Rime Prism vs Qwen-Audio-3.0-TTS: Um Motor de Conversação Contra uma Camada de Voz

A Rime Prism cobra US$ 0,080 por minuto. Uma chamada de suporte de cinco minutos nela custa US$ 0,40, e esses US$ 0,40 compram a escuta, o raciocínio, a alternância de turnos e a fala em um único modelo. O Qwen-Audio-3.0-TTS cobra US$ 19,30 por milhão de caracteres, o que, para a mesma chamada, dá cerca de US$ 0,10 — apenas pela fala. Coloque esses números lado a lado e a comparação parece resolvida a favor do Qwen. Não está resolvida, porque os dois modelos não concorrem pela mesma posição em uma pilha, e a diferença de US$ 0,30 é, em grande parte, o preço de eliminar duas transferências no caminho entre a frase de um chamador e uma resposta.

A Rime lançou o Prism em 28 de outubro de 2026, um dia antes de esta página ser escrita. Trata-se de um modelo de fala para fala, não de um modelo de texto para fala: ele ouve áudio, elabora uma resposta, escreve essa resposta como texto que um aplicativo pode inspecionar e, em seguida, fala — enquanto continua ouvindo. A Alibaba anunciou o Qwen-Audio-3.0-TTS na WAIC em 20 de julho de 2026, em um nível Plus para qualidade e um nível Flash para tempo real. Esse modelo recebe texto e devolve áudio, e ponto final. A Alibaba o substituiu pelo Qwen-Audio-3.1-TTS em 23 de setembro de 2026, de modo que o 3.0 neste título já é a geração anterior da sua própria família — um detalhe que reaparece mais adiante e muda o que você deve realmente comprar.

A pergunta útil não é qual soa melhor. É qual deles você coloca na frente de quem liga, e como o resto do diagrama precisa ficar se você fizer isso.

Dois produtos, uma posição no diagrama

Um agente de voz convencional é uma cascata: o reconhecimento de fala transforma o áudio do chamador em texto, um modelo de linguagem decide o que dizer, e a conversão de texto em fala transforma essa resposta de volta em áudio. Cada etapa é um ponto onde o sotaque do chamador pode se perder, onde uma palavra de preenchimento é omitida, onde 200 milissegundos são acrescentados.

O argumento de Rime é que a cascata descarta algo que não consegue recuperar. Numa cascata, o modelo de linguagem nunca ouve como o interlocutor disse a coisa — o suspiro, a entoação ascendente no fim de uma pergunta, a pausa antes de um número de cartão de crédito — porque tudo o que recebe é uma transcrição. O Prism mantém o sinal acústico intacto ao longo de todo o processo de decisão e só então emite texto como um ponto de verificação, e não como um formato intermediário.

Isso é uma diferença arquitetural real e é toda a base do produto. Também significa que o Prism não é um substituto direto para um mecanismo de TTS. Coloque-o no último slot de uma cascata e você terá comprado um sintetizador de fala caro que precisa ouvir o chamador primeiro. Coloque o Qwen-Audio-3.0-TTS no slot do Prism e você terá um modelo que não consegue ouvir absolutamente nada.

O que a Rime Prism realmente vende

Prism é o primeiro modelo que a Rime lançou que elimina as etapas de STT e LLM em vez de otimizar uma delas. A camada de texto é o recurso com que os compradores corporativos se importam: uma verificação de política, um filtro de PII ou um supervisor humano podem ler as palavras exatas prestes a serem ditas e, como o modelo continua ouvindo enquanto a verificação é executada, a pausa não precisa ser audível. As chamadas de ferramentas são executadas em paralelo com a fala, e não antes dela, o que é uma maneira diferente de ocultar a latência de uma consulta ao banco de dados em comparação com a pausa habitual de "deixe-me só verificar isso para você".

