Rime Prism กับ ElevenLabs: สองโมเดลแปลงเสียงเป็นเสียง กับค่าความหน่วงเพียงค่าเดียว

ห่างกันสิบเอ็ดวัน สองบริษัทเปิดตัวแนวคิดเดียวกันและรายงานตัวเลขเดียวกัน Rime Prism เปิดตัวเมื่อวันที่ 28 ตุลาคม 2026 โดยใช้เวลา 0.57 วินาทีถึงเสียงแรก Eleven Realtime v1 Max ซึ่งเป็นโมเดลแปลงเสียงเป็นเสียงแบบครบวงจรของ ElevenLabs เอง เปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 — ก็ 0.57 วินาทีเช่นกัน ความบังเอิญนี้เป็นสิ่งที่มีประโยชน์ที่สุดของการจับคู่ครั้งนี้ เพราะมันหมายความว่าความหน่วงไม่ใช่ปัจจัยตัดสิน เมื่อสองโมเดลทำเวลาได้เท่ากัน สิ่งที่ทำให้ทั้งสองแตกต่างกันคือสิ่งที่เกิดขึ้นในครึ่งวินาทีนั้น และสองตัวนี้ใช้ครึ่งวินาทีนั้นในทางตรงกันข้าม: Eleven Realtime v1 Max ฟังและพูด ขณะที่ Rime Prism เขียนก่อน

นี่คือการเปรียบเทียบที่สูสีที่สุดในชุดนี้ และเป็นคู่ที่การตัดสินใจเลือกมีความสำคัญจริง ๆ เพราะทั้งสองผลิตภัณฑ์เข้าแทนที่แคสเคดทั้งหมด ไม่ใช่เพียงองค์ประกอบเดียว และทั้งคู่คิดค่าออดิโอที่แปดเซนต์ต่อนาที

คำตอบสั้น ๆ

Eleven Realtime v1 Max เป็นตัวเลือกที่เหนือกว่าเมื่อความครอบคลุมและคลังเสียงเป็นตัวตัดสินดีล: ภาษากว่า 90 ภาษาและเสียงมากกว่า 17,000 เสียงเป็นแคตตาล็อกที่ไม่มีคู่แข่งรายใดในสองตัวนี้เทียบได้ และซ็อกเก็ตยังเข้ากันได้ทางสายไฟกับ Realtime API ของ OpenAI ซึ่งหมายความว่าการย้ายระบบเป็นเพียงการเปลี่ยนปลายทาง (endpoint) ไม่ใช่การเขียนใหม่ทั้งหมด

Rime Prism เป็นตัวเลือกที่ดีกว่าเมื่อสิ่งที่เอเจนต์จะพูดนั้นต้องตรวจสอบได้ก่อนที่จะถูกพูดออกมา เป็นโมเดลเดียวในคู่นี้ที่ส่งสตริงข้อความให้แอปพลิเคชันระหว่างเทิร์น พร้อมตัวเลือกในการเขียนใหม่หรือบล็อก และเป็นเพียงตัวเดียวที่ให้การติดตั้งใช้งานแบบ on-prem หรือ VPC

ทั้งสองมีราคาอยู่ที่ $0.080 ต่อนาทีของเสียง และความเท่าเทียมที่ดูเหมือนจะกลบช่องว่างที่แท้จริงไว้: ElevenLabs เรียกเก็บ $0.080 ต่อนาทีของเสียงที่เชื่อมต่อ บวกกับโทเค็นโมเดล ขณะที่ Rime เรียกเก็บ $0.080 ต่อนาทีและไม่มีโทเค็น สำหรับเอเจนต์ที่มีการโทรหนาแน่น นี่ไม่ใช่ความแตกต่างเล็กน้อยจากการปัดเศษ

