Rime Prism vs Qwen-Audio-3.0-TTS: разговорный движок против голосового слоя

Rime Prism взимает $0.080 за минуту. Пятиминутный звонок в службу поддержки на нём стоит $0.40, и эти $0.40 оплачивают слушание, рассуждение, соблюдение очерёдности реплик и синтез речи в одной модели. Qwen-Audio-3.0-TTS взимает $19.30 за миллион символов, что для того же звонка составляет примерно $0.10 — и только за речь. Сравните эти цифры, и сравнение выглядит решённым в пользу Qwen. Оно не решено, потому что две модели не конкурируют за одно и то же место в стеке, а разница в $0.30 — это в основном цена удаления двух передач управления из цепочки между фразой звонящего и ответом.

Rime выпустила Prism 28 октября 2026 года — за день до того, как была написана эта страница. Это модель речь-в-речь, а не текст-в-речь: она слышит аудио, формирует ответ, записывает этот ответ как текст, который может проверить приложение, а затем озвучивает его — продолжая слушать. Alibaba анонсировала Qwen-Audio-3.0-TTS на WAIC 20 июля 2026 года — в тарифе Plus для качества и в тарифе Flash для работы в реальном времени. Эта модель принимает текст и возвращает аудио — и точка. Alibaba заменила её на Qwen-Audio-3.1-TTS 23 сентября 2026 года, так что 3.0 в этом заголовке — уже предыдущее поколение собственной линейки; этот нюанс вернётся позже и изменит то, что вам на самом деле стоит покупать.

Полезный вопрос — не какой вариант звучит лучше, а какой вы ставите перед звонящим и как тогда должна выглядеть остальная часть диаграммы.

Два продукта, один слот на диаграмме

Обычный голосовой агент — это каскад: распознавание речи превращает аудио звонящего в текст, языковая модель решает, что сказать, синтез речи превращает этот ответ обратно в аудио. Каждый переход — это место, где может потеряться акцент звонящего, где может выпасть слово-заполнитель, где добавляются 200 миллисекунд.

Аргумент Rime состоит в том, что каскад отбрасывает нечто, что не может восстановить. В каскаде языковая модель никогда не слышит, как звонящий произнёс это — вздох, повышение тона в конце вопроса, паузу перед номером кредитной карты, — потому что всё, что она получает, это транскрипт. Prism сохраняет акустический сигнал нетронутым на всём протяжении принятия решения, а затем выдаёт текст как контрольную точку, а не как промежуточный формат.

Это настоящее архитектурное различие, и оно лежит в основе всего продукта. Это также означает, что Prism не является прямой заменой TTS-движка. Поставьте его на последнее место в каскаде — и вы получили дорогой синтезатор речи, которому сначала нужно услышать звонящего. Поставьте Qwen-Audio-3.0-TTS на место Prism — и у вас модель, которая вообще ничего не слышит.

Что на самом деле продаёт Rime Prism

Prism — первая модель, выпущенная Rime, которая устраняет этапы STT и LLM, а не оптимизирует один из них. Текстовый слой — это именно та функция, которая важна корпоративным покупателям: проверка политик, фильтр PII или человек-супервизор могут прочитать точные слова, которые вот-вот будут произнесены, и поскольку модель продолжает слушать, пока выполняется проверка, пауза необязательно должна быть слышимой. Вызовы инструментов выполняются параллельно с речью, а не до неё, что представляет собой иной способ скрыть задержку обращения к базе данных, чем обычная отговорка «сейчас я просто проверю это для вас».

Опубликованные цифры, все от Rime: 0,57 секунды до первого аудио на бенчмарке τ-Voice, 56,6% выполнения задач на этом бенчмарке и 82,5% на его телеком-подмножестве. Испытание Revmo примерно на десяти часах реальных звонков по заказам цитируется как 100% подтверждений заказов против 68% у неназванной модели OpenAI, при этом 85% звонков без галлюцинаций против 35%. Эти цифры испытаний взяты из клиентского кейс-исследования, которое заказала Rime; методология не опубликована, и никто её не воспроизвёл.

Оплата взимается за минуту аудио звонка, и на всех тарифах действует одна и та же модель: $0,080/мин на Flex без ежемесячной платы, $0,064/мин на Scale за $100 в месяц, включая $100 кредита с переносом до $200, а на Enterprise — тарифы за объём. Бесплатные аккаунты получают $50 ежемесячного кредита. Prism передаёт поток по WebSockets и поставляется с интеграциями для LiveKit и Pipecat. API для самостоятельного SFT- и RL-файнтюнинга находятся в бета-версии и не общедоступны; на тарифе Enterprise доступны развёртывание on-premises и в VPC, кастомные голоса, HIPAA BAA и SOC 2 Type II.