Os números publicados, todos eles da Rime: 0,57 segundos até o primeiro áudio no benchmark τ-Voice, 56,6% de conclusão de tarefas nesse benchmark e 82,5% em seu subconjunto de telecomunicações. Um teste da Revmo com cerca de dez horas de chamadas reais de pedidos é citado como tendo 100% de confirmações de pedidos contra 68% de um modelo da OpenAI não identificado, com 85% das chamadas sem alucinações contra 35%. Esses números do teste vêm de um estudo de caso de cliente que a Rime encomendou; a metodologia não foi publicada e ninguém a reproduziu.

O preço é por minuto de áudio de chamada e segue o mesmo modelo em todos os níveis: US$ 0,080/min no Flex, sem mensalidade; US$ 0,064/min no Scale, por US$ 100/mês, incluindo US$ 100 de crédito que se acumula até US$ 200; e tarifas por volume no Enterprise. Contas gratuitas recebem US$ 50 de crédito mensal. O Prism faz streaming via WebSockets e oferece integrações para LiveKit e Pipecat. As APIs de ajuste fino SFT e RL de autoatendimento estão em beta, não disponíveis em geral; é no nível Enterprise que ficam a implantação on-premises e em VPC, as vozes personalizadas, um BAA da HIPAA e o SOC 2 Type II.

O que o Qwen-Audio-3.0-TTS realmente vende

O Qwen-Audio-3.0-TTS é um sintetizador com um controle incomum. Ele aceita etiquetas de entrega embutidas — [gasp], [laughs], [angry] — no próprio texto, de modo que a emoção fica associada a um personagem, e não a um parágrafo inteiro. Abrange 16 idiomas e 20 dialetos chineses, renderiza até três minutos em uma única requisição a 48 kHz e vem com uma biblioteca de mais de 1.000 vozes. O nível Plus é o nível de qualidade; o Flash visa a interação em tempo real, e a documentação da Alibaba indica latência do primeiro pacote abaixo de 200 milissegundos, enquanto a cobertura de lançamento anterior citava aproximadamente 300.

O preço de tabela é US$ 0,19253 por 10.000 caracteres na região de Pequim e US$ 0,20 em Singapura, o que equivale a US$ 19,30 a US$ 20 por milhão de caracteres — o valor que a Artificial Analysis exibe em seu leaderboard. A taxa de transferência é limitada a 180 solicitações por minuto em ambas as regiões. Não há pesos, nem opção de auto-hospedagem, nem oferta on-premises: se as regiões da Alibaba forem um problema para sua revisão de residência de dados, este modelo simplesmente não está disponível para você.

O placar

• Categoria — Rime Prism ouve áudio e responde falando; Qwen-Audio-3.0-TTS recebe texto e retorna áudio.

• Lançamento — Prism em 28 de outubro de 2026; Qwen-Audio-3.0-TTS em 20 de julho de 2026, substituído por Qwen-Audio-3.1-TTS em 23 de setembro de 2026.

• Unidade de cobrança — Prism US$ 0,080 por minuto de áudio de chamada no Flex, US$ 0,064 no Scale; Qwen US$ 19,30 por milhão de caracteres no Plus, cerca de US$ 13,75 a US$ 15 por milhão no Flash.

• Latência — Prism 0,57 s até o primeiro áudio, medido pelo fornecedor; Qwen Flash menos de 200 ms para o primeiro pacote, conforme a documentação da Alibaba.

• Pontuação independente — Prism não tem nenhuma no Índice Speech-to-Speech da Artificial Analysis; Qwen-Audio-3.0-TTS-Plus está em Elo 1.269, na sexta posição entre 99 no Text-to-Speech Arena, conforme o ranking estava em 29 de outubro de 2026.

• Idiomas — Prism apenas em inglês no lançamento; Qwen 16 idiomas mais 20 dialetos chineses.

• Implantação — Prism na nuvem, VPC ou local, com HIPAA BAA e SOC 2 Type II no Enterprise; Qwen apenas via Alibaba Cloud Model Studio.

