Rime Prism เทียบกับ Inworld Realtime TTS 2: 200 โลแคลกับหนึ่งเช็กพอยต์

นี่คือข้อเท็จจริงที่ควรยุติการเปรียบเทียบนี้ในเกือบทุกเวอร์ชันก่อนที่ใครจะเปิดผลการทดสอบมาตรฐาน: Inworld Realtime TTS 2 เผยแพร่ความครอบคลุมในกว่า 200 ภาษาและภูมิภาค พร้อมเสียงในตัว 282 เสียง ขณะที่ Rime Prism ไม่เผยแพร่จำนวนภาษาหรือจำนวนเสียงเลย หากคุณกำลังติดตั้งใช้งานตัวแทนเสียงในตลาดราวหนึ่งโหล นั่นไม่ใช่ข้อแลกเปลี่ยนที่ต้องชั่งน้ำหนัก แต่เป็นตัวกรองที่ตัดตัวเลือกหนึ่งออกไป การเปรียบเทียบนี้จะยังน่าสนใจเฉพาะผู้ซื้อที่ทำตลาดเดียวและอยู่ในอุตสาหกรรมที่มีการกำกับดูแล เพราะ Rime Prismเป็นโมเดลเดียวในคู่นี้ที่ให้แอปพลิเคชันอ่านและบล็อกประโยคได้ก่อนที่ผู้โทรจะได้ยิน Inworld Realtime TTS 2เป็นโมเดลแปลงข้อความเป็นเสียงที่มีจุดเด่นด้านเรียลไทม์ที่ดีมาก และไม่มีจุดตรวจสอบที่เทียบเท่า เพราะเมื่อถึงเวลาที่โมเดลเห็นข้อความ การตัดสินใจได้ถูกทำไปแล้ว

ชื่อเหล่านี้ยังทำให้เข้าใจผิดในลักษณะที่เคยก่อให้เกิดคำแนะนำที่ไม่ดีมาแล้ว “Inworld Realtime TTS 2” ไม่ใช่โมเดลแบบ speech-to-speech ส่วน Rime Prism คือโมเดลประเภทนั้น ความแตกต่างนี้เป็นพื้นฐานรองรับตัวเลขทุกตัวด้านล่าง และควรกล่าวไว้ก่อนที่ตัวเลขจะเริ่มต้น

หนึ่งในนี้ไม่ใช่เอเจนต์

Inworld Realtime TTS 2 เป็นข้อความเข้า เสียงออก พฤติกรรมแบบสองทิศทาง — การได้ยินผู้โทรขณะพูด และการจัดการการขัดจังหวะ — มาจาก Realtime API แยกต่างหากของ Inworld ซึ่งสื่อสารด้วยโปรโตคอล OpenAI Realtime และโฆษณาความหน่วงในการขัดจังหวะไว้ราว 100 ms นั่นเป็นผลิตภัณฑ์อีกตัวหนึ่งที่มีการเชื่อมต่ออีกชุดหนึ่ง ไม่ใช่คุณสมบัติของโมเดล TTS เอง ใครก็ตามที่อ่านคำว่า "Realtime" ในชื่อโมเดลแล้วสรุปว่าเป็น speech-to-speech แบบ end-to-end ได้อ่านแคตตาล็อกผิด

Prism คือรูปแบบที่แตกต่างออกไปโดยสิ้นเชิง เสียงเข้า เสียงออก ในระบบเดียว โดยมีจุดอ้างอิงที่เป็นข้อความอยู่ตรงกลาง และการเรียกใช้งานเครื่องมือที่ทำงานควบคู่ไปกับคำพูด แทนที่จะทำงานก่อนหน้า ด้วยเหตุผลนี้เองจึงกำหนดราคาตามนาทีของเสียงสนทนาในสาย — คุณกำลังซื้อสายสนทนา ไม่ใช่ข้อความ

การวางกรอบอย่างตรงไปตรงมาของการจับคู่นี้คือ: Inworld Realtime TTS 2 คือขั้นการสังเคราะห์เสียงที่ดีที่สุดในระดับเดียวกันสำหรับแคสเคดที่คุณประกอบขึ้นเอง และ Prism คือสิ่งที่มาแทนแคสเคดนั้น คุณสามารถชอบ Inworld และยังสร้างเอเจนต์ในรูปแบบ Prism ได้ เพียงแต่ต้องทำเป็นชิ้นส่วนมากขึ้น คุณไม่สามารถชอบ Prism แล้วยังได้ความครอบคลุมภาษาของ Inworld เพราะไม่ได้มีการเผยแพร่ไว้

