Rime Prism viết trước khi nói. Đó chính là toàn bộ sản phẩm.

Rime Prism, ra mắt ngày 28 tháng 10 năm 2026, là một mô hình speech-to-speech dành cho voice agent doanh nghiệp, và tính năng mà nó sẽ được đánh giá dựa trên đó không phải là chất lượng giọng nói. Mà là việc Prism phát câu trả lời dưới dạng văn bản trước khi nói thành tiếng, để ứng dụng của bạn có thể đọc, viết lại hoặc chặn câu đó trong khi cuộc gọi vẫn tiếp tục diễn ra. Rime quảng cáo đây là mô hình speech-to-speech tiên phong đầu tiên có thể tinh chỉnh và định giá ở mức $0,080 mỗi phút âm thanh cuộc gọi trên gói Flex, $0,064 trên gói Scale. Con số benchmark được nhà cung cấp đưa lên tiêu đề là 56,6 trên τ-Voice với 0,57 giây đến âm thanh đầu tiên — một con số do Rime chạy trên harness mà Artificial Analysis sử dụng, không phải một mục đã công bố trên bảng xếp hạng — và mô hình đạt điểm cao hơn nó trong chính biểu đồ của Rime, GPT-Live-1, cần thêm 0,67 giây trước khi bắt đầu nói. Cả hai nửa của câu đó đều quan trọng, và nửa thứ hai là phần mà không ai đưa vào tiêu đề của mình.

Điểm kiểm tra văn bản thực sự mang lại cho bạn điều gì

Mọi tác nhân giọng nói được xây dựng trên một chuỗi xử lý — nhận dạng giọng nói, rồi mô hình ngôn ngữ, rồi chuyển văn bản thành giọng nói — đều đã có văn bản ở giữa. Mọi tác nhân giọng nói được xây dựng trên một mô hình thời gian thực hợp nhất từ một phòng thí nghiệm lớn thì không: nó nghe âm thanh, suy nghĩ và tạo ra âm thanh, và thứ duy nhất có thể kiểm tra được là một bản ghi lời nói đến sau khi bạn đã nói xong những từ đó. Lập luận của Rime là nhóm đầu tiên có quyền kiểm soát còn nhóm thứ hai có độ trung thực âm thanh, và Prism là một nỗ lực nhằm giữ được cả hai.

Trong thực tế, checkpoint là một chuỗi xuất hiện giữa lượt. Rime cho biết lớp văn bản hỗ trợ bốn thứ mà ứng dụng có thể xử lý trước khi âm thanh được phát ra:

• Viết lại — thay thế một câu mà lớp chính sách từ chối, và mô hình nói bản thay thế thay vì bản gốc.

• Chặn — một rào chắn phát hiện tuyên bố bị cấm, tên đối thủ hoặc tiết lộ chưa được phê duyệt có thể dừng hẳn phát ngôn đó trong khi cuộc gọi vẫn tiếp tục.

• Gắn thẻ — thẻ hành động và thẻ nội dung đi kèm với văn bản, để bộ điều phối có thể kích hoạt lệnh gọi công cụ hoặc giơ tay mà không phải chờ âm thanh kết thúc.

• Kiểm soát cách phát âm — tên, số tài khoản và thuật ngữ sản phẩm được cố định trong văn bản, và đó chính là nơi câu "đánh vần nó như một mã, không phải một từ" thực sự thuộc về.

Và các lệnh gọi công cụ chạy song song với lời nói thay vì nằm trong khoảng trống trước lời nói, đây chính là khác biệt về cấu trúc so với cascade: việc tra cứu không chiếm khoảng lặng giữa lúc người gọi nói xong và lúc agent bắt đầu.

Rime nói rõ rằng đây không phải là một cascade trá hình. Họ khẳng định quá trình suy luận diễn ra trên chính âm thanh — giọng điệu, sự ngập ngừng, tiếng cười, tiếng ồn nền — và văn bản chỉ là một điểm đầu ra chứ không phải đầu vào của mô hình. Không cần phải tin ngay vào tuyên bố đó để hiểu vì sao người mua doanh nghiệp quan tâm: checkpoint chính là hiện vật mà một dấu vết kiểm toán cần có. "Tác nhân đã nói gì, và ai đã phê duyệt điều đó" trở thành một truy vấn trên một chuỗi được lưu giữ và một quyết định chính sách, chứ không phải việc dựng lại từ bản ghi âm cuộc gọi.

