Rime Prism против Inworld Realtime TTS 2: 200 локалей против одного чекпоинта

Вот факт, который должен закрыть большинство версий этого сравнения ещё до того, как кто-либо откроет бенчмарк: Inworld Realtime TTS 2 сообщает о покрытии более чем в 200 локалях и включает 282 встроенных голоса, тогда как Rime Prism вообще не публикует ни количество языков, ни количество голосов. Если вы разворачиваете голосового агента на десятке рынков, это не компромисс, который стоит взвешивать, — это фильтр, отсекающий один вариант. Сравнение остаётся интересным только для покупателя, который работает на одном рынке и подпадает под регулирование, потому что Rime Prism — единственная модель в этой паре, которая позволяет приложению прочитать и заблокировать предложение до того, как звонящий его услышит. Inworld Realtime TTS 2 — это модель синтеза речи с очень хорошей историей о работе в реальном времени, и у неё нет эквивалентной контрольной точки, потому что к моменту, когда она видит текст, решение уже принято.

Названия тоже вводят в заблуждение — и это уже привело к неверным рекомендациям. «Inworld Realtime TTS 2» — не модель «речь в речь». А Rime Prism — да. Это различие стоит за каждым числом ниже, и о нём стоит сказать до того, как начнутся числа.

Один из них — не агент

Inworld Realtime TTS 2 — это текст на входе и аудио на выходе. Двустороннее поведение — слышать звонящего во время речи и обрабатывать прерывания — обеспечивается отдельным Realtime API от Inworld, который работает по протоколу OpenAI Realtime и заявляет задержку прерывания примерно в 100 мс. Это второй продукт с отдельной интеграцией, а не свойство самой модели TTS. Тот, кто видит «Realtime» в названии модели и предполагает сквозной режим речь-в-речь, неправильно понял каталог.

Prism — это совершенно иная конфигурация. Аудио на входе, аудио на выходе, в одной системе, с текстовой промежуточной точкой посередине и вызовами инструментов, которые выполняются одновременно с речью, а не до неё. Именно поэтому цена рассчитывается за минуту аудио звонка — вы покупаете звонок, а не текст.

Честная формулировка этого сравнения такова: Inworld Realtime TTS 2 — лучшее в своём классе звено синтеза для каскада, который вы собираете, а Prism — замена каскада. Вы можете предпочитать Inworld и всё равно построить агента в форме Prism, просто из большего числа частей. Нельзя предпочитать Prism и при этом получить языковой охват Inworld, потому что он не опубликован.

Показатели охвата и чего они стоят

Список Inworld на удивление конкретен, что само по себе информативно:

• Локали — более 200, из которых 15 имеют качество уровня 1, а 79 — уровня 2.

• Голоса — 282 встроенных, включая 20 тщательно отобранных предустановок.

• Клонирование — zero-shot по аудиофрагменту длительностью от 5 до 15 секунд; Professional Voice Cloning — в предварительной версии и только для флагманских тарифов.

• Непрерывность — единая последовательная идентичность голоса, сохраняемая во всех языках, и именно эта особенность делает запуск бренда на нескольких рынках продуманным, а не переводным.

• Аудио — вывод в форматах MP3, WAV, OGG, FLAC и PCM, от 8 кГц до 48 кГц, по умолчанию 24 кГц.

• Пропускная способность — 2 000 символов на запрос, потоковая передача через WebSocket при 20 одновременных подключениях и 5 контекстах.

• Задержка — серверное время P99 до первого байта менее 100 мс для TTS-2; вариант Flash, выпущенный 31 августа 2026 года, заявляет менее 25 мс, а сторонние измерения показывают около 25 мс.

Разделение на Tier 1 и Tier 2 — это то, на что стоит обратить внимание, а не заголовок о более чем 200 локалях. Пятнадцать локалей флагманского качества из 200 поддерживаемых — это по-настоящему честное раскрытие информации, и оно показывает, где продукт действительно доработан. Если ваши рынки — английский, испанский, португальский, немецкий, французский и японский, вы, вероятно, относитесь к Tier 1, и заголовок соответствует действительности. Если же это остальные 185, вы находитесь в той части каталога, которая существует, но не была проработана.

Сравните это с Prism: отсутствие опубликованного списка там ещё не свидетельство плохого покрытия — Rime публикует данные о количестве языков и голосов для своих отдельных продуктов синтеза речи, но не для Prism, — однако оно свидетельствует о том, что планировать на его основе нельзя. Для развёртывания на одном рынке на языке, под который Rime и создаёт свои решения, это отсутствие ничего вам не стоит. Для чего-либо более широкого оно и есть весь ответ.

Вопрос о дуплексе, который никто не задаёт

«Realtime TTS» и «speech-to-speech» звучат как одно и то же обещание, но при перебивании ведут себя совершенно по-разному.

