimetria é, novamente, a comparação em miniatura. A Inworld tem uma pontuação de qualidade de voz com um árbitro. A Prism tem uma pontuação de capacidade do agente sem um. Nenhuma das empresas publicou um confronto direto, e nenhum dos modelos jamais foi executado na mesma tarefa pelo mesmo laboratório.

Se você construir a cascata, nós roteamos o meio.

O Inworld Realtime TTS 2 é vendido diretamente pela Inworld e por meio de várias plataformas de terceiros. O Rime Prism é vendido diretamente pela Rime. Nenhum dos dois está no catálogo da OrcaRouter hoje, e este artigo não afirma o contrário.

A arquitetura em cascata à qual o modelo da Inworld pertence ainda precisa de um modelo de linguagem no meio, e é nesse meio que a qualidade e o custo são de fato decididos. O OrcaRouter coloca mais de 200 modelos atrás de uma única chave, com 0% de margem sobre o preço de tabela do provedor, com failover automático quando um provedor se degrada e uma DSL de roteamento para enviar turnos diferentes a modelos diferentes — barato para a confirmação, capaz para a consulta, tudo por meio de um único endpoint. Para um agente de voz, essa é a unidade útil: um único lugar para trocar o modelo sem mexer no caminho da chamada.

Também encaminhamos a síntese, se você quiser usar a mesma chave em vez de um segundo contrato: openai/tts-1-hd e google/gemini-3.1-flash-tts-preview estão ambos disponíveis pelo preço de tabela. Nenhum deles é o Inworld Realtime TTS 2. Ambos são o último salto de uma cascata que você pode montar hoje.

Duas perguntas, e a que decide tudo

Primeira pergunta: quantos idiomas? Se a resposta for mais do que um punhado, o Inworld Realtime TTS 2 vence, e a comparação acaba aí. Duzentos locales com uma lista Tier 1 publicada de quinze superam uma lista não publicada e sem números anexados, e não se pode conduzir um processo de aquisição com um campo em branco.

Segunda pergunta: alguém precisa aprovar a frase antes de ela ser falada? Se sim, Prism. Não porque seja melhor em fala — não há evidências nem de uma coisa nem de outra — mas porque é o único modelo aqui que produz a frase como um artefato que sua aplicação pode armazenar. Esse é o produto inteiro, e custa cerca de oito centavos por minuto de chamada.

Se nenhum dos dois for vinculante, a resposta honesta é que você deve construir a cascata mais barata em torno do sintetizador da Inworld e gastar a economia no tratamento de interrupções, porque é essa a parte da experiência que quem liga realmente percebe. Dois centavos e meio por minuto pela etapa de síntese é uma oferta forte de um modelo classificado em segundo lugar numa arena pública, e o checkpoint que você está recusando é um que você acabou de nos dizer que não precisa.

Uma nota sobre os números antes que alguém os cite: os números de cobertura, latência e preço da Inworld são da própria Inworld, o Elo da arena é da Artificial Analysis, e este discorda do posicionamento de número um da Inworld. O 56,6 da Prism é da Rime, não reproduzido. Nenhuma parte independente mediu nenhum dos modelos fazendo o trabalho do outro, que é a única lacuna que nenhuma das empresas fechou.