Rime Prism vs ElevenLabs: две модели преобразования речи в речь, один показатель задержки

С разницей в одиннадцать дней две компании представили одну и ту же идею и сообщили одно и то же число. Rime Prism появилась 28 октября 2026 года с показателем 0,57 секунды до первого аудио. Eleven Realtime v1 Max, собственная сквозная модель речь-в-речь от ElevenLabs, появилась 20 октября 2026 года — тоже 0,57 секунды. Самое полезное в этом сравнении — это совпадение, потому что оно означает: задержка не является решающим фактором. Когда две модели равны по времени, их различает то, что происходит за эти полсекунды, и эти две проводят их противоположным образом: Eleven Realtime v1 Max слушает и говорит, а Rime Prism сначала пишет.

Это самое близкое сравнение в подборке — и именно здесь выбор действительно имеет значение, потому что оба продукта заменяют весь каскад, а не один компонент, и в обоих случаях аудио оценивается в восемь центов за минуту.

Короткий ответ

Eleven Realtime v1 Max — лучший выбор, когда решающими оказываются покрытие и набор голосов: более 90 языков и более 17 000 голосов — это каталог, с которым не сравнится ни один конкурент в этой паре, а сокет совместим по протоколу с Realtime API от OpenAI, что означает, что миграция сводится к смене эндпоинта, а не к переписыванию.

Rime Prism — лучший выбор, когда то, что говорит агент, должно быть доступно для проверки до того, как оно будет произнесено. Это единственная модель в этой паре, которая передаёт приложению текстовую строку в середине хода с возможностью переписать или заблокировать её, и единственная, предлагающая развёртывание on-prem или в VPC.

Цена обоих составляет $0.080 за минуту аудио, и это кажущееся равенство скрывает реальный разрыв: ElevenLabs взимает $0.080 за минуту подключённого аудио плюс токены модели, тогда как Rime взимает $0.080 за минуту и не взимает плату за токены. Для агента с интенсивными звонками это не разница в округлении.

Что на самом деле объявила каждая компания

ElevenLabs выпустила семейство, а не модель. Eleven Realtime v1 Max — вариант для сложных задач: поддержка, квалификация лидов, всё, где применяются инструменты. Eleven Realtime v1 Mini — разговорный вариант для ассистентов, репетиторов и персонажей. Оба представляют собой единые сквозные сети, которые объединяют распознавание, управление очерёдностью реплик, рассуждение и генерацию голоса в одну систему, а не в три отдельно соединённых этапа. Аргумент, который приводит ElevenLabs в пользу такого подхода, — это шов: мёртвая тишина после паузы, разговор поверх прерывания, транскрипт, не совпадающий с голосом. Это артефакты каскадной архитектуры, и предлагаемое решение — настраивать все четыре этапа вместе.

Путь доступа намеренно скучный, и это комплимент. Eleven Realtime запускается внутри ElevenAgents через выпадающее меню или через Realtime API по адресу wss://api.elevenlabs.io/v1/convai/realtime, который совместим на уровне протокола с Realtime-протоколом OpenAI: измените endpoint и имя модели, и существующий OpenAI SDK заработает без изменений. На момент запуска поддерживается только WebSocket; пути через WebRTC пока нет.

Анонс Rime имеет иной формат. Одна модель, Prism, ориентированная на корпоративные контакт-центры, а её ключевое отличие — текстовый чекпоинт, а не семейство вариантов. Есть бесплатный тариф с $50 кредита, Flex за $0,080/мин, Scale за $0,064/мин и тариф Enterprise, который добавляет VPC и on-prem, а также дообучение на записях клиентских звонков и кастомные голоса. WebRTC тоже нет, но есть стриминг, интеграции с LiveKit и Pipecat, телефония 8 кГц и SOC 2 с заявлениями о соответствии HIPAA.

Одна деталь, которую стоит отметить всем, кто планирует развертывание: ElevenLabs описывает Eleven Realtime как продукт, внедряемый постепенно, а идентификаторы модели присутствуют в его журнале изменений с начала августа. Дата 20 октября — это дата анонса. Если в вашей учетной записи модель не отображается в выпадающем списке ElevenAgents, это поэтапный выпуск, а не ошибка конфигурации.

Контрольная точка — вот в чём настоящая разница.

Обе модели являются сквозными. Только одна из них оставляет текстовый артефакт, с которым можно что-то сделать до того, как звонящий что-либо услышит.

Eleven Realtime v1 Max проходит путь от аудиовхода до аудиовыхода. С другой стороны вызова есть транскрипт, а выше него — системный промпт, но в рамках хода нет момента, когда ваше приложение держит следующую фразу агента как строку и решает, отправлять ли её. Это не критика — это архитектура, которую выбрала ElevenLabs, и именно эта архитектура порождает ту естественность, которую продаёт компания. Сведение четырёх этапов в одну сеть как раз и устраняет доступный для проверки шов.