В каскаде, построенном на Inworld Realtime TTS 2, обработка прерываний — это задача координации между тремя сервисами. Распознаватель должен обнаружить, что абонент начал говорить, оркестратор должен отменить ход языковой модели, а синтезатор должен остановиться посреди потока и очистить свой буфер. Realtime API от Inworld хорошо выполняет половину работы синтезатора — примерно 100 мс на прерывание — но две другие половины остаются на вас, и сбой слышен: агент продолжает говорить ещё какое-то время после того, как абонент начал, а затем перезапускает предложение не с того места.

Prism решает это в рамках одной модели, а Rime называет обработку прерываний тезисом для разговоров с дизайн-партнёрами. Это не бенчмарк, который можно прочитать; это класс багов, которых у вас просто больше не будет. Для линии поддержки, где звонящие постоянно перебивают агента, это стоит больше, чем несколько пунктов Elo.

Контраргумент состоит в том, что хорошо построенный каскад с агрессивным путём отмены действительно хорошо справляется с этим, а код координации — известная величина, которую многие команды уже написали. Обработка прерываний сложна, но не невозможна, и разрыв между двумя архитектурами сокращается по мере инженерных усилий. Не сокращается лишь количество сервисов, из-за которых вас будят в 3 часа ночи.

Цена: четыре цента против четырёх центов, так сказать.

Цены Inworld за символ, цены Prism за минуту аудио звонка и пересчёт между ними — именно здесь честные сравнения идут не так.

• Inworld Realtime TTS 2 — 25 долларов за миллион символов при оплате по запросу, 12,50 доллара на плане Growth и примерно до 5 долларов при корпоративном объеме. TTS-2 Flash — 15, 7 и менее 5 долларов на тех же тарифных уровнях. При примерно 1 000 символов в минуту речи тариф по запросу составляет около 0,025 доллара за минуту сгенерированного аудио.

• Rime Prism — 0,080 долл. США за минуту аудиозвонка на Flex, 0,064 долл. США на Scale, 50 долл. США бесплатного кредита на бесплатном тарифе, индивидуальные условия на Enterprise.

Итак, минута речи агента стоит около 2,5 цента у Inworld и 8 центов у Prism. Именно эту цифру указывают сравнительные таблицы, и она вводит в заблуждение по двум причинам.

Первое: центы Inworld оплачивают лишь один хоп. Каскад добавляет распознавание — обычно от половины цента до цента за минуту — и обращение к языковой модели, которое при разговорных объёмах попадает в нижнюю часть однозначных значений. Сложите эти три компонента — и получится около шести–девяти центов за минуту речи агента, что охватывает показатель Prism в восемь центов. Разрыв в таблице — артефакт сравнения компонента с системой.

Второе — минута Prism не является минутой речи агента. Он тарифицирует аудио звонка, поэтому звонящий, который говорит четыре минуты и слушает агента одну, стоит Prism как пять минут. Ценообразование Cascade зависит от того, сколько говорит агент; у Prism — от того, сколько длится звонок. В очереди поддержки с длинными репликами клиентов это реальная надбавка. В сценарии бронирования, где агент говорит большую часть времени, это почти уравнивается.

Структура тарифов Inworld добавляет практическое ограничение, которое стоит проверить: тариф Creator за $25 в месяц, $25 за миллион символов по запросу, $12.50 на Growth, enterprise — по индивидуальному соглашению. Ограничение одновременных подключений — 20 соединений WebSocket на потоковом пути; для очереди среднего размера этого достаточно, а для крупной это становится узким местом.

Контроль: у одного есть точка опоры, у другого — нет.

Именно здесь Prism оправдывает свою премиальную цену, и это структурное отличие, а не пробел в функциональности.

Inworld Realtime TTS 2 действительно изощрённо работает с контекстом. Он читает предыдущие реплики как аудиовход, принимает свободные указания по голосу на обычном английском, поддерживает встроенные теги и режим посимвольного произнесения для номеров заказов, кодов и адресов. Этот режим посимвольного произнесения — самое близкое к управлению до начала речи в этом сравнении, и он хорош: синтезатор, который может сказать «четыре-семь-два» вместо «четыреста семьдесят два», решает реальный класс сбоев в звонках в службу поддержки.

Но он действует на текст, который вы уже утвердили. В рамках реплики нет момента, когда Inworld сообщает вашему приложению: «Вот что я собираюсь сказать», — и ждёт. Режим произнесения по буквам исправляет произношение, а не содержание.