ตัวเลขความคุ้มครอง และมูลค่าที่แท้จริงของตัวเลขเหล่านั้น

รายการของ Inworld เจาะจงอย่างผิดปกติ ซึ่งในตัวมันเองก็ให้ข้อมูลที่เป็นประโยชน์:

• โลแคล — กว่า 200 รายการ แบ่งเป็น 15 รายการในคุณภาพระดับ Tier 1 และ 79 รายการในระดับ Tier 2

• เสียง — 282 เสียงในตัว พร้อมพรีเซ็ตที่คัดสรรแล้ว 20 แบบ

• การโคลนเสียง — แบบ zero-shot จากเสียง 5 ถึง 15 วินาที; Professional Voice Cloning อยู่ในช่วงพรีวิวและใช้ได้เฉพาะรุ่นเรือธง

• ความต่อเนื่อง — อัตลักษณ์เสียงเดียวที่สอดคล้องกันซึ่งคงอยู่ข้ามภาษา ซึ่งเป็นคุณสมบัติที่ทำให้การเปิดตัวแบรนด์ในหลายตลาดดูตั้งใจทำขึ้นมา ไม่ใช่ดูเหมือนงานแปล

• เสียง — เอาต์พุต MP3, WAV, OGG, FLAC และ PCM, 8 kHz ถึง 48 kHz, ค่าเริ่มต้น 24 kHz

• ปริมาณงาน (Throughput) — 2,000 อักขระต่อคำขอ, การสตรีมผ่าน WebSocket พร้อมการเชื่อมต่อพร้อมกัน 20 รายการ และบริบท 5 รายการ

• ความหน่วง — เวลาถึงไบต์แรกฝั่งเซิร์ฟเวอร์ที่ P99 ต่ำกว่า 100 ms สำหรับ TTS-2; รุ่น Flash ที่เปิดตัวเมื่อวันที่ 31 สิงหาคม 2026 อ้างว่าต่ำกว่า 25 ms โดยการวัดจากบุคคลที่สามอยู่ที่ประมาณ 25 ms

การแบ่งเป็น Tier 1 และ Tier 2 คือส่วนที่ควรให้ความสนใจ มากกว่าตัวเลขพาดหัวที่มากกว่า 200 นั้น การมี 15 โลเคลที่คุณภาพระดับเรือธงจากทั้งหมด 200 โลเคลที่รองรับ ถือเป็นการเปิดเผยอย่างตรงไปตรงมาอย่างแท้จริง และบอกให้คุณรู้ว่าผลิตภัณฑ์ถูกทำจนสมบูรณ์จริงในส่วนไหน หากตลาดของคุณคืออังกฤษ สเปน โปรตุเกส เยอรมัน ฝรั่งเศส และญี่ปุ่น คุณก็มีแนวโน้มว่าจะอยู่ใน Tier 1 และตัวเลขพาดหัวนั้นเป็นเรื่องจริง หากเป็นอีก 185 โลเคล คุณก็อยู่ในส่วนของแคตตาล็อกที่มีอยู่จริงแต่ยังไม่ได้รับการคัดสรร

ลองเปรียบเทียบกับ Prism ซึ่งการไม่มีรายการที่เผยแพร่ไม่ใช่หลักฐานว่าความครอบคลุมต่ำ — Rime เผยแพร่จำนวนภาษาและเสียงสำหรับผลิตภัณฑ์แปลงข้อความเป็นเสียงพูดแยกต่างหากของตน แต่ไม่เผยแพร่สำหรับ Prism — ถึงกระนั้นมันก็เป็นหลักฐานว่าคุณไม่สามารถวางแผนโดยอิงกับมันได้ สำหรับการปรับใช้ในตลาดเดียวในภาษาที่ Rime พัฒนา การไม่มีข้อมูลนั้นไม่ทำให้คุณเสียหายอะไร สำหรับสิ่งใดที่กว้างกว่านั้น มันคือคำตอบทั้งหมด

คำถามเรื่องดูเพล็กซ์ที่ไม่มีใครถาม

“Realtime TTS” และ “speech-to-speech” ฟังดูเหมือนเป็นคำสัญญาเดียวกัน แต่เมื่อเจอการขัดจังหวะกลับทำงานไม่เหมือนกันเลย