A chamada de cinco minutos, com preço

Suponha uma chamada de suporte recebida de cinco minutos em que o agente fala cerca de 1.000 caracteres por minuto — o próprio FAQ de preços da Rime usa essa proporção para converter entre seu TTS cobrado por caractere e seu Prism cobrado por minuto, portanto é um denominador comum justo. Isso representa 5.000 caracteres de fala.

No Prism, a fatura é de cinco minutos a $0.080, ou $0.40. Na tarifa Scale, é $0.32. Dez mil chamadas desse tipo custam $4,000 e $3,200, respectivamente.

Em uma cascata baseada no Qwen-Audio-3.0-TTS-Plus, os 5.000 caracteres custam US$ 0,0965. Adicione o reconhecimento de fala da própria Rime a US$ 0,002 por minuto — cinco centavos por chamada — e um modelo de texto para o raciocínio. Com um valor combinado de US$ 0,50 por milhão de tokens e alguns milhares de tokens por turno, isso acrescenta bem menos de um centavo. A cascata fica perto de US$ 0,11 por chamada, ou cerca de US$ 1.100 em dez mil chamadas. Usar o Flash em vez do Plus reduz a linha de síntese para aproximadamente US$ 0,069 em Pequim, e o total para cerca de US$ 0,08.

Então, o cascade custa cerca de um quarto do preço do Prism, e a diferença é de US$ 2.900 a US$ 3.200 por dez mil chamadas. Esses são preços de tabela, e as premissas são nossas, não da Rime; o ponto é o formato da diferença, não a terceira casa decimal.

O meio dessa cascata também é o único componente que você pode mover sem tocar nos outros dois. O OrcaRouter encaminha modelos de texto por trás de uma única API — mais de 200 modelos, preço de tabela do provedor repassado com 0% de margem, e failover automático quando um provedor degrada no meio da conversa — para que a etapa de raciocínio possa ser redirecionada para um modelo mais barato ou mais forte entre chamadas. O checkpoint de texto do Prism é texto comum pelo mesmo motivo: tudo o que o consome, desde chamadas de ferramentas até sumarização pós-chamada e pontuação de QA, pode residir em um endpoint roteado e permanecer independente da camada de voz por baixo.

Onde a cascata ainda vence

Centros de contacto multilingues, por exemplo. O Prism é apenas em inglês no lançamento, com um conjunto limitado de vozes. O Qwen-Audio-3.0-TTS é lançado com 16 idiomas e 20 dialetos chineses — e o seu sucessor acrescenta transferência de timbre entre idiomas em mandarim, cantonês, inglês e japonês. Se uma parte significativa de quem liga para você não fala inglês, esta comparação termina na ficha técnica.

A geração one-shot é o segundo caso. Prompts de IVR, notificações de saída, capítulos de audiolivro, diálogos de jogos: nenhum deles envolve um chamador falando de volta, então não há nada para um modelo de fala para fala ouvir. Pagar US$ 0,080 por minuto por um modelo que consegue escutar quando ninguém está falando é pagar por uma metade não utilizada.

O volume é o terceiro. A um quarto do custo por chamada, uma cascata deixa orçamento para as partes que realmente diferenciam um agente — melhor recuperação, um modelo de raciocínio mais forte, roteamento de escalonamento humano.

Onde o Prism ainda vence

A telefonia de entrada regulamentada é o caso para o qual o Prism foi criado. Um banco que precisa conseguir mostrar o que seu agente estava prestes a dizer e bloqueá-lo antes que um cliente o ouça não consegue fazer isso com um modelo fundido em tempo real e só pode aproximá-lo com uma cascata cujo estágio de texto é um serviço separado, com sua própria latência e seu próprio modo de falha. O Prism coloca o ponto de verificação dentro do modelo e continua escutando por meio dele.