สิ่งที่แต่ละบริษัทประกาศจริง ๆ

ElevenLabs เปิดตัวมาเป็นทั้งตระกูลผลิตภัณฑ์ ไม่ใช่โมเดลเดียว โดย Eleven Realtime v1 Max คือรุ่นสำหรับงานซับซ้อน เช่น งานซัพพอร์ต การคัดกรองลีด หรืออะไรก็ตามที่ต้องใช้เครื่องมือ ส่วน Eleven Realtime v1 Mini คือรุ่นสำหรับบทสนทนา เหมาะกับผู้ช่วย ติวเตอร์ และคาแรกเตอร์ ทั้งสองรุ่นเป็นเครือข่ายแบบ end-to-end เดียวที่รวมการรับรู้ การผลัดกันพูด การให้เหตุผล และการสร้างเสียงไว้ในระบบเดียว แทนที่จะเป็นสามขั้นตอนที่นำมาต่อกัน ElevenLabs ให้เหตุผลว่าที่ทำแบบนี้ก็เพราะรอยต่อนั่นเอง ไม่ว่าจะเป็นช่วงเงียบหลังการหยุดพูด การพูดแทรกขณะอีกฝ่ายกำลังพูด หรือถอดเสียงที่ขัดกับเสียงที่ได้ยิน สิ่งเหล่านี้ล้วนเป็นอาการที่เกิดจากสถาปัตยกรรมแบบ cascade และทางแก้ที่นำเสนอคือการปรับทั้งสี่ขั้นตอนไปพร้อมกัน

เส้นทางการเข้าถึงนั้นเรียบง่ายจนน่าเบื่อ ซึ่งถือเป็นคำชม Eleven Realtime ทำงานภายใน ElevenAgents ผ่านดรอปดาวน์ หรือผ่าน Realtime API ที่ wss://api.elevenlabs.io/v1/convai/realtime ซึ่งเข้ากันได้กับโปรโตคอล Realtime ของ OpenAI — เพียงเปลี่ยน endpoint และชื่อโมเดล OpenAI SDK ที่มีอยู่ก็ใช้งานได้โดยไม่ต้องแก้ไข ณ เวลาที่เปิดตัว รองรับเฉพาะ WebSocket เท่านั้น ยังไม่มีเส้นทางผ่าน WebRTC

ประกาศของ Rime มีรูปแบบที่แตกต่างออกไป โดยมีโมเดลเดียวคือ Prism ที่วางตำแหน่งสำหรับศูนย์ติดต่อองค์กร โดยจุดที่สร้างความแตกต่างคือ text checkpoint มากกว่าจะเป็นกลุ่มของตัวแปรย่อย มีระดับฟรีพร้อมเครดิต $50, Flex ที่ $0.080/นาที, Scale ที่ $0.064/นาที และระดับ Enterprise ที่เพิ่ม VPC และ on-prem พร้อมไฟน์ทูนบนบันทึกการโทรของลูกค้าและเสียงที่กำหนดเอง ไม่มี WebRTC เช่นกัน แต่มีสตรีมมิ่ง การผสานรวม LiveKit และ Pipecat, โทรศัพท์ 8 kHz และ SOC 2 พร้อมการอ้างถึง HIPAA

รายละเอียดหนึ่งที่ควรแจ้งให้ผู้ที่วางแผนจะเริ่มใช้งานทราบ: ElevenLabs ระบุว่า Eleven Realtime จะทยอยเปิดให้ใช้งาน gradually และตัวระบุโมเดลมีอยู่ใน changelog ตั้งแต่ต้นเดือนสิงหาคม วันที่ 20 ตุลาคมเป็นวันที่ประกาศ หากบัญชีของคุณไม่แสดงโมเดลในเมนูแบบเลื่อนลงของ ElevenAgents นั่นหมายถึงการเปิดใช้งานแบบเป็นระยะ ไม่ใช่การตั้งค่าที่ผิดพลาด