Prism говорит вам это на каждой реплике. Утверждение Rime состоит в том, что текст — это контрольная точка, а не промежуточный этап: защитный барьер может проверить каждое слово до того, как оно произнесено; слой политик может переписать отклонённое предложение, и модель произнесёт замену; запрещённое утверждение можно заблокировать полностью, пока вызов продолжается. То, является ли рассуждение модели действительно аудио-нативным, — это утверждение, которое стоит проверить; то, что текст поступает до аудио, — это факт дизайна.

Для регулируемого развёртывания на одном рынке этот факт — причина платить восемь центов вместо сборки более дешёвого каскада. Во всех остальных случаях это функция, которую вы покупаете и которая вам может не понадобиться.

Что на самом деле говорят заявления из таблицы лидеров

Inworld продвигает Realtime TTS 2 как номер один на Artificial Analysis Speech Arena. В независимых рейтингах арены у него около 1 245 Elo, и он занимает третье место в текущей таблице, а TTS-2 Flash — около 1 210 Elo и шестое место. Место в топ-3 на публичной арене — отличный результат и более полезное заявление, чем маркетинговое; это расхождение — столкновение позиционного заявления с живой таблицей, которая меняется по мере прибытия голосующих.

Для Prism нет аналога. Балл 56,6 по τ-Voice — это показатель завершения агентных задач, который Rime получила самостоятельно, на тестовом стенде, который также использует Artificial Analysis, при этом на момент запуска не было опубликованной записи в таблице лидеров. Эти два числа измеряют разные вещи — как голос звучит для людей-оценщиков по сравнению с тем, как часто агент выполняет смоделированную задачу обслуживания — и не существует арифметики, позволяющей превратить одно в другое.

Эта асимметрия — опять же, сравнение в миниатюре. У Inworld есть оценка качества голоса с арбитром. У Prism есть оценка возможностей агента без него. Ни одна из компаний не опубликовала прямого сравнения, и ни одна из моделей никогда не запускалась на одной и той же задаче одной и той же лабораторией.

Если вы построите каскад, мы маршрутизируем середину.

Inworld Realtime TTS 2 продаётся напрямую компанией Inworld и через несколько сторонних платформ. Rime Prism продаётся напрямую компанией Rime. Ни того, ни другого сегодня нет в каталоге OrcaRouter, и этот материал не утверждает обратного.

Каскадная архитектура, к которой относится модель Inworld, по-прежнему требует языковой модели в середине, и именно в этой середине фактически решаются вопросы качества и стоимости. OrcaRouter объединяет более 200 моделей за одним ключом с наценкой 0% к прайс-листу провайдера, с автоматическим переключением при деградации провайдера и DSL маршрутизации для направления разных реплик к разным моделям — дешёвая для подтверждения, мощная для поиска, всё через одну конечную точку. Для голосового агента это и есть полезная единица: одно место для смены модели без изменения пути вызова.

Мы также предоставляем маршрутизацию синтеза, если вы хотите использовать её на том же ключе, а не оформлять второй контракт: openai/tts-1-hd и google/gemini-3.1-flash-tts-preview — оба доступны по стандартной цене. Ни один из них не является Inworld Realtime TTS 2. Оба представляют собой последнее звено каскада, который можно собрать уже сегодня.

Два вопроса, и тот, который всё решает

Вопрос первый: сколько языков? Если ответ — больше, чем несколько, Inworld Realtime TTS 2, и сравнение окончено. Двести локалей с опубликованным списком Tier 1 из пятнадцати позиций лучше неопубликованного списка без привязанных цифр, а проводить закупку по пустому полю невозможно.

Вопрос второй: нужно ли кому-то утвердить предложение до того, как оно будет произнесено? Если да, то Prism. Не потому, что она лучше в синтезе речи — доказательств ни за, ни против нет — а потому, что это единственная модель здесь, которая создаёт предложение как артефакт, который ваше приложение может хранить. В этом и состоит весь продукт, и это стоит около восьми центов за минуту звонка.

Если ни одно из них не связывает, честный ответ таков: вам стоит построить более дешёвый каскад вокруг синтезатора Inworld и потратить сэкономленные средства на обработку перебиваний, потому что именно эту часть опыта звонящий действительно замечает. Два с половиной цента в минуту за этап синтеза — это сильное предложение от модели, занимающей второе место на публичной арене, а чекпоинт, от которого вы отказываетесь, — именно тот, который вы только что назвали ненужным.

Примечание к цифрам, прежде чем кто-либо на них сошлётся: показатели покрытия, задержки и цены у Inworld — собственные данные Inworld; рейтинг Elo на арене принадлежит Artificial Analysis и расходится с позиционированием Inworld как номера один. Цифра Prism 56,6 принадлежит Rime и не воспроизведена. Ни одна независимая сторона не измеряла ни одну из моделей на предмет того, как она справляется с задачей другой, — и это единственный пробел, который не закрыла ни одна из компаний.