ในแคสเคดที่สร้างบน Inworld Realtime TTS 2 การจัดการการขัดจังหวะเป็นปัญหาการประสานงานระหว่างบริการสามส่วน ตัวจดจำเสียงต้องตรวจจับได้ว่าผู้โทรเริ่มพูด ออร์เคสเตรเตอร์ต้องยกเลิกเทิร์นของโมเดลภาษา และตัวสังเคราะห์เสียงต้องหยุดกลางสตรีมและล้างบัฟเฟอร์ของตน Realtime API ของ Inworld ทำหน้าที่ในส่วนของตัวสังเคราะห์เสียงได้ดี — ใช้เวลาประมาณ 100 ms ในการขัดจังหวะ — แต่ส่วนอีกสองส่วนเป็นความรับผิดชอบของคุณ และความล้มเหลวนั้นได้ยินได้ชัด: เอเจนต์ยังคงพูดต่อไปอีกครู่หลังจากผู้โทรเริ่มพูด แล้วเริ่มประโยคใหม่จากตำแหน่งที่ผิด

Prism จัดการเรื่องนี้ภายในโมเดลเดียว และ Rime ยกการจัดการการพูดขัดจังหวะขึ้นมาเป็นประเด็นที่พูดถึงกับพาร์ตเนอร์ด้านการออกแบบ นี่ไม่ใช่ benchmark ที่คุณอ่านค่าได้ แต่เป็นบั๊กประเภทหนึ่งที่คุณจะเลิกเจอ สำหรับสายซัพพอร์ตที่ผู้โทรพูดทับเอเจนต์ตลอดเวลา มันมีค่ามากกว่าคะแนน Elo ไม่กี่จุด

ข้อโต้แย้งกลับคือ cascade ที่สร้างมาอย่างดีพร้อมเส้นทางการยกเลิกเชิงรุกนั้นทำงานนี้ได้ดีจริง ๆ และโค้ดประสานงานก็เป็นของที่รู้จักกันดีซึ่งหลายทีมเขียนไว้แล้ว การจัดการการขัดจังหวะเป็นเรื่องยาก ไม่ใช่เป็นไปไม่ได้ และช่องว่างระหว่างสถาปัตยกรรมทั้งสองจะแคบลงเมื่อทุ่มความพยายามทางวิศวกรรม สิ่งที่ไม่แคบลงคือจำนวนบริการที่คุณถูกเรียกให้จัดการตอนตีสาม

ราคา: สี่เซนต์กับสี่เซนต์ ประมาณนั้น

ราคาของ Inworld คิดตามจำนวนตัวอักษร ส่วน Prism คิดตามนาทีของเสียงสนทนาในการโทร และการแปลงหน่วยระหว่างสองแบบนี้คือจุดที่การเปรียบเทียบอย่างตรงไปตรงมาเกิดความผิดพลาด

• Inworld Realtime TTS 2 — $25 ต่อหนึ่งล้านอักขระแบบ on-demand, $12.50 ในแพ็กเกจ Growth และลดลงเหลือประมาณ $5 ที่ปริมาณระดับองค์กร ส่วน TTS-2 Flash อยู่ที่ $15, $7 และต่ำกว่า $5 ในแพ็กเกจระดับเดียวกัน ที่ประมาณ 1,000 อักขระต่อนาทีของการพูด อัตราแบบ on-demand อยู่ที่ประมาณ $0.025 ต่อนาทีของเสียงที่สร้างขึ้น

• Rime Prism — $0.080 ต่อนาทีสำหรับเสียงสนทนาใน Flex, $0.064 ใน Scale, เครดิตฟรี $50 ในแพ็กเกจฟรี และกำหนดราคาเองใน Enterprise

ดังนั้นการพูดของเอเจนต์หนึ่งนาทีมีค่าใช้จ่ายประมาณ 2.5 เซนต์จาก Inworld และ 8 เซนต์จาก Prism นั่นคือตัวเลขที่ตารางเปรียบเทียบแสดงไว้ และมันทำให้เข้าใจผิดด้วยเหตุผลสองประการ

