Rime Prism เทียบกับ Qwen-Audio-3.0-TTS: เอ็นจินสนทนาเทียบกับเลย์เสียง

Rime Prism คิดราคา $0.080 ต่อนาที การโทรสายสนับสนุนห้านาทีบนระบบนี้มีค่าใช้จ่าย $0.40 และ $0.40 นั้นครอบคลุมการฟัง การคิดเหตุผล การผลัดกันพูด และการสังเคราะห์เสียงพูดไว้ในโมเดลเดียว Qwen-Audio-3.0-TTS คิดราคา $19.30 ต่อล้านตัวอักษร ซึ่งสำหรับสายเดียวกันนี้อยู่ที่ประมาณ $0.10 — สำหรับเฉพาะการพูดเท่านั้น เมื่อนำตัวเลขเหล่านี้มาเทียบกัน การเปรียบเทียบดูเหมือนจะจบลงแบบเข้าข้าง Qwen แต่ยังไม่จบ เพราะโมเดลทั้งสองไม่ได้แข่งขันกันในตำแหน่งเดียวกันของสแต็ก และส่วนต่าง $0.30 ส่วนใหญ่คือราคาของการตัดการส่งต่อสองจุดออกจากเส้นทางระหว่างประโยคของผู้โทรกับคำตอบ

Rime เปิดตัว Prism เมื่อวันที่ 28 ตุลาคม 2026 ซึ่งเป็นวันก่อนที่หน้านี้จะถูกเขียนขึ้น มันเป็นโมเดลแบบ speech-to-speech ไม่ใช่ text-to-speech: มันฟังเสียง คิดคำตอบขึ้นมา เขียนคำตอบนั้นเป็นข้อความที่แอปพลิเคชันสามารถตรวจสอบได้ แล้วจึงพูดออกมา พร้อมกับยังฟังอยู่ตลอดเวลา Alibaba ประกาศ Qwen-Audio-3.0-TTS ที่งาน WAIC เมื่อวันที่ 20 กรกฎาคม 2026 โดยมีระดับ Plus สำหรับคุณภาพ และระดับ Flash สำหรับการทำงานแบบเรียลไทม์ โมเดลนั้นรับข้อความและส่งคืนเสียงเท่านั้น Alibaba แทนที่มันด้วย Qwen-Audio-3.1-TTS เมื่อวันที่ 23 กันยายน 2026 ดังนั้นเลข 3.0 ในพาดหัวนี้จึงเป็นรุ่นก่อนหน้าของตระกูลเดียวกันไปแล้ว ซึ่งเป็นจุดที่ดูขัด ๆ และจะกลับมาอีกในภายหลัง พร้อมทั้งเปลี่ยนสิ่งที่คุณควรซื้อจริง ๆ

คำถามที่มีประโยชน์ไม่ใช่ว่าอันไหนฟังดูดีกว่า แต่คืออันไหนที่คุณวางไว้ตรงหน้าผู้โทร และถ้าคุณทำแบบนั้น ส่วนที่เหลือของไดอะแกรมจะต้องมีหน้าตาอย่างไร

ผลิตภัณฑ์สองรายการ ในช่องเดียวของไดอะแกรม

voice agent แบบเดิมคือกระบวนการต่อเนื่องหลายขั้น ได้แก่ การรู้จำเสียงพูดที่เปลี่ยนเสียงของผู้โทรเป็นข้อความ โมเดลภาษาที่ตัดสินใจว่าจะพูดอะไร และการแปลงข้อความเป็นเสียงที่เปลี่ยนคำตอบนั้นกลับเป็นเสียง แต่ละช่วงต่อคือจุดที่สำเนียงของผู้โทรอาจหายไป จุดที่คำเสริมอาจถูกตัดออก และจุดที่อาจมีเวลาเพิ่มขึ้น 200 มิลลิวินาที

ข้อโต้แย้งของ Rime คือระบบแบบแคสเคดนั้นทิ้งบางสิ่งไปโดยไม่สามารถกู้คืนได้ ในระบบแบบแคสเคด โมเดลภาษาไม่เคยได้ยินว่าผู้โทรพูดสิ่งนั้นอย่างไร — เสียงถอนหายใจ ระดับเสียงที่สูงขึ้นตอนท้ายคำถาม หรือการหยุดชั่วคราวก่อนเลขบัตรเครดิต — เพราะสิ่งที่มันได้รับมีเพียงข้อความถอดเสียง Prism รักษาสัญญาณเสียงให้คงอยู่ครบตลอดกระบวนการตัดสินใจ แล้วจึงส่งออกข้อความเป็นจุดตรวจสอบแทนที่จะเป็นรูปแบบกลาง

