Rime Prism skriver innan det talar. Det är hela produkten.

Rime Prism, som lanserades den 28 oktober 2026, är en tal-till-tal-modell för röstagenter för företag, och funktionen som den kommer att bedömas efter är inte röstkvalitet. Det är att Prism skickar sitt svar som text innan det sägs högt, så att din applikation kan läsa, skriva om eller blockera meningen medan samtalet fortsätter. Rime marknadsför detta som den första finjusterbara frontier-tal-till-tal-modellen och prissätter den till 0,080 USD per minut av samtalsljud på Flex-nivån, 0,064 på Scale. Leverantörens benchmark-siffra i rubriken är 56,6 på τ-Voice vid 0,57 sekunder till första ljud — en siffra som Rime körde på det testramverk som Artificial Analysis använder, inte en publicerad leaderboard-post — och modellen som får högre poäng än den i Rimes eget diagram, GPT-Live-1, behöver 0,67 sekunder längre innan den börjar tala. Båda halvorna av den meningen är viktiga, och den andra halvan är den som ingen satte i sin rubrik.

Vad textcheckpointen faktiskt ger dig

Varje röstagent som bygger på en kaskad – taligenkänning, sedan en språkmodell, sedan text-till-tal – har redan text i mitten. Varje röstagent som bygger på en fusionerad realtidsmodell från ett stort labb har det inte: den hör ljud, tänker och producerar ljud, och den enda inspekterbara artefakten är en transkription som anländer efter att du redan har sagt orden. Rimes argument är att den första gruppen har kontroll och den andra gruppen har ljudtrohet, och Prism är ett försök att behålla båda.

I praktiken är checkpointen en sträng som dyker upp mitt i turen. Rime säger att textlagret stöder fyra saker som en applikation kan agera på innan ljudet går ut:

• Omskrivning — ersätt en mening som policy-lagret avvisar, och modellen säger ersättningen i stället för originalet.

• Blockering – en skyddsmekanism som hittar ett förbjudet påstående, ett konkurrentnamn eller ett icke godkänt avslöjande kan stoppa yttrandet direkt medan samtalet fortsätter.

• Taggning – åtgärds- och innehållstaggar följer med texten, så att en orkestrerare kan utlösa ett verktygsanrop eller en handuppräckning utan att vänta på att ljudet ska spelas klart.

• Uttalsstyrning — namn, kontonummer och produkttermer fastställs i text, vilket är precis där "stava det som en kod, inte som ett ord" faktiskt hör hemma.

Och verktygsanrop körs parallellt med talet i stället för i uppehållet före det, vilket är den strukturella skillnaden mot en kaskad: uppslagningen upptar inte tystnaden mellan att den som ringer har talat klart och att agenten börjar.

Rime är tydlig med att detta inte är en kaskad i förklädnad. Företaget betonar att resonemanget sker över själva ljudet – ton, tvekan, skratt, bakgrundsljud – och att texten är en vägpunkt för utdata snarare än modellens indata. Man behöver inte ta påståendet för gott för att se varför företagsköpare fäster vikt vid det: kontrollpunkten är den artefakt som ett revisionsspår behöver. "Vad sa agenten, och vem godkände det" blir en fråga mot en sparad sträng och ett policybeslut, inte en rekonstruktion från en samtalsinspelning.

Benchmarkpåståendet har en lucka, och det är enkelt att kontrollera.

Här är diagrammet som Rime publicerade, precis som Rime publicerade det:

• Rime Prism — 56,6 τ-Voice, 0,57 s tid till första ljudet, inget resonemangssteg före tal.

• GPT-Live-1 (Sol, låg) — 59,3 τ-Voice, 1,24 s.

• GPT-Realtime-2.1 High — 45,7 τ-Voice, 1,21 s.

• Gemini 3.8 Live — 30.1 τ-Voice, 1,18 s.

Se på den översta raden. Rimes eget diagram visar en modell som får högre poäng än Prism. Inramningen vid lanseringen – ”17 till 30 poäng före icke-resonerande realtidsmodeller från OpenAI och Google” – stämmer inom sitt avgränsade omfång, och omfånget är precis kring den modell som slår den. GPT-Live-1 landar 2,7 poäng över Prism och tar 0,67 sekunder längre på sig innan den börjar tala. Det är en legitim Pareto-avvägning och Rime döljer den inte; siffran står ju rakt där på sidan. Men meningen når längre än diagrammet gör, och det är meningen som citeras.

Det finns en andra inre spänning. Rime rapporterar också 82,5 på telekomdelen av τ-Voice mot 45,6 för GPT-Live-1. Ett gap på 37 poäng inom en domän och ett underskott på 2,7 poäng i den övergripande körningen är inte omöjliga – domänviktning och uppgiftsmix kan göra det – men båda kan inte läsas som "Prism är bättre på telekom och sämre på allt annat", och Rime redovisar inte storlekarna på delmängderna. Tills det gör det, behandla telekomnumret som en marknadsföringsdelmängd, inte som ett påstående om förmåga.