Что на самом деле продаёт Qwen-Audio-3.0-TTS

Qwen-Audio-3.0-TTS — это синтезатор с необычным управлением. Он принимает встроенные теги подачи — [gasp], [laughs], [angry] — прямо в тексте, так что эмоция привязана к персонажу, а не ко всему абзацу. Он поддерживает 16 языков и 20 китайских диалектов, синтезирует до трёх минут за один запрос с частотой дискретизации 48 кГц и располагает библиотекой из более чем 1000 голосов. Уровень Plus — это уровень качества; Flash ориентирован на взаимодействие в реальном времени, и документация Alibaba указывает задержку первого пакета менее 200 миллисекунд, тогда как в более ранних публикациях о запуске называлась цифра около 300.

Цена по прайс-листу составляет $0,19253 за 10 000 символов в регионе Пекин и $0,20 в Сингапуре, что соответствует $19,30–$20 за миллион символов — именно эту цифру Artificial Analysis указывает в своей таблице лидеров. Пропускная способность ограничена 180 запросами в минуту в обоих регионах. Весов нет, возможности самостоятельного хостинга нет, и варианта локального развертывания тоже нет: если регионы Alibaba создают проблему для вашей проверки резидентности данных, эта модель вам просто недоступна.

Табло

• Категория — Rime Prism воспринимает аудио и отвечает голосом; Qwen-Audio-3.0-TTS принимает текст и возвращает аудио.

• Запуск — Prism 28 октября 2026 г.; Qwen-Audio-3.0-TTS 20 июля 2026 г., заменена версией Qwen-Audio-3.1-TTS 23 сентября 2026 г.

• Единица тарификации — Prism $0,080 за минуту аудио звонка на Flex, $0,064 на Scale; Qwen $19,30 за миллион символов на Plus, около $13,75–$15 за миллион на Flash.

• Задержка — Prism 0,57 с до первого аудиосигнала, по измерениям производителя; Qwen Flash — менее 200 мс до первого пакета согласно документации Alibaba.

• Независимая оценка — у Prism она отсутствует в индексе Speech-to-Speech от Artificial Analysis; Qwen-Audio-3.0-TTS-Plus занимает Elo 1 269, шестое место из 99 в Text-to-Speech Arena по состоянию на 29 октября 2026 г.

• Языки — Prism: только английский при запуске; Qwen: 16 языков плюс 20 китайских диалектов.

• Развертывание — Prism cloud, VPC или on-premises с HIPAA BAA и SOC 2 Type II на уровне Enterprise; Qwen — только через Alibaba Cloud Model Studio.

Пятиминутный звонок, оценённый

Предположим, пятиминутный входящий звонок в службу поддержки, в котором агент произносит около 1000 символов в минуту — в собственном FAQ Rime по ценообразованию это соотношение используется для пересчёта между её TTS с оплатой за символы и Prism с оплатой за минуты, так что это справедливый общий знаменатель. Это 5000 символов речи.

В Prism счёт составляет пять минут по $0,080, то есть $0,40. По тарифу Scale это $0,32. Десять тысяч таких вызовов стоят $4 000 и $3 200 соответственно.

На каскаде, построенном вокруг Qwen-Audio-3.0-TTS-Plus, 5 000 символов стоят $0,0965. Добавьте собственное распознавание речи от Rime по $0,002 за минуту — пять центов за вызов — и текстовую модель для рассуждений. При усреднённой цене $0,50 за миллион токенов и нескольких тысячах токенов на один ход это добавляет существенно меньше цента. Стоимость каскада составляет около $0,11 за вызов, или примерно $1 100 на десяти тысячах вызовов. Использование Flash вместо Plus снижает стоимость синтеза примерно до $0,069 в Пекине, а общую стоимость — примерно до $0,08.

Итак, каскад стоит примерно четверть цены Prism, а разрыв составляет от $2,900 до $3,200 за десять тысяч вызовов. Это прайсовые цены, и допущения наши, а не Rime; суть в форме разрыва, а не в третьем знаке после запятой.

Средний компонент этой каскады — ещё и единственный, который можно переместить, не затрагивая два других. OrcaRouter маршрутизирует текстовые модели через единый API — более 200 моделей, списочная цена провайдера передаётся без наценки (0 %), а также автоматическое переключение при сбое, когда провайдер деградирует посреди разговора, — поэтому этап рассуждений можно перенаправить на более дешёвую или более мощную модель между вызовами. Текстовый чекпоинт Prism — обычный текст по той же причине: что бы его ни использовало — от вызова инструментов до суммаризации после звонка или оценки качества, — оно может работать через маршрутизируемую конечную точку и оставаться независимым от голосового слоя под ним.

Где каскад всё ещё побеждает

Многоязычные контакт-центры — хотя бы это. Prism на старте поддерживает только английский и имеет ограниченный набор голосов. Qwen-Audio-3.0-TTS поддерживает 16 языков и 20 китайских диалектов, а его преемник добавляет кросс-языковой перенос тембра для путунхуа, кантонского, английского и японского. Если значительная доля ваших звонящих не говорит по-английски, это сравнение заканчивается на таблице характеристик.