นี่คือความแตกต่างเชิงสถาปัตยกรรมที่แท้จริง และเป็นพื้นฐานทั้งหมดของผลิตภัณฑ์ นอกจากนี้ยังหมายความว่า Prism ไม่ใช่ตัวแทนที่นำมาเสียบแทนเอนจิน TTS ได้ทันที ถ้าคุณนำมันไปใส่ในช่องสุดท้ายของแคสเคด คุณก็จะได้เครื่องสังเคราะห์เสียงพูดราคาแพงที่ต้องได้ยินผู้โทรก่อน ถ้านำ Qwen-Audio-3.0-TTS ไปใส่ในช่องของ Prism คุณก็จะได้โมเดลที่ไม่สามารถได้ยินอะไรเลย

Rime Prism ขายอะไรกันแน่

Prism เป็นโมเดลแรกที่ Rime ส่งมอบออกมาโดยตัดขั้นตอน STT และ LLM ออก แทนที่จะปรับแต่งให้เหมาะสมเพียงขั้นตอนใดขั้นตอนหนึ่ง ชั้นข้อความเป็นฟีเจอร์ที่ผู้ซื้อระดับองค์กรให้ความสำคัญ: การตรวจสอบนโยบาย ตัวกรอง PII หรือผู้ควบคุมที่เป็นมนุษย์สามารถอ่านถ้อยคำที่จะถูกพูดออกมาอย่างแม่นยำ และเนื่องจากโมเดลยังคงฟังอยู่ขณะที่การตรวจสอบทำงาน การหยุดชะงักจึงไม่จำเป็นต้องได้ยิน การเรียกใช้เครื่องมือทำงานขนานกับการพูดแทนที่จะทำงานก่อนการพูด ซึ่งเป็นวิธีซ่อนความหน่วงของการค้นฐานข้อมูลที่แตกต่างจากอาการหยุดชะงักแบบ "เดี๋ยวผมขอตรวจสอบให้ก่อนนะ" ที่พบได้ทั่วไป

ตัวเลขที่เผยแพร่ ซึ่งทั้งหมดมาจาก Rime: 0.57 วินาทีถึงเสียงแรกบน benchmark τ-Voice, อัตราความสำเร็จของงาน 56.6% บน benchmark นั้น และ 82.5% บนชุดย่อยด้านโทรคมนาคม การทดลองของ Revmo กับสายโทรสั่งซื้อจริงประมาณสิบชั่วโมงถูกอ้างว่าให้การยืนยันคำสั่งซื้อ 100% เทียบกับ 68% สำหรับโมเดล OpenAI ที่ไม่ระบุชื่อ โดย 85% ของสายไม่มีการสร้างข้อมูลเท็จ เทียบกับ 35% ตัวเลขจากการทดลองเหล่านั้นมาจากกรณีศึกษาลูกค้าที่ Rime เป็นผู้ว่าจ้าง ไม่ได้เผยแพร่วิธีการ และไม่มีใครทำซ้ำได้

ราคาคิดตามนาทีของเสียงสนทนา และใช้โมเดลราคาเดียวกันในทุกระดับ: $0.080/นาทีสำหรับ Flex โดยไม่มีค่าบริการรายเดือน, $0.064/นาทีสำหรับ Scale ในราคา $100 ต่อเดือน พร้อมเครดิต $100 ที่ยกยอดสะสมได้ถึง $200 และอัตราตามปริมาณสำหรับ Enterprise บัญชีฟรีได้รับเครดิต $50 ต่อเดือน Prism สตรีมผ่าน WebSockets และมาพร้อมอินเทอร์เกรชันสำหรับ LiveKit และ Pipecat API สำหรับ fine-tuning แบบ SFT และ RL ที่ให้บริการด้วยตนเองอยู่ในช่วงเบต้า ยังไม่เปิดให้ใช้ทั่วไป ส่วนระดับ Enterprise คือที่ที่มีการติดตั้งแบบ on-premises และ VPC, เสียงกำหนดเอง, HIPAA BAA และ SOC 2 Type II