Det finns en tredje siffra som florerar som inte är ett benchmark alls. Rimes lanseringsmaterial talar om ungefär 300 ms "responsivitet". Det uppmätta talet i diagrammet är 0,57 sekunder till första ljud. Det är olika mätningar – en är intern responsivitet, en är den tid en uppringare faktiskt hör en röst – och att citera den mindre bredvid GPT-Live-1:s 1,24 s skulle vara att jämföra ett stoppur med en varvtid.

Inget av detta är en dom över Prisms kvalitet. Det är en kommentar till vad underlaget just nu stöder. Rime körde Prism i samma testrigg som Artificial Analysis använder och fanns vid lanseringen inte med på den offentliga resultattavlan. Själva τ-Voice-benchmarken är verklig och oberoende — den kommer från en artikel under granskning vid ICML 2026, byggd på 278 tjänsteuppgifter inom flyg, detaljhandel och telekom, med en röstbaserad användarsimulator som varierar accent, bakgrundsbrus och turtagning — och dess författare fann att röstagenter presterade långt under textagenter på samma uppgifter. Det är denna kontext som gör 56,6 intressant snarare än nedslående. Det är också den som gör oberoende replikering till det man bör invänta.

Vad Prism kostar, och vad en kaskad kostar

Prism faktureras per minut samtalsljud, vilket är en faktureringsenhet som de flesta TTS-leverantörer inte använder. De publicerade nivåerna:

• Gratis — 50 USD i månatlig användningskredit, inget kort krävs, och Prism ingår i det.

• Flex — $0.080 per minut av Prism-ljud, ingen månadsavgift, inget åtagande. Rime STT $0.002/min, Mist v3 $0.030/min, Coda v2 $0.050/min.

• Scale – 100 USD/månad med 100 USD i kredit som rullar över till 200 USD, och en rabatt på 20 % som gör att Prism kostar 0,064 USD/min.

• Enterprise – anpassad, årsbaserad och den enda nivån som lägger till VPC och lokal driftsättning samt finjustering på kundsamtal och anpassade röster.

Med Flex-priser kostar tusen minuter Prism-ljud 80 dollar i modellkostnad före telefon-, arbetsflödes- och plattformsavgifter. Huruvida det är dyrt beror helt på vad det ersätter. En kaskad betalar tre räkningar: igenkänning, generering och syntes. En typisk stack för mellanmarknaden kan lägga två till tre cent per minut på taligenkänning, några cent på språkmodellen beroende på hur mycket den tänker, och tre till fem cent på syntes – så kaskadens totalsumma hamnar ofta nära eller över Prisms åtta cent, och det är innan man räknar in latensen för tre hopp eller den ingenjörstid som krävs för att få dem att uppträda som ett enda system.

Jämförelsen vänder om din valda språkmodell är en billig sådan och din syntesleverantör är billig. Till $0,030/min för Mist v3 på samma Rime-konto kan en slimmad kaskad underbjuda Prism betydligt — priset för den besparingen är att förlora kontrollpunkten och ärva sömmarna. Vilket är den ärliga formen av beslutet: Prism säljer inte intelligens till ett premiumpris, det säljer ett granskningsbart textlager till ett premiumpris, och du bör bara betala det om du behöver granskningen.

För vem detta är byggt, och vem som bör vänta

Designpartnerna som namngavs vid lanseringen – Dialpad som designpartner, med Asurion, Upstart och Mayo Clinic namngivna som kunder och Twilio Ventures bland investerarna – pekar på den köpare som Rime jagar: kontaktcenterplattformar och telefonichef leverantörer som redan har efterlevnadsskyldigheter kopplade till varje ord deras agenter säger. Rime uppger sig ha SOC 2 och HIPAA, kallar Prism telefoniberedd, levererar det över en WebSocket och erbjuder moln-, VPC- eller lokal distribution. Det sista är den tysta differentiatorn, eftersom de banbrytande realtids-API:erna endast finns i molnet.

Kundbevisen är tunnare än funktionslistan. Revmo, en beställningsagent, finjusterade Prism på ungefär tio timmar produktionssamtal och rapporterade att 94 % av beställningarna lades först efter att den som ringde hade samtyckt till "ska jag lägga den?" — mot 57 % för den OpenAI-agent som den ersatte. Rime nämner också en rikstäckande restaurangkedja med 8 % fler slutförda beställningar, fyra gånger färre avbrutna samtal bland kunder och ett Fortune 500-företag inom finansiella tjänster med 42 % högre containment. Ingen av dem redovisar urvalsstorlek, den specifika OpenAI-modellen eller mätmetoden. Det är den typ av siffror som är intressanta till sin riktning men svaga som bevis, och finjusteringen på tio timmar domänljud gör det mesta av arbetet i Revmo-fallet — en bas-Prism utan den finjusteringen är inte det som mättes.