จุดตรวจสอบคือความแตกต่างที่แท้จริง

ทั้งสองโมเดลทำงานแบบ end-to-end แต่มีเพียงตัวเดียวเท่านั้นที่ทิ้งข้อความ artifact ไว้ให้คุณจัดการได้ก่อนที่ผู้โทรจะได้ยินสิ่งใด

Eleven Realtime v1 Max ทำงานตั้งแต่เสียงขาเข้าไปจนถึงเสียงขาออก มี transcript อยู่อีกฝั่งของสาย และมี system prompt อยู่ก่อนหน้าในเส้นทาง แต่ไม่มีจุดใดในรอบสนทนาที่แอปพลิเคชันของคุณเก็บประโยคถัดไปของเอเจนต์ไว้เป็นสตริงและตัดสินใจว่าจะส่งประโยคนั้นหรือไม่ นั่นไม่ใช่คำวิจารณ์ — มันคือสถาปัตยกรรมที่ ElevenLabs เลือก และเป็นสถาปัตยกรรมที่สร้างความเป็นธรรมชาติที่บริษัทกำลังขายอยู่ การยุบรวมสี่ขั้นตอนเข้าเป็นเครือข่ายเดียวคือสิ่งที่ทำให้รอยต่อที่ตรวจสอบได้หายไปอย่างแม่นยำ

Prism รักษารอยต่อไว้ Rime กล่าวว่าโมเดลร่างคำตอบออกมาเป็นข้อความ แอปพลิเคชันสามารถเขียนใหม่ บล็อก ติดแท็ก หรือแก้การออกเสียงบนข้อความนั้นได้ และเสียงก็ตามมา การเรียกใช้เครื่องมือทำงานคู่ขนานกับเสียงพูด ไม่ใช่ก่อนเสียงพูด ข้อกล่าวอ้างที่ว่าสิ่งนี้ไม่ใช่แคสเคดนั้นอาศัยการที่การให้เหตุผลเกิดขึ้นผ่านเสียง — น้ำเสียง การลังเล และเสียงรบกวนพื้นหลังมีส่วนกำหนดคำตอบ — โดยมีข้อความเป็นจุดผ่านทางฝั่งเอาต์พุตแทนที่จะเป็นข้อมูลนำเข้า

สำหรับทีมด้านการปฏิบัติตามกฎระเบียบ ความแตกต่างนั้นคือเหตุผลทั้งหมดของการจัดหา “เอเจนต์ไม่สามารถพูด X ได้” สามารถบังคับใช้ได้ใน Prism ในระดับประโยค และบังคับใช้ได้ใน Eleven Realtime เพียงในระดับพรอมต์เท่านั้น ซึ่งก็คือในเชิงความน่าจะเป็น สำหรับทีมผลิตภัณฑ์ที่สร้างคาแรกเตอร์หรือติวเตอร์ สิ่งตรงกันข้ามกลับเป็นจริง: เช็กพอยต์คือภาระส่วนเกิน และความเป็นธรรมชาติที่มาจากเครือข่ายเดียวที่ปรับแต่งแล้วคือตัวผลิตภัณฑ์

ตัวเลข 0.57 วินาทีสองตัวที่ไม่ใช่การวัดเดียวกัน

ความเท่าเทียมกันนั้นเป็นเรื่องจริง แต่เครื่องมือที่ใช้นั้นแตกต่างกัน และความแตกต่างนี้สำคัญหากคุณวางแผนจะอ้างอิงตัวเลขใดตัวเลขหนึ่ง

{{1}}Eleven Realtime v1 Max{{/1}} ที่ 0.57 วินาที เป็นการวัดของ {{2}}Artificial Analysis{{/2}} — บุคคลที่สามเป็นผู้ดำเนินการวัด ด้วยนาฬิกาเดียวกันกับที่ใช้กับรายการ speech-to-speech อื่น ๆ ของตน และเผยแพร่ผลออกมา Eleven Realtime v1 Mini อยู่ที่ 0.62 วินาทีบนเครื่องมือวัดเดียวกัน