ข้อแรกคือ เซนต์ของ Inworld แลกได้กับการประมวลผลหนึ่งฮอป ระบบแบบคาสเคดจะเพิ่มการรู้จำเสียง — โดยปกติอยู่ที่ครึ่งเซนต์ถึงหนึ่งเซนต์ต่อนาที — และการประมวลผลหนึ่งรอบของโมเดลภาษา ซึ่งที่ปริมาณการสนทนาปกติจะอยู่ในช่วงหลักเดียวตอนต้น เมื่อรวมทั้งสามส่วนเข้าด้วยกัน คุณจะใกล้เคียงกับหกถึงเก้าเซนต์ต่อนาทีที่เอเจนต์พูด ซึ่งอยู่ในช่วงเดียวกับค่าแปดของ Prism ช่องว่างในตารางเป็นผลพวงจากการนำองค์ประกอบเดียวไปเปรียบเทียบกับทั้งระบบ

ข้อที่สองคือ นาทีของ Prism ไม่ใช่นาทีของคำพูดเอเจนต์ แต่คิดเงินจากเสียงสนทนาในสาย ดังนั้นผู้โทรที่พูดสี่นาทีและฟังเอเจนต์หนึ่งนาทีจะทำให้ Prism ถูกคิดเงินเท่ากับห้านาที การคิดราคาของ Cascade ปรับตามปริมาณคำพูดของเอเจนต์ ส่วนของ Prism ปรับตามระยะเวลาที่สายดำเนินไป ในคิวซัพพอร์ตที่ลูกค้าพูดนาน นั่นคือค่าใช้จ่ายที่สูงขึ้นจริง ในขั้นตอนการจองที่เอเจนต์พูดเป็นส่วนใหญ่ แทบจะพอๆ กัน

โครงสร้างแพ็กเกจของ Inworld มีข้อจำกัดเชิงปฏิบัติที่น่าตรวจสอบเพิ่มเติม: แพ็กเกจ Creator ราคา 25 ดอลลาร์ต่อเดือน คิดค่าบริการตามการใช้งาน 25 ดอลลาร์ต่อหนึ่งล้านตัวอักษร ส่วนแพ็กเกจ Growth อยู่ที่ 12.50 ดอลลาร์ และองค์กรใช้แบบกำหนดเอง ส่วน concurrency รองรับการเชื่อมต่อ WebSocket ได้ 20 รายการบนเส้นทางสตรีมมิง ซึ่งสำหรับคิวขนาดกลางถือว่าเพียงพอ แต่สำหรับคิวขนาดใหญ่จะเป็นข้อจำกัดที่ผูกมัดโดยตรง

การควบคุม: ฝ่ายหนึ่งมีที่ยืน อีกฝ่ายหนึ่งไม่มี

นี่คือจุดที่ Prism ทำให้ราคาพรีเมียมนั้นคุ้มค่า และมันเป็นความแตกต่างเชิงโครงสร้างมากกว่าช่องว่างในด้านฟีเจอร์

Inworld Realtime TTS 2 มีความเข้าใจบริบทอย่างแท้จริง มันอ่านเทิร์นก่อนหน้าเป็นอินพุตเสียง รับการกำกับเสียงแบบอิสระเป็นภาษาอังกฤษธรรมดา รองรับแท็กแบบอินไลน์และโหมดสะกดทีละตัวอักษรสำหรับหมายเลขคำสั่งซื้อ รหัส และที่อยู่ โหมดสะกดนั้นเป็นสิ่งที่ใกล้เคียงกับการควบคุมก่อนการพูดมากที่สุดในการเปรียบเทียบนี้ และมันก็ดี — ซินธิไซเซอร์ที่พูด "สี่-เจ็ด-สอง" แทน "สี่ร้อยเจ็ดสิบสอง" ได้ช่วยแก้ปัญหาจริงประเภทหนึ่งของความล้มเหลวในการโทรสายซัพพอร์ต

แต่มันทำงานกับข้อความที่คุณได้ยืนยันไปแล้ว ไม่มีจุดใดในเทิร์นที่ Inworld จะบอกแอปพลิเคชันของคุณว่า "นี่คือสิ่งที่ฉันกำลังจะพูด" แล้วรออยู่ โหมดการสะกดจะแก้ไขการออกเสียง ไม่ใช่เนื้อหา