Vänta om du behöver flerspråkig täckning idag. Rime publicerar inte Prisms språklista eller antal röster, medan företagets separata text-till-tal-produkter publicerar sina. Prism-specifika siffror saknas på produktsidan, vilket inte är samma sak som dålig täckning, men man kan inte planera en utrullning för 30 marknader utifrån en opublicerad lista.

Vänta också om du behöver ett benchmark som du kan citera internt. Det finns ännu ingen oberoende Prism-poäng. Om din inköpsprocess kräver en tredjepartsevaluering är det ärliga läget den här veckan "leverantörskörd på ett oberoende testramverk, i väntan på publicering", och du bör säga det med exakt de orden.

Checkpointen är ett modellanrop, och det är där routning kommer in.

En sak som lanseringsmaterialet tonar ner: textkontrollpunkten är bara användbar om något kan agera på den snabbt nog för att inte bryta samtalet. En policyklassificerare, en påståendedetektor, en varumärkessäkerhetskontroll – var och en av dessa är ett modellanrop som ligger mellan utkastet och ljudet. Det är en latensbudget inuti en latensbudget, och det är den del av designen som avgör om Prism känns omedelbar eller känns som en paus.

Prism säljs direkt av Rime och finns inte i OrcaRouters katalog. Det som finns i vår katalog är den andra halvan av problemet: de modeller som en checkpoint anropar. En nyckel täcker över 200 modeller med 0 % påslag över leverantörens listpris, så en liten snabb klassificerare och en större eskaleringsmodell sitter bakom samma endpoint, med automatisk failover om en av dem hakar upp sig mitt i anropet – vilket är exakt det felscenario som förvandlar en smart skyddsräls till tystnad. Om du istället kör Prism framför en befintlig kaskad finns syntessidan också här: openai/tts-1-hd och google/gemini-3.1-flash-tts-preview är båda dirigerbara i dag.

Routnings-DSL:en har större betydelse än det låter i det här sammanhanget. När kontrollpunktens uppgift är "skicka den här meningen till en billig modell med mindre den innehåller ett tal över $500 eller en reglerad term", är det en routningsregel, och att skriva den i gatewayen är bättre än att skriva den i applikationens heta körväg.

Vad man ska bevaka, och vad som skulle ändra svaret

Tre saker skulle flytta Prism från en intressant lansering till ett försvarbart standardval, och var och en går att verifiera.

Det första är en post hos Artificial Analysis. Leverantörskörning i rätt harness är en rimlig start; en rad på en offentlig resultattavla är det som gör 56,6 till en siffra du kan lägga i en presentation utan asterisk.

Det andra är att finjusterings-API:erna lämnar beta. Rime säger att självbetjänings-API:erna för RL och SFT är i beta. Revmo-resultatet – det starkaste beviset i lanseringen – kom från tio timmar domänspecifikt ljud. Om det gapet är verkligt och reproducerbart är det den faktiska produkten. Om det är en enda kund med en ovanligt ren datauppsättning är Prism en bra checkpointad modell och inte en kategoriförändring.

Den tredje är språklistan. En tal-till-tal-modell för företags kontaktcenter som täcker åtta språk är en regional produkt; en som täcker fyrtio är ett inköpsbeslut för ett helt annat företag.

Tills de är på plats är den rättvisande sammanfattningen denna: Rime levererade en genuint annorlunda kontrollyta för röstagenter, prissatte den konkurrenskraftigt mot den kaskad den ersätter och ramade in den i ett benchmarkdiagram som är ärligare än dess pressframställning. Checkpointen är verklig. Placeringen på resultattavlan är ett påstående. Om dina agenter säger saker som måste godkännas innan en kund hör dem, räcker det första faktumet för att motivera ett prov. Om dina agenter mest behöver låta bra på tjugo språk, är det inte nog.

Enradsversionen för dem som skummar

Prism är en tal-till-tal-modell för 0,08 dollar per minut som ger dig meningen innan den uttalar den, med en latenskostnad på ungefär en halv sekund från det att den som ringer slutar prata. Den är inte billigare än en slimmad kaskad och den är inte i toppen av någon offentlig resultattavla. Den är det enda som finns tillgängligt i dag som ger ett compliance-team en plats att stå på mellan modellens beslut och kundens öra – och det är en funktion som man antingen behöver väldigt mycket eller inte alls.

Om du vill prissätta alternativen innan du fattar beslut är kaskadsidan av katalogen bara en endpoint bort, och minuträkningen ovan är siffran du ska ta med till provperioden.