Однократная генерация — это второй случай. Подсказки IVR, исходящие уведомления, главы аудиокниг, диалоги в играх: ни в одном из них звонящий не говорит в ответ, так что модели преобразования речи в речь нечего слушать. Платить $0.080 в минуту за модель, которая умеет слушать, когда никто не говорит, — это платить за неиспользуемую половину.

Объём — третий. При стоимости в четверть от цены за вызов каскад оставляет бюджет на те части, которые действительно отличают агента, — улучшенный поиск, более сильную модель рассуждений, маршрутизацию эскалации к человеку.

Где Prism всё ещё выигрывает

Регулируемая входящая телефония — это тот случай, для которого создавался Prism. Банк, который должен иметь возможность показать, что собирался сказать его агент, и заблокировать это до того, как клиент это услышит, не может сделать этого с объединённой моделью реального времени и может лишь приблизительно добиться этого с помощью каскада, текстовый этап которого представляет собой отдельный сервис с собственной задержкой и собственным режимом отказа. Prism помещает контрольную точку внутрь модели и продолжает слушать через неё.

Он также выигрывает по показателю, который определяет, воспринимается ли звонок как человеческий: по длительности тишины. Каскад, быстрый на бумаге, всё равно складывает определение конца реплики, время модели до первого токена и время синтеза до первого пакета, а каскад, укладывающийся менее чем в секунду от начала до конца, — уже хороший результат. Prism показывает 0,57 секунды от конца реплики звонящего до первого аудио ответа — за один хоп.

И он выигрывает в плане развёртывания для покупателей, которые вообще не могут использовать китайский облачный регион — VPC, on-premises, HIPAA BAA, SOC 2 Type II и дообучение на собственных записях звонков, а не на общей базовой модели.

Число, которое не сможет назвать ни одна из сторон

Ни у одной из моделей нет показателя, который команда закупок хотела бы видеть больше всего: независимого прямого сравнения на одном и том же бенчмарке.

Prism не указан в индексе Speech-to-Speech компании Artificial Analysis. Показатель τ-Voice 56,6% — это результат, полученный самим производителем, и таблицу, которую Rime публикует вместе с ним, стоит внимательно изучить: GPT-Live-1 (Sol, low) отмечен на уровне 59,3%, то есть выше Prism, тогда как сопровождающий текст утверждает, что Prism «опережает все модели реального времени от OpenAI и Google». В публикациях о запуске также приводятся цифры «менее 300 мс» и «в 4 раза быстрее GPT-Live», которые не фигурируют в таблице бенчмарка, где указано 0,57 с. Разные методики измерений могут объяснять это расхождение; на странице оно не объясняется.

Показатель Qwen — более сильный, потому что 1,269 Elo получены из голосов слепых слушателей, а не от Alibaba. Кроме того, это уже не лучший показатель в своём семействе: Qwen-Audio-3.1-TTS-Plus занимает третье место с 1,305 по состоянию на 29 октября 2026 года, а ревизии artificial-analysis не раз меняли этот рейтинг в этом году, поэтому оценки из разных снимков никогда не следует вычитать друг из друга.

Предостережение, относящееся конкретно к Rime, действует в обратную сторону. Единственные голоса Rime, получившие независимую оценку, — это её TTS-модели, и в том же рейтинге Coda занимает 65-е место с Elo 1,054, а Mist V2 — 92-е с 903, то есть нижнюю половину списка из 99. Prism вполне может звучать лучше своих собратьев; но ни один опубликованный источник не позволяет покупателю убедиться в этом до подписания.

Что посмотреть

Три вещи изменили бы рекомендацию. Появление Prism в Speech-to-Speech Index дало бы ему первую независимую цифру за всю его историю. Полнодуплексная работа — Prism на старте является полудуплексным с функцией перебивания — расширила бы отрыв от любого каскада, которому приходится ждать, пока звонящий закончит. А выход API для самостоятельной тонкой настройки из беты — это разница между «предприятия могут тонко настраивать» и «вы можете тонко настроить во вторник».

С другой стороны, следите за тем, как Alibaba поступит с ценами на Qwen-Audio-3.1-TTS после того, как 22 сентября 2026 года снизила их примерно на 70%. Каскад, у которого и среднее, и последнее звенья дешевеют, — это движущаяся цель, а поминутная ставка Prism фиксирована относительно неё.

Для большинства команд честный ответ — и то, и другое, а не что-то одно. Prism ставьте на приём входящих звонков, разговоры которых требуют контрольной точки и бюджета задержки в один переход. Qwen-Audio-3.0-TTS — или, что сейчас реалистичнее, Qwen-Audio-3.1-TTS — используйте на исходящих маршрутах, где никто не отвечает, а счёт идёт за символ. Ошибка в том, чтобы выбрать одно только потому, что так сказала таблица бенчмарков, когда у таблицы есть сноска и эта сноска делает большую часть работы.