Tuyên bố về điểm chuẩn có một lỗ hổng, và rất dễ kiểm tra

Đây là biểu đồ do Rime công bố, đúng nguyên như Rime đã công bố:

• Rime Prism — 56,6 τ-Voice, 0,57 giây thời gian đến âm thanh đầu tiên, không có bước suy luận nào trước khi phát âm thanh.

• GPT-Live-1 (Sol, thấp) — 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 giây.

Hãy nhìn vào dòng trên cùng. Biểu đồ của chính Rime cho thấy một mô hình đạt điểm cao hơn Prism. Cách đóng khung khi ra mắt — "vượt các mô hình thời gian thực không suy luận của OpenAI và Google từ 17 đến 30 điểm" — là đúng trong phạm vi được nêu, và phạm vi đó lại xoay quanh đúng mô hình đánh bại nó. GPT-Live-1 cao hơn Prism 2,7 điểm và mất thêm 0,67 giây để bắt đầu nói. Đó là một đánh đổi Pareto hợp lý và Rime không giấu điều đó; con số nằm ngay trên trang. Nhưng câu đó lan xa hơn biểu đồ, và chính câu đó là thứ được trích dẫn.

Có một mâu thuẫn nội tại thứ hai nữa. Rime cũng báo cáo 82,5 trên tập con viễn thông của τ-Voice, so với 45,6 của GPT-Live-1. Chênh lệch 37 điểm ở một lĩnh vực và thiếu hụt 2,7 điểm trong kết quả tổng thể không phải là điều bất khả thi — trọng số theo lĩnh vực và tổ hợp tác vụ có thể tạo ra điều đó — nhưng cả hai không thể cùng được diễn giải thành “Prism giỏi hơn về viễn thông và kém hơn ở mọi thứ còn lại”, và Rime không công bố chi tiết kích thước của các tập con. Cho đến khi điều đó xảy ra, hãy coi con số viễn thông là một tập con tiếp thị, chứ không phải là một tuyên bố về năng lực.

Có một con số thứ ba đang lan truyền mà hoàn toàn không phải là điểm chuẩn. Tài liệu ra mắt của Rime nói về khoảng 300 ms "độ phản hồi". Con số đo được trên biểu đồ là 0,57 giây đến âm thanh đầu tiên. Đó là những phép đo khác nhau — một là độ phản hồi nội bộ, một là thời gian người gọi thực sự nghe thấy giọng nói — và việc trích dẫn con số nhỏ hơn bên cạnh 1,24 giây của GPT-Live-1 sẽ giống như so đồng hồ bấm giây với thời gian một vòng đua.

Không điều nào trong số này là phán quyết về chất lượng của Prism. Đây là ghi chú về những gì bằng chứng hiện tại đang ủng hộ. Rime đã chạy Prism trên cùng harness mà Artificial Analysis sử dụng và khi ra mắt, vẫn chưa xuất hiện trên bảng xếp hạng công khai. Bản thân benchmark τ-Voice là có thật và độc lập — nó xuất phát từ một bài báo đang được phản biện tại ICML 2026, được xây dựng trên 278 tác vụ dịch vụ hàng không, bán lẻ và viễn thông với một trình mô phỏng người dùng bằng giọng nói có thể thay đổi giọng, tiếng ồn nền và cách luân phiên lượt nói — và các tác giả của nó nhận thấy các agent giọng nói đạt kết quả thấp hơn nhiều so với agent văn bản trên cùng các tác vụ. Chính bối cảnh đó khiến con số 56,6 trở nên thú vị thay vì đáng thất vọng. Đó cũng là điều khiến việc tái lập độc lập trở thành thứ đáng chờ đợi.

Chi phí của Prism là bao nhiêu và chi phí của một cascade là bao nhiêu

Prism được tính phí theo mỗi phút âm thanh cuộc gọi, một đơn vị tính phí mà hầu hết các nhà cung cấp TTS không sử dụng. Các gói được công bố:

• Miễn phí — 50 đô la tín dụng sử dụng hàng tháng, không cần thẻ và {{1}}Prism{{/1}} được bao gồm trong đó.

• Flex — 0,080 USD mỗi phút âm thanh Prism, không phí hàng tháng, không ràng buộc. Rime STT 0,002 USD/phút, Mist v3 0,030 USD/phút, Coda v2 0,050 USD/phút.

• Gói Scale — $100/tháng với $100 tín dụng được cộng dồn lên đến $200, và mức giảm giá 20% đưa Prism xuống còn $0.064/phút.