Qwen-Audio-3.0-TTS ขายอะไรจริง ๆ

Qwen-Audio-3.0-TTS เป็นระบบสังเคราะห์เสียงที่มีการควบคุมเป็นพิเศษ โดยรับแท็กการส่งเสียงแบบแทรกในข้อความ — [gasp], [laughs], [angry] — ที่ฝังอยู่ในตัวข้อความเอง ทำให้อารมณ์ผูกกับตัวละครแทนที่จะผูกกับทั้งย่อหน้า รองรับ 16 ภาษาและ 20 ภาษาถิ่นจีน สร้างเสียงได้สูงสุดสามนาทีต่อคำขอที่ 48 kHz และมาพร้อมคลังเสียงมากกว่า 1,000 แบบ ระดับ Plus เป็นระดับคุณภาพ ส่วน Flash มุ่งเน้นการโต้ตอบแบบเรียลไทม์ และเอกสารของ Alibaba ระบุว่ามีความหน่วงของแพ็กเก็ตแรกต่ำกว่า 200 มิลลิวินาที ขณะที่การรายงานข่าวช่วงเปิดตัวก่อนหน้าระบุไว้ที่ประมาณ 300

ราคาตามรายการคือ $0.19253 ต่อ 10,000 ตัวอักษรในภูมิภาคปักกิ่ง และ $0.20 ในสิงคโปร์ ซึ่งคิดเป็น $19.30 ถึง $20 ต่อล้านตัวอักษร — เป็นตัวเลขที่ Artificial Analysis แสดงบนกระดานผู้นำของตน อัตราการประมวลผลถูกจำกัดไว้ที่ 180 คำขอต่อนาทีในทั้งสองภูมิภาค ไม่มีน้ำหนักโมเดล ไม่มีตัวเลือก self-hosting และไม่มีแนวทางสำหรับการติดตั้งภายในองค์กร หากภูมิภาคของ Alibaba เป็นปัญหาในการทบทวนถิ่นที่อยู่ของข้อมูลของคุณ โมเดลนี้ก็ไม่มีให้คุณใช้งานเลย

กระดานคะแนน

• ประเภท — Rime Prism ฟังเสียงและพูดตอบกลับ; Qwen-Audio-3.0-TTS รับข้อความและคืนเสียง

• การเปิดตัว — Prism ในวันที่ 28 ตุลาคม 2026; Qwen-Audio-3.0-TTS ในวันที่ 20 กรกฎาคม 2026 ซึ่งถูกแทนที่ด้วย Qwen-Audio-3.1-TTS ในวันที่ 23 กันยายน 2026

• หน่วยการเรียกเก็บเงิน — Prism $0.080 ต่อนาทีของเสียงสนทนาใน Flex, $0.064 ใน Scale; Qwen $19.30 ต่อล้านตัวอักษรใน Plus, ประมาณ $13.75 ถึง $15 ต่อล้านใน Flash

• ความหน่วง — {{1}}Prism ใช้เวลา 0.57 วินาทีถึงเสียงแรก วัดโดยผู้จำหน่าย;{{/1}} {{2}}Qwen Flash ต่ำกว่า 200 มิลลิวินาทีสำหรับแพ็กเก็ตแรก ตามเอกสารของ Alibaba{{/2}}

• คะแนนอิสระ — Prism ไม่มีคะแนนใน Speech-to-Speech Index ของ Artificial Analysis; Qwen-Audio-3.0-TTS-Plus อยู่ที่ Elo 1,269 เป็นอันดับที่ 6 จาก 99 ใน Text-to-Speech Arena ตามที่ปรากฏบนกระดานจัดอันดับ ณ วันที่ 29 ตุลาคม 2026

• ภาษา — Prism รองรับเฉพาะภาษาอังกฤษเมื่อเปิดตัว; Qwen รองรับ 16 ภาษา พร้อมภาษาถิ่นจีน 20 ภาษา

• การปรับใช้ — Prism cloud, VPC หรือ on-premises พร้อม HIPAA BAA และ SOC 2 Type II สำหรับ Enterprise; Qwen ใช้ได้ผ่าน Alibaba Cloud Model Studio เท่านั้น

การโทรห้านาที ในราคา

สมมติว่ามีสายสนับสนุนขาเข้า lasting ห้านาที ซึ่งเจ้าหน้าที่พูดประมาณ 1,000 ตัวอักษรต่อนาที — FAQ ด้านราคาของ Rime เองใช้สัดส่วนนี้ในการแปลงระหว่าง TTS ที่คิดค่าบริการตามจำนวนตัวอักษรกับ Prism ที่คิดค่าบริการตามจำนวนนาที ดังนั้นจึงเป็นเกณฑ์กลางที่ยุติธรรม นั่นคือคำพูด 5,000 ตัวอักษร

