Rime Prism mot Inworld Realtime TTS 2: 200 språkvarianter mot en enda kontrollpunkt

Här är ett faktum som borde avgöra de flesta versioner av den här jämförelsen innan någon öppnar ett benchmark: Inworld Realtime TTS 2 publicerar täckning i fler än 200 språklokaler och levererar 282 inbyggda röster, medan Rime Prism inte publicerar något språkantal och inget röstantal alls. Om du distribuerar en röstagent till ett dussin marknader är det inte en avvägning att väga – det är ett filter som utesluter ett alternativ. Jämförelsen förblir bara intressant för köparen som är på en enda marknad och reglerad, eftersom Rime Prism är den enda modellen i det här paret som låter en applikation läsa och blockera en mening innan den som ringer hör den. Inworld Realtime TTS 2 är en text-till-tal-modell med en mycket bra realtidshistoria kopplad till sig, och den har ingen motsvarande kontrollpunkt, eftersom beslutet redan har fattats när den ser text.

Namnen är också missvisande på ett sätt som redan har lett till dåliga råd. "Inworld Realtime TTS 2" är inte en tal-till-tal-modell. Det är däremot Rime Prism. Den distinktionen ligger bakom varje siffra nedan och är värd att nämna innan siffrorna börjar.

En av dessa är inte en agent

Inworld Realtime TTS 2 är text in, ljud ut. Duplexbeteende – att höra samtalsparten medan man talar, hantera avbrott – kommer från Inworlds separata Realtime API, som talar OpenAI Realtime-protokollet och uppger ungefär 100 ms avbrottsfördröjning. Det är en andra produkt med en andra integration, inte en egenskap hos själva TTS-modellen. Den som läser "Realtime" i modellnamnet och antar att det gäller tal-till-tal från ände till ände har missförstått katalogen.

Prism är en helt annan form. Ljud in, ljud ut, i ett och samma system, med en textvägpunkt i mitten och verktygsanrop som körs parallellt med talet i stället för före det. Det prissätts per minut samtalsljud av just den anledningen – du köper samtalet, inte texten.

Så den ärliga beskrivningen av den här jämförelsen är: Inworld Realtime TTS 2 är det bästa syntessteget i sin klass för en kaskad som du själv sätter samman, och Prism är en ersättning för kaskaden. Du kan föredra Inworld och ändå bygga en Prism-formad agent, bara i fler delar. Du kan inte föredra Prism och få Inworlds språktäckning, eftersom den inte är publicerad.

Täckningssiffrorna, och vad de är värda

Inworlds lista är ovanligt specifik, vilket i sig är informativt:

• Språkversioner – fler än 200, uppdelade på 15 med Tier 1-kvalitet och 79 med Tier 2.

• Röster – 282 inbyggda, med 20 utvalda förval.

• Kloning – zero-shot från 5 till 15 sekunders ljud; Professional Voice Cloning i förhandsversion och endast för flaggskeppsabonnemang.

• Kontinuitet – en enda konsekvent röstidentitet som följer med över språkgränserna, vilket är det som får en varumärkeslansering på flera marknader att framstå som genomtänkt snarare än översatt.

• Ljud — MP3, WAV, OGG, FLAC och PCM-utdata, 8 kHz till 48 kHz, 24 kHz som standard.

• Genomströmning — 2 000 tecken per begäran, WebSocket-streaming med 20 samtidiga anslutningar och 5 kontexter.

• Latens — serversidans P99-tid till första byte under 100 ms för TTS-2; Flash-varianten som lanserades 31 augusti 2026 uppges ligga under 25 ms, med tredjepartsmätning nära 25 ms.

Uppdelningen mellan nivå 1 och nivå 2 är den del som bör ägnas uppmärksamhet snarare än rubriken om de över 200. Femton språkversioner av flaggskeppskvalitet av 200 som stöds är ett genuint ärligt avslöjande, och det säger var produkten faktiskt är färdig. Om dina marknader är engelska, spanska, portugisiska, tyska, franska och japanska är du sannolikt i nivå 1, och rubriken är verklig. Om de är de övriga 185 är du i den del av katalogen som finns men som inte har kuraterats.

Jämför det med Prism, där frånvaron av en publicerad lista inte är ett tecken på dålig täckning – Rime publicerar språk- och röstantal för sina separata text-till-tal-produkter men inte för Prism – men det är ändå ett tecken på att man inte kan planera utifrån det. För en driftsättning på en enskild marknad på det språk som Rime utvecklar för kostar denna frånvaro dig ingenting. För allt som är bredare är det hela svaret.

Duplexfrågan som ingen ställer

”Realtids-TTS” och ”tal-till-tal” låter som samma löfte men uppför sig inte alls likadant vid avbrott.