0.57 วินาทีของ Prism เป็นตัวเลขของ Rime เอง ซึ่งวัดบน τ-Voice harness ที่ Artificial Analysis ก็ใช้เช่นกัน แต่ดำเนินการโดย Rime ตอนเปิดตัว Prism ไม่มีรายการบนลีดเดอร์บอร์ดสาธารณะ ดังนั้นตัวเลขหนึ่งมีผู้ตรวจสอบอิสระ อีกจำนวนหนึ่งไม่มี แม้ว่าทั้งสองจะเป็นค่าเดียวกันเมื่อปัดถึงทศนิยมสองตำแหน่ง การรายงานทั้งสองเคียงข้างกันว่าเสมอกันนั้นมีเหตุผลรองรับ แต่การรายงานว่าเป็นหลักฐานที่เท่าเทียมกันนั้นไม่ใช่

คะแนนอื่น ๆ แตกต่างกันอย่างมาก และอีกครั้งบนเครื่องมือวัดที่แตกต่างกัน Eleven Realtime v1 Max ทำได้ 98.8% บน Big Bench Audio เทียบกับ 75.9 ถึง 76% สำหรับ Mini, อัตราความสำเร็จของงาน 87.1% เทียบกับ 60.3%, Full-Duplex-Bench 94.1 เทียบกับ 95.8% และ Arena Elo ประมาณ 997 ถึง 998 เทียบกับ 988 นอกจากนี้ยังไม่มีคะแนนบน Speech-to-Speech Index และไม่มีคะแนน agentic ของ τ-Voice — ดังนั้นจึงไม่มีตัวเลขที่เผยแพร่ซึ่งวาง Eleven Realtime v1 Max และ Prism ไว้บนแกนเดียวกันได้เลย ใครก็ตามที่นำค่า 56.6 ของ Prism ไปเทียบกับ 98.8 ของ ElevenLabs กำลังเปรียบเทียบ benchmark การทำงานให้สำเร็จกับ benchmark คุณภาพเสียง และได้ช่องว่าง 42 คะแนนที่ไม่มีความหมาย

ช่องว่างราคาอยู่ในบรรทัดโทเค็น

ดูเผินๆ ผลิตภัณฑ์ทั้งสองมีราคาแปดเซนต์ต่อนาที แต่ถ้าอ่านใบอัตราค่าบริการแล้ว ไม่เป็นเช่นนั้น

• ElevenLabs — $0.080 ต่อนาทีของเสียงที่เชื่อมต่อ พร้อมโทเค็นของโมเดล Eleven Realtime v1 Mini อยู่ที่ $0.20 สำหรับอินพุต และ $6.00 สำหรับเอาต์พุตต่อล้านโทเค็น ส่วน v1 Max อยู่ที่ $1.80 สำหรับอินพุต และ $9.00 สำหรับเอาต์พุต อัตราเสียงเมื่อเกิน Burst จะเพิ่มเป็นสองเท่าคือ $0.16/นาที ภายใน ElevenAgents อัตรามาตรฐานคือ $0.08/นาที บวกโทเค็น LLM

• Rime — $0.080 ต่อนาทีสำหรับเสียง Prism บน Flex, $0.064 บน Scale โดยไม่มีค่าใช้จ่ายโทเคนเพิ่มเติม ระดับฟรีมีเครดิตการใช้งาน $50 ครอบคลุม Prism, Mist v3, Coda v2 และ Rime STT