บน Prism ค่าบริการสำหรับห้านาทีคือ $0.080 หรือ $0.40 ที่อัตรา Scale คือ $0.32 การเรียกแบบนี้หนึ่งหมื่นครั้งมีค่าใช้จ่าย $4,000 และ $3,200 ตามลำดับ

บนคาสเคดที่สร้างขึ้นโดยมี Qwen-Audio-3.0-TTS-Plus เป็นแกนหลัก ข้อความ 5,000 ตัวอักษรมีค่าใช้จ่าย $0.0965 เพิ่มระบบรู้จำเสียงพูดของ Rime เองในราคานาทีละ $0.002 — ห้าเซนต์สำหรับการเรียกครั้งนั้น — และโมเดลข้อความสำหรับการให้เหตุผล ที่ต้นทุนรวมเฉลี่ย $0.50 ต่อล้านโทเคน และใช้ไม่กี่พันโทเคนต่อเทิร์น ส่วนนี้เพิ่มขึ้นต่ำกว่าหนึ่งเซนต์มาก คาสเคดนี้ตกอยู่ที่ประมาณ $0.11 ต่อการเรียก หรือประมาณ $1,100 สำหรับหนึ่งหมื่นครั้ง การใช้ Flash แทน Plus ทำให้ค่าใช้จ่ายส่วนการสังเคราะห์เสียงลดลงเหลือประมาณ $0.069 ในปักกิ่ง และยอดรวมเหลือประมาณ $0.08

ดังนั้นแคสเคดมีราคาประมาณหนึ่งในสี่ของราคา Prism และช่องว่างอยู่ที่ 2,900 ถึง 3,200 ดอลลาร์ต่อการเรียก 10,000 ครั้ง ราคาเหล่านี้เป็นราคาตามรายการ และสมมติฐานเป็นของเรา ไม่ใช่ของ Rime; ประเด็นอยู่ที่รูปร่างของช่องว่าง ไม่ใช่ทศนิยมตำแหน่งที่สาม

ส่วนตรงกลางของลำดับขั้นนั้นยังเป็นองค์ประกอบเดียวที่คุณสามารถย้ายได้โดยไม่ต้องแตะต้องอีกสองส่วน OrcaRouter จัดเส้นทางโมเดลข้อความไว้เบื้องหลัง API เดียว — กว่า 200 โมเดล ราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยบวกเพิ่ม 0% และการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการมีคุณภาพลดลงระหว่างการสนทนา — ดังนั้นขั้นตอนการให้เหตุผลจึงสามารถชี้ไปยังโมเดลที่ถูกกว่าหรือแข็งแกร่งกว่าได้ระหว่างการเรียกแต่ละครั้ง จุดตรวจสอบข้อความของ Prism ก็เป็นข้อความธรรมดาด้วยเหตุผลเดียวกัน: ไม่ว่าอะไรจะนำไปใช้ ตั้งแต่การเรียกเครื่องมือ ไปจนถึงการสรุปหลังการเรียก ไปจนถึงการให้คะแนน QA ล้วนสามารถอยู่บนปลายทางที่จัดเส้นทางไว้และเป็นอิสระจากชั้นเสียงที่อยู่ข้างใต้

ที่ซึ่งแคสเคดยังคงชนะ

ยกตัวอย่างหนึ่งคือศูนย์ติดต่อลูกค้าหลายภาษา Prism รองรับเฉพาะภาษาอังกฤษเมื่อเปิดตัว พร้อมชุดเสียงที่จำกัด Qwen-Audio-3.0-TTS มาพร้อม 16 ภาษาและ 20 ภาษาถิ่นจีน — และรุ่นถัดไปเพิ่มการถ่ายโอนลักษณะเสียงข้ามภาษาระหว่างภาษาจีนกลาง กวางตุ้ง อังกฤษ และญี่ปุ่น หากสัดส่วนที่มีนัยสำคัญของผู้โทรของคุณไม่ได้พูดภาษาอังกฤษ การเปรียบเทียบนี้ก็จบลงที่เอกสารสเปก