• Enterprise — tùy chỉnh, theo năm, và là gói duy nhất bổ sung VPC cùng triển khai on-prem, cộng với tính năng tinh chỉnh trên các cuộc gọi khách hàng và giọng nói tùy chỉnh.

Ở mức giá Flex, một nghìn phút âm thanh Prism tốn 80 đô la chi phí mô hình, trước các khoản phí điện thoại, quy trình và nền tảng. Việc đó có đắt hay không hoàn toàn phụ thuộc vào thứ mà nó thay thế. Một kiến trúc cascade phải trả ba loại chi phí: nhận dạng, tạo sinh và tổng hợp. Một ngăn xếp điển hình cho thị trường tầm trung có thể tốn hai đến ba xu mỗi phút cho nhận dạng giọng nói, vài xu cho mô hình ngôn ngữ tùy vào mức độ nó “suy nghĩ”, và ba đến năm xu cho tổng hợp — vì vậy tổng chi phí của cascade thường rơi vào khoảng hoặc vượt mức tám xu của Prism, và đó là chưa tính độ trễ của ba chặng hay thời gian kỹ thuật để làm chúng hoạt động như một hệ thống duy nhất.

So sánh sẽ đảo chiều nếu mô hình ngôn ngữ bạn chọn là loại rẻ và nhà cung cấp dịch vụ tổng hợp của bạn cũng rẻ. Với mức $0.030/phút cho Mist v3 trên cùng tài khoản Rime, một cascade tinh gọn có thể định giá thấp hơn Prism đáng kể — cái giá phải trả cho khoản tiết kiệm đó là mất checkpoint và kế thừa các mối nối. Đó chính là hình hài trung thực của quyết định: Prism không bán trí tuệ với giá cao, mà bán một lớp văn bản có thể rà soát với giá cao, và bạn chỉ nên trả khoản đó nếu bạn cần việc rà soát.

Sản phẩm này dành cho ai và ai nên chờ đợi

Các đối tác thiết kế được nêu tên khi ra mắt — Dialpad là đối tác thiết kế, cùng với Asurion, Upstart và Mayo Clinic được nêu là khách hàng và Twilio Ventures nằm trong số các nhà đầu tư — cho thấy nhóm người mua mà Rime đang theo đuổi: các nền tảng trung tâm liên hệ và nhà cung cấp dịch vụ điện thoại, những bên vốn đã có nghĩa vụ tuân thủ gắn với từng lời mà nhân viên của họ nói. Rime tuyên bố đạt SOC 2 và HIPAA, gọi Prism là sẵn sàng cho điện thoại, cung cấp nó qua WebSocket và đưa ra các lựa chọn triển khai trên cloud, VPC hoặc tại chỗ. Điểm cuối cùng đó chính là yếu tố khác biệt kín đáo, vì các API thời gian thực tiên phong chỉ có trên cloud.

Bằng chứng từ phía khách hàng mỏng hơn danh sách tính năng. Revmo, một tác nhân đặt hàng, đã tinh chỉnh Prism trên khoảng mười giờ cuộc gọi thực tế và báo cáo rằng 94% đơn hàng chỉ được đặt sau khi người gọi đồng ý với câu "tôi đặt nhé?" — so với 57% ở tác nhân OpenAI mà nó thay thế. Rime cũng dẫn ra một chuỗi nhà hàng toàn quốc với 8% đơn hàng hoàn tất nhiều hơn, số lần khách cúp máy ít hơn 4 lần, và một công ty dịch vụ tài chính thuộc Fortune 500 với tỷ lệ tự xử lý (containment) cao hơn 42%. Không trường hợp nào trong số này công bố cỡ mẫu, mô hình OpenAI cụ thể hay phương pháp đo lường. Đây là kiểu con số thú vị về mặt xu hướng nhưng yếu về mặt bằng chứng, và trong trường hợp Revmo, phần lớn công lao thuộc về việc tinh chỉnh trên mười giờ âm thanh chuyên ngành — một Prism gốc không có bản tinh chỉnh đó không phải là thứ được đo.

Khoan đã, nếu bạn cần độ phủ đa ngôn ngữ ngay hôm nay. Rime không công bố danh sách ngôn ngữ hay số lượng giọng nói của Prism, trong khi các sản phẩm chuyển văn bản thành giọng nói riêng biệt của họ lại công bố những thông tin đó. Các con số riêng của Prism không có trên trang sản phẩm, điều đó không đồng nghĩa với độ phủ kém, nhưng bạn không thể lên kế hoạch triển khai cho 30 thị trường dựa trên một danh sách chưa được công bố.