ค่าใช้จ่ายในรายการค่าโทเค็นของคุณจะเท่าไรนั้น ขึ้นอยู่กับว่าเอเจนต์คิดมากแค่ไหนทั้งหมด สายซัพพอร์ตห้านาทีที่เอเจนต์ตอบแปดรอบ และแต่ละรอบใช้การให้เหตุผลกับโทเค็นหลายพันตัวไม่ได้ฟรีที่ราคา $1.80 ต่อล้านโทเค็นอินพุตและ $9.00 ต่อล้านโทเค็นเอาต์พุตบน Max — มันคือมิเตอร์ตัวที่สองที่เดินคู่ไปกับตัวแรก สำหรับผู้ช่วยที่เน้นการตอบรับสั้น ๆ บน Mini รายการค่าโทเค็นแทบไม่มีนัยสำคัญ สำหรับการติดตั้ง Max ที่ทำงานประสานเครื่องมือจริง ๆ มันอาจเทียบได้กับค่าใช้จ่ายด้านเสียง

กับดักของการคิดแบบเหมาจ่ายต่อนาทีของ Rime ก็มีอยู่เช่นกัน และเป็นกับดักแบบตรงกันข้าม Prism คิดค่าบริการจากเสียงในสายสนทนา ไม่ใช่เสียงพูดของเอเจนต์ สายที่มีผู้โทรพูดยืดเยื้อจึงมีต้นทุนเท่ากับสายที่เอเจนต์พูดไม่หยุด หากสายของคุณเอนไปทางช่วงที่เอเจนต์พูดสั้นและลูกค้าพูดยาว อัตราต่อนาทีของ Prism จะแพงกว่าอีกเจ้าหนึ่งด้วยส่วนต่างที่ไม่เกี่ยวกับโมเดลเลย

{{1}}ลองจำลองมิเตอร์ทั้งสองแบบจากข้อมูลการกระจายการโทรของคุณเองก่อนตัดสินใจ{{/1}} ไม่มีผู้ขายรายใดเผยแพร่เครื่องคำนวณ และ{{2}}ตัวเลขพาดหัวที่แปดเซนต์นั้นไม่ใช่ตัวเลขที่ทั้งสองรายจะเรียกเก็บจากคุณจริง ๆ{{/2}}

ความครอบคลุม เสียง และคำถามเรื่องการติดตั้งใช้งาน

ElevenLabs ชนะด้านความครอบคลุมอย่างชัดเจนจนควรพูดตรง ๆ มากกว่าจะเก็บซ่อนไว้: ภาษากว่า 90 ภาษาและเสียงกว่า 17,000 เสียง Rime ไม่เผยแพร่จำนวนภาษาหรือรายการเสียงของ Prism เลย แม้ว่าผลิตภัณฑ์แปลงข้อความเป็นเสียงแยกของบริษัทจะเผยแพร่ข้อมูลเหล่านั้นก็ตาม และตัวเลขเหล่านั้นไม่สามารถนำมาใช้กับ Prism ได้

ความไม่สมมาตรนั้นเพียงอย่างเดียวก็ตัดสินสัดส่วนใหญ่ของการติดตั้งใช้งานจริงได้แล้ว ผู้ค้าปลีกยุโรปที่เปิดตัวในเก้าตลาดไม่จำเป็นต้องอ่านส่วนที่เหลือของบทความนี้

การติดตั้งใช้งานคือจุดที่ความได้เปรียบกลับมา Rime มี VPC และ on-prem ใน Enterprise ควบคู่กับคลาวด์ พร้อมตัวเลือก endpoint แบบ co-located สำหรับโมเดล TTS ของตน Eleven Realtime ตอนเปิดตัวเป็นบริการ WebSocket แบบโฮสต์ ข้อโต้แย้งของ Rime ที่ว่า API แบบเรียลไทม์ระดับแนวหน้าล้วนเป็นคลาวด์เท่านั้น ขณะที่ Prism ให้คุณควบคุมได้ว่าเสียงจะอยู่ที่ใด ถือเป็นจุดสร้างความแตกต่างที่แท้จริงสำหรับสุขภาพ บริการทางการเงิน และผู้ซื้อรายใดก็ตามที่มีข้อกำหนดถิ่นที่อยู่ของข้อมูลในสัญญา Rime อ้างว่า Prism มี SOC 2 และ HIPAA; ElevenLabs ขายข้อตกลงระดับองค์กรพร้อม DPAs และ BAAs ตามเงื่อนไขของตน ทั้งสองเจ้าสามารถถูกปรับให้ผ่านการทบทวนด้านการปฏิบัติตามข้อกำหนดได้ และมีเพียงรายเดียวเท่านั้นที่สามารถถูกปรับให้ตอบโจทย์ "เสียงไม่เคยออกจากอาคารของเรา" ได้