การสร้างแบบครั้งเดียวคือกรณีที่สอง พรอมต์ IVR การแจ้งเตือนขาออก บทในหนังสือเสียง บทสนทนาในเกม ล้วนไม่มีการที่ผู้โทรพูดตอบกลับ จึงไม่มีอะไรให้โมเดลแปลงเสียงเป็นเสียงได้ยิน การจ่าย $0.080 ต่อนาทีให้กับโมเดลที่สามารถฟังได้ในขณะที่ไม่มีใครพูด คือการจ่ายเงินสำหรับครึ่งหนึ่งที่ไม่ได้ใช้งาน

ปริมาณคือข้อที่สาม ด้วยต้นทุนเพียงหนึ่งในสี่ของต้นทุนต่อการเรียก แคสเคดจึงเหลืองบประมาณไว้สำหรับส่วนที่สร้างความแตกต่างให้เอเจนต์ได้จริง — การค้นคืนที่ดีขึ้น โมเดลการให้เหตุผลที่แข็งแกร่งขึ้น การจัดเส้นทางการส่งต่อไปยังมนุษย์

จุดที่ Prism ยังคงชนะ

บริการโทรศัพท์ขาเข้าที่อยู่ภายใต้การกำกับดูแลคือกรณีที่ Prism ถูกสร้างมาเพื่อรองรับโดยเฉพาะ ธนาคารที่ต้องสามารถแสดงให้เห็นว่าตัวแทนของตนกำลังจะพูดอะไร และบล็อกข้อความนั้นก่อนที่ลูกค้าจะได้ยิน ไม่สามารถทำเช่นนั้นได้ด้วยโมเดลเรียลไทม์แบบ fused และทำได้เพียงประมาณการด้วย cascade ซึ่งขั้นตอนด้านข้อความเป็นบริการแยกต่างหากที่มี latency ของตัวเองและโหมดความล้มเหลวของตัวเอง Prism วาง checkpoint ไว้ภายในโมเดลและคอยฟังต่อเนื่องผ่านโมเดลนั้น

มันยังชนะในตัวชี้วัดที่ตัดสินว่าการโทรรู้สึกเหมือนมนุษย์หรือไม่ นั่นคือช่วงเงียบกลางบทสนทนา คาสเคดที่เร็วบนกระดาษก็ยังต้องรวมเวลาการตรวจจับจุดสิ้นสุดเสียง เวลาของโมเดลจนถึงโทเคนแรก และเวลาสังเคราะห์จนถึงแพ็กเก็ตเสียงแรกเข้าด้วยกัน และคาสเคดที่ทำได้ต่ำกว่าหนึ่งวินาทีแบบ end-to-end ก็ถือว่าทำได้ดี Prism วัดได้ 0.57 วินาทีตั้งแต่จบช่วงการพูดของผู้โทรจนถึงเสียงแรกของการตอบกลับ ในหนึ่งฮอป

และมันชนะในเรื่องการติดตั้งใช้งานสำหรับผู้ซื้อที่ไม่สามารถใช้ภูมิภาคคลาวด์ของจีนได้เลย — VPC, on-premises, HIPAA BAA, SOC 2 Type II และการปรับแต่งโมเดลด้วยไฟล์บันทึกเสียงการสนทนาของคุณเองแทนที่จะใช้โมเดลฐานร่วม

ตัวเลขที่ทั้งสองฝ่ายให้คุณไม่ได้

ไม่มีโมเดลใดมีตัวเลขที่ทีมจัดซื้อจัดจ้างอยากได้มากที่สุด: การเปรียบเทียบแบบตัวต่อตัวที่เป็นอิสระบนเกณฑ์มาตรฐานเดียวกัน

Prism ไม่ได้ถูกระบุในดัชนี Speech-to-Speech ของ Artificial Analysis ตัวเลข τ-Voice ที่ 56.6% เป็นผลลัพธ์ที่ผู้จำหน่ายเป็นผู้รัน และตารางที่ Rime เผยแพร่ควบคู่กันนั้นควรอ่านอย่างละเอียด GPT-Live-1 (Sol, low) ถูกพล็อตไว้ที่ 59.3% ซึ่งสูงกว่า Prism ขณะที่ข้อความโดยรอบระบุว่า Prism "นำหน้าโมเดลเรียลไทม์ทุกรุ่นจาก OpenAI และ Google" โพสต์เปิดตัวยังอ้างถึง "ต่ำกว่า 300 ms" และ "เร็วกว่า GPT-Live 4 เท่า" ซึ่งเป็นตัวเลขที่ไม่ปรากฏในตาราง benchmark ซึ่งระบุว่า 0.57 s การวัดที่ต่างกันอาจอธิบายความแตกต่างได้ แต่หน้าเว็บไม่ได้อธิบายไว้