I en kaskad byggd på Inworld Realtime TTS 2 är avbrottshantering ett koordinationsproblem mellan tre tjänster. Igenkännaren måste upptäcka att den som ringer har börjat prata, orkestreraren måste avbryta språkmodellens tur och syntetiseraren måste stoppa mitt i strömmen och rensa sin buffert. Inworlds Realtime API gör syntetiserarens del bra – ungefär 100 ms för att avbryta – men de andra två delarna är ditt ansvar, och felet är hörbart: agenten fortsätter att prata en stund efter att den som ringer har börjat, och startar sedan om en mening från fel ställe.

Prism hanterar detta inom en enda modell, och Rime nämner hantering av avbrott som en samtalspunkt för designpartner. Det är inte ett benchmark man kan läsa av; det är en kategori av buggar som man helt slipper. För en supportlinje där samtalande kunder ständigt talar i munnen på agenten är det värt mer än några Elo-poäng.

Motargumentet är att en välbyggd kaskad med en aggressiv avbrytningsväg är genuint bra på detta, och koordineringskoden är en känd kvantitet som många team redan har skrivit. Hantering av avbrott är svårt, inte omöjligt, och skillnaden mellan de två arkitekturerna minskar med ingenjörsinsats. Det som inte minskar är antalet tjänster du blir larmad för klockan 3 på natten.

Pris: fyra cent mot fyra cent, liksom

Inworld prissätter per tecken, Prism per minut av samtalsljud, och det är i omvandlingen mellan dem som ärliga jämförelser går fel.

• Inworld Realtime TTS 2 – 25 USD per miljon tecken on-demand, 12,50 USD på Growth, ner till cirka 5 USD vid företagsvolym. TTS-2 Flash kostar 15 USD, 7 USD och under 5 USD på samma nivåer. Vid ungefär 1 000 tecken per minut tal ligger on-demand-priset på cirka 0,025 USD per minut genererat ljud.

• Rime Prism — $0.080 per minut av samtalsljud på Flex, $0.064 på Scale, $50 i gratis kredit på den kostnadsfria nivån, anpassat för Enterprise.

Så en minut av agenttal kostar cirka 2,5 cent hos Inworld och 8 cent hos Prism. Det är siffran som jämförelsetabellerna anger, och den är missvisande av två skäl.

Det första är att Inworlds cent köper ett hopp. En kaskad tillför igenkänning – vanligtvis en halv cent till en cent per minut – och en språkmodellstur, som vid konversationsvolymer landar på låga ensiffriga cent. Sätt samman de tre och du är nära sex till nio cent per agenttalad minut, vilket ramar in Prisms åtta. Gapet i tabellen är en artefakt av att jämföra en komponent med ett system.

Det andra är att Prisms minut inte är en minut av agentens tal. Den fakturerar samtalsljud, så en uppringare som talar i fyra minuter och hör agenten i en minut kostar Prism motsvarande fem minuter. Cascade-prissättningen skalar med hur mycket agenten säger; Prisms skalar med hur länge samtalet varar. I en supportkö med långa kundturer är det en verklig merkostnad. I ett bokningsflöde där agenten står för det mesta av talet är det i stort sett jämnt ut.

Inworlds prisplanstruktur tillför en praktisk begränsning som är värd att kontrollera: en Creator-plan för 25 dollar i månaden, 25 dollar per miljon tecken vid behov, 12,50 dollar på Growth, företag anpassat. Samtidighet är 20 WebSocket-anslutningar på streamingvägen, vilket för en medelstor kö är tillräckligt och för en stor är den bindande begränsningen.

Kontroll: en har en plats att stå på, en har inte.

Det är här Prism motiverar sitt premiumpris, och det är en strukturell skillnad snarare än en funktionslucka.

Inworld Realtime TTS 2 är verkligen sofistikerad när det gäller kontext. Den läser tidigare turer som ljudindata, den tar emot fritt formulerad röststyrning på vanlig engelska, den stöder inline-taggar och ett teckenvis stavningsläge för ordernummer, koder och adresser. Det stavningsläget är det närmaste den här jämförelsen kommer en förkontroll före syntesen, och det är bra — en syntetiserare som kan säga "fyra-sju-två" i stället för "fyrahundrasjuttiotvå" löser en verklig klass av problem i supportsamtal.

Men den verkar på text som du redan har bundit dig vid. Det finns ingen punkt i turen där Inworld säger till din applikation "det här är vad jag kommer att säga" och väntar. Stavningsläget fastställer uttalet, inte innehållet.