Prism сохраняет шов. Rime утверждает, что модель набрасывает свой ответ в виде текста, приложение может переписать, заблокировать, пометить или исправить произношение в этом тексте, а аудио следует за ним. Вызовы инструментов выполняются параллельно с речью, а не до неё. Утверждение, что это не каскад, держится на том, что рассуждение происходит поверх аудио — тон, колебания и фоновый шум влияют на ответ — а текст служит промежуточной точкой на выходе, а не на входе.

Для команды комплаенса эта разница — это вся суть закупочного решения. Требование «агент не может сказать X» в Prism можно обеспечить на уровне предложения, а в Eleven Realtime — только на уровне промпта, то есть вероятностно. Для продуктовой команды, создающей персонажа или обучающего помощника, всё наоборот: чекпоинт — это накладные расходы, а естественность, которую даёт единая тонко настроенная сеть, и есть продукт.

Два числа по 0,57 секунды, которые не являются одним и тем же измерением

Паритет реален, но инструменты различаются, и эта разница имеет значение, если вы планируете ссылаться на любой из этих показателей.

0,57 секунды у Eleven Realtime v1 Max — это измерение Artificial Analysis: третья сторона провела его на том же таймере, что и для других своих записей speech-to-speech, и опубликовала результат. Eleven Realtime v1 Mini показывает 0,62 секунды на том же инструменте.

0,57 секунды у Prism — это собственная цифра Rime, полученная на тестовом стенде τ-Voice, который также использует Artificial Analysis, но прогон выполняла Rime. На момент запуска у Prism не было публичной записи в таблице лидеров. Таким образом, за одним числом стоит арбитр, а за другим — нет, хотя оба совпадают до двух знаков после запятой. Подавать их рядом как равный результат допустимо; подавать их как равнозначные доказательства — нет.

Остальные оценки резко расходятся — и снова на разных инструментах. Eleven Realtime v1 Max показывает 98,8% в Big Bench Audio против 75,9–76% у Mini, успешность выполнения задач — 87,1% против 60,3%, Full-Duplex-Bench — 94,1 против 95,8%, а Arena Elo — около 997–998 против 988. Он также не оценивается по Speech-to-Speech Index и не имеет агентного балла τ-Voice — поэтому нет опубликованного числа, которое вообще поставило бы Eleven Realtime v1 Max и Prism на одну ось. Тот, кто ставит 56,6 у Prism против 98,8 у ElevenLabs, сравнивает бенчмарк выполнения задач с бенчмарком качества аудио и получает бессмысленный разрыв в 42 пункта.

Разница в цене заключается в строке токена.

На первый взгляд оба продукта стоят по восемь центов в минуту. Но загляните в тарифные карты — и это не так.

• ElevenLabs — $0.080 за минуту подключённого аудио плюс токены модели. Eleven Realtime v1 Mini — $0.20 за входные и $6.00 за выходные токены за миллион токенов; v1 Max — $1.80 за входные и $9.00 за выходные. Превышение лимита Burst удваивает тариф на аудио до $0.16/мин. В ElevenAgents стандартный тариф — $0.08/мин плюс токены LLM.

• Rime — $0,080 за минуту аудио Prism на Flex, $0,064 на Scale, без дополнительной платы за токены. Бесплатный тариф включает $50 кредита на использование Prism, Mist v3, Coda v2 и Rime STT.

Сколько вам стоит строка расходов на токены, целиком зависит от того, сколько «думает» агент. Пятиминутный звонок в поддержку, где агент совершает восемь ходов и на каждом ходе рассуждает над несколькими тысячами токенов, не бесплатен при цене $1,80 за миллион входных и $9,00 за миллион выходных токенов на Max — это второй счётчик, работающий параллельно с первым. Для короткого ассистента на Mini с обилием подтверждающих реплик строка токенов — незначительный шум. Для развёртывания на Max с настоящей оркестрацией инструментов она может соперничать с платой за аудио.

У фиксированной минуты Rime есть своя ловушка, и она противоположна первой. Prism тарифицирует аудио звонка, а не речь агента, поэтому звонок с многословным клиентом стоит столько же, сколько звонок, в котором агент говорит без умолку. Если в ваших звонках преобладают короткие реплики агента и длинные реплики клиента, поминутная ставка Prism — более дорогая из двух, причём эта разница никак не связана с моделями.

Прежде чем брать на себя обязательства, смоделируйте оба счётчика на вашем собственном распределении вызовов. Ни один из поставщиков не публикует калькулятор, и рекламная цифра в восемь центов на самом деле не та сумма, которую вам выставят ни тот, ни другой.

Охват, голоса и вопрос развёртывания

ElevenLabs настолько решительно побеждает по охвату, что об этом стоит сказать прямо, а не замалчивать: более 90 языков и более 17 000 голосов. Rime вообще не публикует ни количество языков Prism, ни его каталог голосов, хотя её отдельные продукты синтеза речи публикуют свои показатели, и эти цифры нельзя механически переносить на Prism.