Prism บอกคุณทุกเทิร์น ข้อกล่าวอ้างของ Rime คือข้อความนั้นเป็นจุดตรวจสอบมากกว่าจะเป็นตัวกลาง: เรลการ์ดสามารถตรวจทุกคำก่อนที่จะถูกพูด ชั้นนโยบายสามารถเขียนประโยคที่ถูกปฏิเสธใหม่ และโมเดลจะพูดข้อความทดแทน ข้อกล่าวอ้างที่ต้องห้ามสามารถถูกบล็อกได้ทันทีในขณะที่การสนทนายังดำเนินอยู่ การที่การใช้เหตุผลของโมเดลเป็นแบบเสียงโดยแท้จริงหรือไม่นั้นเป็นข้อกล่าวอ้างที่ควรค่าแก่การทดสอบ ส่วนการที่ข้อความมาถึงก่อนเสียงเป็นข้อเท็จจริงด้านการออกแบบ

สำหรับการติดตั้งใช้งานในตลาดเดียวที่มีการกำกับดูแล ข้อเท็จจริงนี้คือเหตุผลที่ต้องจ่ายแปดเซนต์แทนที่จะประกอบคาสเคดที่ถูกกว่า สำหรับกรณีอื่น ๆ ทั้งหมด มันเป็นฟีเจอร์ที่คุณกำลังซื้อและอาจไม่จำเป็นต้องใช้

คำกล่าวอ้างบนกระดานผู้นำนั้นจริง ๆ แล้วบอกว่าอะไร

Inworld วางตลาด Realtime TTS 2 ว่าเป็นอันดับหนึ่งบน Artificial Analysis Speech Arena การจัดอันดับอิสระบนอารีนาระบุว่ามี Elo ประมาณ 1,245 อยู่อันดับสามบนกระดานปัจจุบัน โดย TTS-2 Flash อยู่ที่ประมาณ 1,210 และอันดับหก การจบในสามอันดับแรกบนอารีนาสาธารณะเป็นผลลัพธ์ที่ยอดเยี่ยมและเป็นคำกล่าวอ้างที่มีประโยชน์กว่าคำกล่าวอ้างในสื่อการตลาด ความคลาดเคลื่อนนี้คือถ้อยแถลงการวางตำแหน่งที่ปะทะกับตารางสดซึ่งเปลี่ยนแปลงเมื่อผู้โหวตเข้ามา

ยังไม่มีค่าที่เทียบเท่ากับ Prism ได้ คะแนน 56.6 ของ Prism บน τ-Voice เป็นคะแนนการทำภารกิจให้สำเร็จแบบเอเจนต์ที่ Rime วัดเอง บนชุดทดสอบที่ Artificial Analysis ก็ใช้เช่นกัน โดยตอนเปิดตัวยังไม่มีรายการบนลีดเดอร์บอร์ดที่เผยแพร่ ตัวเลขสองตัวนี้วัดคนละสิ่ง — เสียงฟังดูเป็นอย่างไรสำหรับผู้ให้คะแนนที่เป็นมนุษย์ เมื่อเทียบกับเอเจนต์ทำภารกิจบริการจำลองสำเร็จบ่อยแค่ไหน — และไม่มีการคำนวณใดที่เปลี่ยนค่าหนึ่งให้เป็นอีกค่าหนึ่งได้

ความไม่สมมาตรนั้นยังเป็นภาพย่อของการเปรียบเทียบอีกครั้ง Inworld มีคะแนนคุณภาพเสียงพร้อมผู้ตัดสิน ส่วน Prism มีคะแนนความสามารถของเอเจนต์โดยไม่มีผู้ตัดสิน ทั้งสองบริษัทไม่เคยเผยแพร่การเปรียบเทียบแบบตัวต่อตัว และไม่มีโมเดลใดเคยถูกทดสอบกับงานเดียวกันโดยห้องวิจัยเดียวกัน

ถ้าคุณสร้างคาสเคดขึ้นมา เราจะจัดเส้นทางในส่วนกลางให้เอง

Inworld Realtime TTS 2 จำหน่ายโดยตรงโดย Inworld และผ่านแพลตฟอร์มบุคคลที่สามหลายแห่ง ส่วน Rime Prism จำหน่ายโดยตรงโดย Rime ทั้งสองรายการยังไม่มีอยู่ในแคตาล็อกของ OrcaRouter ในปัจจุบัน และบทความนี้ไม่ได้กล่าวอ้างเป็นอย่างอื่น