Prism säger det till dig, vid varje tur. Rimes påstående är att texten är en kontrollpunkt snarare än ett mellansteg: ett skyddsräcke kan granska varje ord innan det sägs, ett policylager kan skriva om en avvisad mening och modellen uttalar ersättningen, ett förbjudet påstående kan blockeras helt medan samtalet fortsätter. Huruvida modellens resonemang genuint är ljudnative är ett påstående värt att testa; huruvida texten anländer före ljudet är ett designfaktum.

För en reglerad driftsättning på en enda marknad är det faktumet skälet att betala åtta cent i stället för att bygga en billigare kaskad. För allt annat är det en funktion du köper och kanske inte behöver.

Vad topplistans påståenden egentligen säger

Inworld marknadsför Realtime TTS 2 som nummer ett på Artificial Analysis Speech Arena. Oberoende arenarankningar placerar det på ett Elo på ungefär 1 245, på tredje plats på den aktuella resultattavlan, med TTS-2 Flash på cirka 1 210 och en sjätteplats. En topp tre-placering på en offentlig arena är ett utmärkt resultat och ett mer användbart påstående än det i marknadsföringen; diskrepansen är ett positioneringsuttalande som krockar med en levande tabell som rör sig när röstarna anländer.

Det finns ingen motsvarighet för Prism. Dess 56,6 på τ-Voice är en agentisk poäng för uppgiftsfullförande som Rime själv körde, på ett testramverk som Artificial Analysis också använder, utan någon publicerad placering på resultattavlan vid lanseringen. De två siffrorna mäter olika saker – hur en röst låter för mänskliga bedömare kontra hur ofta en agent slutför en simulerad serviceuppgift – och det finns ingen aritmetik som omvandlar den ena till den andra.

Den asymmetrin är återigen jämförelsen i miniatyr. Inworld har ett poäng för röstkvalitet med en domare. Prism har ett poäng för agentförmåga utan en sådan. Inget av företagen har publicerat en direkt jämförelse, och ingen av modellerna har någonsin körts på samma uppgift av samma labb.

Om du bygger kaskaden, routar vi mitten.

Inworld Realtime TTS 2 säljs direkt av Inworld och via flera tredjepartsplattformar. Rime Prism säljs direkt av Rime. Inget av dem finns i OrcaRouters katalog i dag, och den här artikeln påstår inte motsatsen.

Kaskadarkitekturen som Inworlds modell tillhör behöver fortfarande en språkmodell i mitten, och det är i den mitten som kvalitet och kostnad faktiskt avgörs. OrcaRouter samlar över 200 modeller bakom en enda nyckel till 0 % påslag på leverantörens listpris, med automatiskt failover när en leverantör försämras och ett routing-DSL för att skicka olika turer till olika modeller – billigt för bekräftelsen, kapabelt för uppslagningen, allt via en enda endpoint. För en röstagent är det den användbara enheten: en enda plats att byta modell på utan att röra samtalsvägen.

Vi dirigerar också syntes, om du vill ha den på samma nyckel i stället för ett andra avtal: openai/tts-1-hd och google/gemini-3.1-flash-tts-preview är båda tillgängliga till listpris. Ingen av dem är Inworld Realtime TTS 2. Båda är det sista steget i en kaskad som du kan sammanställa idag.

Två frågor, och den som avgör det

Fråga ett: hur många språk? Om svaret är mer än en handfull är det Inworld Realtime TTS 2, och jämförelsen är över. Tvåhundra språkversioner med en publicerad Tier 1-lista på femton slår en opublicerad lista utan angivna siffror, och man kan inte genomföra en anskaffning mot ett tomt fält.

Fråga två: behöver någon godkänna meningen innan den sägs? Om ja, Prism. Inte för att det är bättre på tal – det finns inga belägg åt något håll – utan för att det är den enda modellen här som producerar meningen som en artefakt din applikation kan hålla i handen. Det är hela produkten, och det kostar ungefär åtta cent per samtalsminut.

Om ingendera binder, är det ärliga svaret att du bör bygga den billigare kaskaden kring Inworlds syntesmotor och lägga besparingarna på avbrottshantering, eftersom det är den del av upplevelsen som en uppringare faktiskt lägger märke till. Två och en halv cent per minut för syntessteget är ett starkt bud från en modell som rankas tvåa på en offentlig arena, och den checkpoint du avstår från är en som du just har sagt oss att du inte behöver.

En kommentar till siffrorna innan någon citerar dem: Inworlds täcknings-, latens- och prissiffror är Inworlds egna; arena-Elo kommer från Artificial Analysis och stämmer inte överens med Inworlds positionering som nummer ett. Prisms 56,6 är Rimes siffra, inte reproducerad. Ingen oberoende part har mätt hur någon av modellerna utför den andras uppgift, vilket är den enda luckan som inget av företagen har stängt.