Эта асимметрия сама по себе определяет значительную долю реальных внедрений. Европейскому ритейлеру, выходящему на девять рынков, не нужно читать остаток этой статьи.

Развёртывание — вот где всё меняется в обратную сторону. Rime предлагает VPC и on-prem в тарифе Enterprise наряду с облаком, а также опцию совместно размещённого эндпоинта для своих TTS-моделей. Eleven Realtime на старте — это хостируемый WebSocket-сервис. Аргумент Rime — что передовые realtime API существуют только в облаке, тогда как Prism позволяет контролировать, где хранится аудио — это реальный дифференциатор для здравоохранения, финансового сектора и любого покупателя с пунктом о местонахождении данных в контракте. Rime заявляет SOC 2 и HIPAA для Prism; ElevenLabs продаёт корпоративные соглашения с DPA и BAA на своих условиях. Оба варианта можно привести в соответствие с проверкой на комплаенс, но только один из них можно привести в соответствие с требованием «аудио никогда не покидает наше здание».

Тонкая настройка — это ещё одна асимметрия, и она указывает в ту же сторону. Rime утверждает, что Prism можно дообучать на собственных записях звонков клиента, а self-serve API для RL и SFT находятся в бете. Инструменты настройки ElevenLabs работают на уровне голоса — клонирование, профессиональные голосовые сценарии, параметры стиля и стабильности, — а не на уровне кастомной акустической модели с рассуждением, обученной на ваших звонках. Если цель — «звучать как наш бренд», на стороне ElevenLabs это уже решённая задача. Если цель — «стать лучше в нашем конкретном потоке заказов», только один из них предлагает это.

Где OrcaRouter подходит, а где нет

Ни Prism, ни Eleven Realtime нет в нашем каталоге. Prism продаётся напрямую компанией Rime; модели Eleven Realtime продаются напрямую ElevenLabs и через несколько сторонних платформ. Если вы выберете любой из них, вы покупаете у вендора, и эта статья не собирается делать вид, что это не так.

Причина, по которой OrcaRouter всё ещё уместен в этом решении, заключается в том, что end-to-end речевые модели не устраняют из вашего стека все модели. Обоим этим продуктам по-прежнему нужны слой политик, этап извлечения, классификатор и путь эскалации, а это обычные вызовы моделей. Один ключ охватывает более 200 моделей с наценкой 0% к прейскуранту провайдера, поэтому дешёвая модель защиты и дорогая модель эскалации работают через один эндпоинт с автоматическим переключением при сбое — а это как раз то, что важно при живом звонке, где зависший провайдер неотличим от оборванной линии. DSL маршрутизации — это способ выразить «оставить подтверждение локальным и дешёвым, а поиск эскалировать», и это правило стоит записать один раз в шлюзе, а не три раза в агенте.

Если вам на самом деле нужен каскад с хостинговым синтезом, openai/tts-1-hd и google/gemini-3.1-flash-tts-preview доступны по тому же ключу по каталожной цене. Разные инструменты, один счёт.

Как принять решение за десять минут

Три вопроса, по порядку, и остановитесь на первом, на который вы ответите «да».

Вам нужно работать более чем с несколькими языками или нужен конкретный голос из очень большого каталога? Eleven Realtime v1 Max или v1 Mini. Каталог — это и есть продукт, а Prism не публикует сопоставимого.

Должно ли то, что говорит ваш агент, быть одобрено до того, как это услышит звонящий, или аудио должно оставаться внутри вашей сети? Rime Prism. Checkpoint и локальный тариф — это две вещи, которых ElevenLabs здесь не предлагает, и их нельзя добавить позже как функции.

Если ни одно из этих условий не является ограничивающим и решающим фактором становится стоимость? Тогда прогоните обе метрики на собственных данных о вызовах, потому что заявленные восемь центов совпадают, а строка по токенам — нет. Ассистент с короткими ходами и низким уровнем рассуждений на Mini обойдёт Prism по цене. А развёртывание Max с интенсивным использованием инструментов, вероятно, — нет.

Следующее, за чем стоит следить, — это одно число, которое всё решит. У Eleven Realtime v1 Max нет оценки τ-Voice, а у Prism нет независимой. Если любая из этих моделей попадёт в публичный лидерборд, измеренный кем-то, кроме её поставщика, это сравнение сильно сократится. До тех пор две модели идут вровень — 0,57 секунды по двум разным секундомерам, — а всё остальное — архитектура.

И последнее замечание по приведённым выше цифрам: оценки Eleven Realtime — это данные Artificial Analysis, карточки цен — собственные данные поставщиков, а 56,6 у Prism — это показатель Rime. Ни один инструмент в этой статье не выводит обе модели на одну ось, поэтому материал построен вокруг архитектуры и покрытия, а не вокруг табло с оценками.