การปรับแต่งละเอียด (fine-tuning) คือความไม่สมมาตรอีกด้านหนึ่ง และมันชี้ไปในทางเดียวกัน Rime กล่าวว่า Prism สามารถปรับแต่งได้ด้วยไฟล์บันทึกการโทรของลูกค้าเอง โดยมี API แบบ self-serve สำหรับ RL และ SFT ที่อยู่ในช่วง beta ขอบเขตการปรับแต่งของ ElevenLabs อยู่ในระดับเสียง ได้แก่ การโคลนเสียง เวิร์กโฟลว์เสียงระดับมืออาชีพ และการตั้งค่าสไตล์และความเสถียร มากกว่าจะเป็นโมเดล acoustic-and-reasoning แบบกำหนดเองที่ฝึกจากไฟล์บันทึกการโทรของคุณ หากเป้าหมายคือ “ให้เสียงเหมือนแบรนด์ของเรา” นั่นเป็นปัญหาที่แก้ได้แล้วในฝั่ง ElevenLabs หากเป้าหมายคือ “เก่งขึ้นกับกระบวนการสั่งซื้อเฉพาะของเรา” มีเพียงหนึ่งในนี้เท่านั้นที่เสนอความสามารถนั้น

OrcaRouter เหมาะกับตรงไหน และไม่เหมาะกับตรงไหน

ทั้ง Prism และ Eleven Realtime ไม่ได้อยู่ในแคตตาล็อกของเรา Prism ขายตรงโดย Rime ส่วนโมเดล Eleven Realtime ขายตรงโดย ElevenLabs และผ่านแพลตฟอร์มของบุคคลที่สามหลายแห่ง หากคุณเลือกตัวใดตัวหนึ่ง คุณก็กำลังซื้อจากผู้ขายโดยตรง และบทความนี้จะไม่แสร้งทำเป็นว่าเป็นอย่างอื่น

เหตุผลที่ OrcaRouter ยังคงมีที่อยู่ในตัวเลือกนี้ คือโมเดลเสียงแบบ end-to-end ไม่ได้ทำให้โมเดลทั้งหมดหายไปจากสแต็กของคุณ ผลิตภัณฑ์ทั้งสองนี้ยังต้องมีชั้นนโยบาย ขั้นตอนการดึงข้อมูล ตัวจำแนกประเภท และเส้นทางการยกระดับ และสิ่งเหล่านั้นคือการเรียกใช้โมเดลทั่วไป คีย์เดียวครอบคลุมโมเดลกว่า 200 รายการ โดยมีส่วนเพิ่มราคา 0% เหนือราคาตามรายการของผู้ให้บริการ ดังนั้นโมเดล guardrail ราคาถูกและโมเดลยกระดับราคาแพงจึงอยู่หลังปลายทางเดียวพร้อมการ failover อัตโนมัติ — ซึ่งเป็นส่วนที่สำคัญบนสายที่กำลังสนทนาอยู่จริง โดยที่ผู้ให้บริการที่ค้างอยู่แยกไม่ออกจากสายที่หลุด และ DSL สำหรับการกำหนดเส้นทางคือวิธีที่คุณแสดงว่า "ให้การตอบรับอยู่ในเครื่องและมีต้นทุนต่ำ แล้วยกระดับการค้นหา" และกฎนั้นควรเขียนครั้งเดียวที่เกตเวย์แทนที่จะเขียนสามครั้งในเอเจนต์