ตัวเลขของ Qwen เป็นตัวเลขที่แข็งแกร่งกว่า เพราะ 1,269 Elo มาจากการลงคะแนนของผู้ฟังแบบไม่ระบุตัวตน ไม่ใช่มาจาก Alibaba และตอนนี้มันก็ไม่ใช่ตัวเลขที่ดีที่สุดในตระกูลของตัวเองอีกต่อไป: Qwen-Audio-3.1-TTS-Plus อยู่อันดับสามที่ 1,305 ณ วันที่ 29 ตุลาคม 2026 และการแก้ไขของ Artificial Analysis ได้ขยับกระดานนี้มากกว่าหนึ่งครั้งในปีนี้ ดังนั้นคะแนนจากสแนปช็อตที่แตกต่างกันจึงไม่ควรนำมาลบกัน

ข้อควรระวังเฉพาะของ Rime ให้ผลตรงกันข้าม เสียงของ Rime เพียงกลุ่มเดียวที่ได้รับการจัดอันดับอย่างอิสระคือโมเดล TTS ของบริษัท และบนกระดานจัดอันดับเดียวกัน Coda อยู่อันดับ 65 ด้วย Elo 1,054 ส่วน Mist V2 อยู่อันดับ 92 ด้วย 903 — อยู่ในครึ่งล่างของทั้ง 99 อันดับ Prism อาจฟังดูดีกว่าพี่น้องของมันก็ได้ แต่ไม่มีข้อมูลที่เผยแพร่ใดที่ช่วยให้ผู้ซื้อยืนยันเรื่องนั้นได้ก่อนเซ็นสัญญา

ดูอะไรดี

มีสามสิ่งที่จะเปลี่ยนคำแนะนำนี้ การที่ Prism ปรากฏบน Speech-to-Speech Index จะทำให้มันมีตัวเลขอิสระเป็นครั้งแรกที่เคยมี การทำงานแบบ full-duplex — Prism เป็น half-duplex พร้อม barge-in ตอนเปิดตัว — จะทำให้ช่องว่างที่เหนือกว่า cascade ใด ๆ ซึ่งต้องรอให้ผู้โทรพูดจบกว้างขึ้น และการที่ self-serve fine-tuning APIs ออกจาก beta คือความแตกต่างระหว่าง "องค์กรสามารถ fine-tune ได้" กับ "คุณสามารถ fine-tune ได้ในวันอังคาร"

ในอีกด้านหนึ่ง จับตาดูว่าอลิบาบาจะทำอย่างไรกับราคาของ Qwen-Audio-3.1-TTS หลังจากการลดราคาประมาณ 70% ที่ประกาศใช้เมื่อวันที่ 22 กันยายน 2026 การลดราคาแบบต่อเนื่องเป็นทอด ๆ ซึ่งทั้งช่วงกลางและช่วงสุดท้ายต่างก็ถูกลงเรื่อย ๆ นั้นเป็นเป้าหมายที่เคลื่อนไหว และอัตราต่อนาทีของ Prism ถูกตรึงไว้เมื่อเทียบกับสิ่งนี้

สำหรับทีมส่วนใหญ่ คำตอบที่ตรงไปตรงมาคือใช้ทั้งสองแบบ ไม่ใช่เลือกอย่างใดอย่างหนึ่ง วาง Prism ไว้ด้านหน้าผู้โทรขาเข้าซึ่งบทสนทนาจำเป็นต้องมีจุดตรวจสอบและงบความหน่วงแบบ hop เดียว ใช้ Qwen-Audio-3.0-TTS — หรือที่จริงตอนนี้คือ Qwen-Audio-3.1-TTS — ในเส้นทางขาออกที่ไม่มีใครพูดโต้กลับและค่าใช้จ่ายคิดตามจำนวนตัวอักษร ข้อผิดพลาดคือการเลือกเพียงอย่างใดอย่างหนึ่งเพราะตารางการวัดประสิทธิภาพบอกไว้ ทั้งที่ตารางนั้นมีหมายเหตุท้ายตาราง และหมายเหตุนั้นคือสิ่งที่แบกรับน้ำหนักหลักไว้