Ele também ganha na métrica que decide se uma ligação parece humana: o silêncio morto. Uma cascata que é rápida no papel ainda acumula endpointing, tempo do modelo até o primeiro token e tempo de síntese até o primeiro pacote, e uma cascata que chega a menos de um segundo de ponta a ponta está indo bem. O Prism mede 0,57 segundos desde o fim da fala do chamador até o primeiro áudio da resposta, em um único salto.

E vence na implantação para os compradores que não podem usar de forma alguma uma região de nuvem chinesa — VPC, on-premises, um BAA de HIPAA, SOC 2 Type II e fine-tuning nas suas próprias gravações de chamadas em vez de em uma base compartilhada.

O número que nenhum dos lados pode lhe dar

Nenhum dos modelos tem o dado que uma equipe de compras mais gostaria de ter: uma comparação direta e independente no mesmo benchmark.

O Prism não está listado no Índice Speech-to-Speech da Artificial Analysis. Seu valor de 56,6% no τ-Voice é um resultado obtido pelo próprio fornecedor, e a tabela que a Rime publica junto com ele merece uma leitura cuidadosa: GPT-Live-1 (Sol, low) está plotado em 59,3%, acima do Prism, enquanto o texto ao redor afirma que o Prism está "à frente de todos os modelos em tempo real da OpenAI e do Google". Posts de lançamento também citam "menos de 300 ms" e "4× mais rápido que o GPT-Live", números que não aparecem na tabela de benchmark, que indica 0,57 s. Medições diferentes podem explicar a diferença; a página não explica.

O número do Qwen é o mais forte, porque 1.269 Elo vem de votos de ouvintes cegos, e não da Alibaba. Ele também já não é o melhor número da própria família: o Qwen-Audio-3.1-TTS-Plus ocupa o terceiro lugar, com 1.305, em 29 de outubro de 2026, e revisões da Artificial Analysis já alteraram este ranking mais de uma vez este ano, portanto pontuações de diferentes snapshots nunca devem ser subtraídas umas das outras.

A cautela específica da Rime aponta na direção oposta. As únicas vozes da Rime avaliadas de forma independente são seus modelos de TTS, e, no mesmo ranking, Coda ocupa o 65º lugar, com Elo 1.054, e Mist V2 o 92º, com 903 — a metade inferior de 99. É bem possível que Prism soe melhor que seus irmãos; nada do que foi publicado permite que um comprador confirme isso antes de assinar.

O que assistir

Três coisas mudariam a recomendação. O Prism aparecer no Speech-to-Speech Index lhe daria o primeiro número independente que ele já teve. A operação em full-duplex — o Prism é half-duplex com barge-in no lançamento — ampliaria a vantagem sobre qualquer cascata que precise esperar o chamador terminar. E o fato de as APIs de ajuste fino self-serve saírem da beta é a diferença entre "as empresas podem fazer ajuste fino" e "você pode fazer ajuste fino na terça-feira."

Por outro lado, observe o que a Alibaba faz com o preço do Qwen-Audio-3.1-TTS depois do corte de aproximadamente 70% aplicado em 22 de setembro de 2026. Uma cascata em que tanto o salto intermediário quanto o último estão ficando mais baratos é um alvo móvel, e a tarifa por minuto da Prism é fixa em relação a ela.

Para a maioria das equipes, a resposta honesta é ambos, e não um ou outro. Coloque o Prism na frente dos chamadores de entrada cujas conversas precisam de um checkpoint e de um orçamento de latência de salto único. Coloque Qwen-Audio-3.0-TTS — ou, de forma mais realista agora, Qwen-Audio-3.1-TTS — nos caminhos de saída em que ninguém responde e a cobrança é por caractere. O erro é escolher um deles porque uma tabela de benchmark disse isso, quando a tabela tem uma nota de rodapé e é a nota de rodapé que faz a maior parte do trabalho.