หากสิ่งที่คุณต้องการจริง ๆ คือระบบคาสเคดที่มีการสังเคราะห์เสียงแบบโฮสต์ openai/tts-1-hdและ google/gemini-3.1-flash-tts-preview อยู่ในคีย์เดียวกันในราคาตามรายการ เครื่องมือต่างกัน แต่บิลเดียวกัน

วิธีตัดสินใจภายในสิบนาที

สามคำถาม ตามลำดับ และหยุดที่คำถามแรกที่คุณตอบว่าใช่

คุณจำเป็นต้องดำเนินงานในภาษามากกว่าสองสามภาษาหรือไม่ หรือต้องการเสียงเฉพาะจากคลังเสียงที่มีขนาดใหญ่มาก? Eleven Realtime v1 Max หรือ v1 Mini แคตตาล็อกคือตัวผลิตภัณฑ์ และ Prism ไม่ได้เผยแพร่แคตตาล็อกที่เทียบเคียงได้

สิ่งที่เอเจนต์ของคุณพูดต้องได้รับการอนุมัติก่อนที่ผู้โทรจะได้ยินหรือไม่ หรือเสียงจะต้องอยู่ในเครือข่ายของคุณเท่านั้น? Rime Prism เช็กพอยต์และแพ็กเกจ on-prem คือสองสิ่งที่ ElevenLabs ไม่ได้เสนอในที่นี้ และทั้งสองไม่ใช่ฟีเจอร์ที่คุณจะเพิ่มภายหลังได้

หากทั้งสองข้อนั้นไม่เป็นข้อจำกัด และปัจจัยชี้ขาดคือต้นทุนหรือ? ถ้าใช่ ก็ให้รันมิเตอร์ทั้งสองตัวกับข้อมูลการเรียกใช้งานของคุณเอง เพราะราคาที่ประกาศไว้ที่แปดเซนต์นั้นเท่ากัน แต่รายการคิดค่าตามโทเคนไม่เท่ากัน ผู้ช่วยแบบเทิร์นสั้นที่ใช้การให้เหตุผลต่ำบน Mini จะชนะ Prism ด้านราคา ส่วนการติดตั้งใช้งาน Max ที่พึ่งพาเครื่องมือจำนวนมากน่าจะไม่ชนะ

สิ่งต่อไปที่ต้องจับตาคือตัวเลขเดียวที่จะชี้ขาดเรื่องนี้ Eleven Realtime v1 Max ยังไม่มีคะแนน τ-Voice และ Prism ก็ไม่มีคะแนนที่เป็นอิสระ หากมีโมเดลใดโมเดลหนึ่งขึ้นลีดเดอร์บอร์ดสาธารณะที่วัดโดยคนอื่นที่ไม่ใช่ผู้พัฒนาของตัวเอง การเปรียบเทียบนี้จะสั้นลงมาก จนถึงตอนนั้นทั้งสองยังเสมอกันที่ 0.57 วินาทีบนนาฬิกาจับเวลาสองเรือนที่ต่างกัน และส่วนที่เหลือเป็นเรื่องสถาปัตยกรรม

กล่าวปิดท้ายเกี่ยวกับตัวเลขข้างต้นอีกนิด: คะแนนของ Eleven Realtime เป็นตัวเลขจาก Artificial Analysis ส่วนการ์ดราคาเป็นของเจ้าของผู้ขายเอง และ 56.6 ของ Prism เป็นของ Rime ไม่มีเครื่องมือใดในบทความนี้ที่วางทั้งสองโมเดลไว้บนแกนเดียวกัน ซึ่งเป็นเหตุผลว่าทำไมชิ้นงานนี้จึงจัดโครงสร้างโดยเน้นที่สถาปัตยกรรมและความครอบคลุมแทนที่จะเน้นที่ตารางคะแนน