สถาปัตยกรรมแบบคาสเคดที่โมเดลของ Inworld อยู่ด้วยนั้นยังต้องมีโมเดลภาษาไว้ตรงกลาง และตรงกลางนั่นเองคือจุดที่คุณภาพและต้นทุนถูกกำหนดอย่างแท้จริง OrcaRouter รวมโมเดลกว่า 200 รายไว้หลังคีย์เดียวโดยบวกกำไร 0% จากราคาตามรายการของผู้ให้บริการ พร้อมการสลับไปใช้ตัวสำรองอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง และ DSL สำหรับกำหนดเส้นทางเพื่อส่งแต่ละช่วงบทสนทนาไปยังโมเดลที่ต่างกัน — ใช้ตัวราคาถูกสำหรับการตอบรับ ใช้ตัวที่ความสามารถสูงสำหรับการค้นหา ทั้งหมดผ่านปลายทางเดียว สำหรับเอเจนต์เสียง นี่คือหน่วยที่มีประโยชน์: จุดเดียวสำหรับเปลี่ยนโมเดลโดยไม่ต้องแตะเส้นทางการโทร

เรายังมีเส้นทางสำหรับการสังเคราะห์เสียงด้วย หากคุณต้องการใช้คีย์เดียวกันแทนการทำสัญญาที่สอง: openai/tts-1-hdและ google/gemini-3.1-flash-tts-preview ต่างก็มีให้บริการในราคาตามรายการ ทั้งสองไม่ใช่ Inworld Realtime TTS 2 ทั้งคู่เป็นขั้นตอนสุดท้ายของแคสเคดที่คุณสามารถประกอบได้วันนี้

สองคำถาม และคำถามที่ชี้ขาด

คำถามข้อหนึ่ง: มีกี่ภาษา? หากคำตอบมีมากกว่าสองสามภาษา ก็จบการเปรียบเทียบที่ Inworld Realtime TTS 2 สองร้อยโลเคลพร้อมรายชื่อ Tier 1 ที่เผยแพร่จำนวนสิบห้ารายการ ย่อมเหนือกว่ารายการที่ไม่ได้เผยแพร่และไม่มีตัวเลขกำกับใด ๆ และคุณไม่อาจดำเนินการจัดซื้อจัดจ้างจากช่องข้อมูลที่ว่างเปล่าได้

คำถามข้อสอง: มีใครต้องอนุมัติประโยคก่อนที่จะพูดออกไปหรือไม่? ถ้าใช่ Prism ไม่ใช่เพราะพูดได้ดีกว่า — ไม่มีหลักฐานยืนยันทั้งสองทาง — แต่เพราะเป็นโมเดลเดียวในที่นี้ที่สร้างประโยคออกมาเป็นอาร์ติแฟกต์ที่แอปพลิเคชันของคุณเก็บไว้ได้ นั่นคือผลิตภัณฑ์ทั้งหมด และมีค่าใช้จ่ายประมาณแปดเซนต์ต่อนาทีการเรียก

ถ้าทั้งสองฝ่ายไม่ได้เป็นตัวชี้ขาด คำตอบที่ตรงไปตรงมาคือคุณควรสร้างแคสเคดที่ถูกกว่าโดยใช้ซินธิไซเซอร์ของ Inworld และใช้เงินที่ประหยัดได้ไปกับระบบจัดการการขัดจังหวะ เพราะนั่นคือส่วนของประสบการณ์ที่ผู้โทรสังเกตเห็นได้จริง ๆ สองเซนต์ครึ่งต่อนาทีสำหรับขั้นตอนการสังเคราะห์เสียงถือเป็นข้อเสนอที่แข็งแกร่งจากโมเดลที่ครองอันดับสองบนอารีนาสาธารณะ และเช็กพอยต์ที่คุณกำลังปฏิเสธนั้นเป็นสิ่งที่คุณเพิ่งบอกเราว่าคุณไม่ต้องการ

หมายเหตุเกี่ยวกับตัวเลขเหล่านี้ก่อนที่ใครจะนำไปอ้างอิง: ตัวเลขด้านความครอบคลุม ความหน่วง และราคาของ Inworld เป็นข้อมูลของ Inworld เอง ส่วน Elo ของ arena นั้นเป็นของ Artificial Analysis และขัดแย้งกับตำแหน่งอันดับหนึ่งของ Inworld ส่วนตัวเลข 56.6 ของ Prism เป็นของ Rime และยังไม่มีการตรวจสอบซ้ำ ยังไม่มีบุคคลที่สามอิสระรายใดวัดผลว่าโมเดลตัวหนึ่งทำงานของอีกตัวหนึ่งได้ ซึ่งเป็นช่องว่างเพียงหนึ่งเดียวที่ทั้งสองบริษัทไม่ได้ปิด