Cũng hãy chờ nếu bạn cần một điểm chuẩn có thể trích dẫn nội bộ. Hiện chưa có điểm Prism độc lập. Nếu quy trình mua sắm của bạn yêu cầu đánh giá bên thứ ba, lập trường trung thực trong tuần này là “vendor-run on an independent harness, awaiting publication,” và bạn nên nói đúng nguyên những từ đó.

Checkpoint là một lệnh gọi mô hình, và đó là lúc định tuyến can thiệp.

Một điều mà tài liệu ra mắt không nhấn mạnh đủ: điểm kiểm tra văn bản chỉ hữu ích nếu có thứ gì đó có thể tác động lên nó đủ nhanh để không làm đứt mạch hội thoại. Một bộ phân loại chính sách, một bộ phát hiện tuyên bố, một bước kiểm tra an toàn thương hiệu — mỗi thứ trong số đó là một lần gọi mô hình nằm giữa bản nháp và âm thanh. Đó là một ngân sách độ trễ nằm trong một ngân sách độ trễ khác, và chính là phần của thiết kế quyết định liệu Prism có cảm giác tức thời hay giống như một khoảng tạm dừng.

Prism được Rime bán trực tiếp và không nằm trong danh mục của OrcaRouter. Thứ nằm trong danh mục của chúng tôi là nửa còn lại của vấn đề: các mô hình mà một checkpoint gọi tới. Một khóa bao trọn hơn 200 mô hình với mức phụ phí 0% so với giá niêm yết của nhà cung cấp, nhờ đó một bộ phân loại nhỏ, nhanh và một mô hình leo thang lớn hơn cùng nằm sau một endpoint, với cơ chế chuyển đổi dự phòng tự động nếu một trong số chúng bị treo giữa cuộc gọi — đúng kiểu lỗi khiến một guardrail thông minh trở thành sự im lặng hoàn toàn. Nếu thay vào đó bạn đang chạy Prism phía trước một cascade hiện có, thì phần tổng hợp cũng có ở đây: openai/tts-1-hd và google/gemini-3.1-flash-tts-preview đều có thể định tuyến ngay hôm nay.

DSL định tuyến quan trọng hơn những gì nó nghe có vẻ trong ngữ cảnh này. Khi nhiệm vụ của checkpoint là "gửi câu này đến một mô hình rẻ trừ khi nó chứa một con số lớn hơn 500 đô la hoặc một thuật ngữ được quản lý", thì đó chính là một quy tắc định tuyến, và viết nó trong gateway tốt hơn là viết nó trong đường xử lý nóng của ứng dụng.

Cần theo dõi gì, và điều gì sẽ thay đổi câu trả lời

Ba điều sẽ đưa Prism từ một bản ra mắt thú vị trở thành một mặc định đứng vững, và cả ba đều có thể kiểm chứng.

Mục đầu tiên là một mục trên Artificial Analysis. Việc nhà cung cấp tự chạy trên đúng khung kiểm thử là một khởi đầu hợp lý; một dòng trên bảng xếp hạng công khai chính là thứ biến 56.6 thành con số bạn có thể đưa vào slide mà không cần kèm dấu hoa thị.

Thứ hai là việc các API tinh chỉnh rời khỏi beta. Rime cho biết các API RL và SFT tự phục vụ đang ở giai đoạn beta. Kết quả của Revmo — bằng chứng mạnh nhất trong đợt ra mắt — đến từ mười giờ âm thanh chuyên ngành. Nếu khoảng cách đó là thật và có thể tái tạo, thì nó chính là sản phẩm thực sự. Nếu đó chỉ là một khách hàng với bộ dữ liệu sạch bất thường, thì Prism là một mô hình được checkpoint tốt chứ không phải một thay đổi cả ngành.

Điều thứ ba là danh sách ngôn ngữ. Một mô hình chuyển đổi giọng nói sang giọng nói cho các trung tâm liên hệ doanh nghiệp hỗ trợ tám ngôn ngữ là một sản phẩm khu vực; một mô hình hỗ trợ bốn mươi ngôn ngữ thì hoàn toàn là quyết định mua sắm của một công ty khác.

Cho đến khi những thứ đó được triển khai, tóm tắt công bằng là thế này: Rime đã tung ra một bề mặt điều khiển thực sự khác biệt cho các tác nhân giọng nói, định giá cạnh tranh so với chuỗi xử lý mà nó thay thế, và gói nó trong một biểu đồ đánh giá trung thực hơn cách đóng khung trong thông cáo báo chí của chính họ. Checkpoint là có thật. Vị trí trên bảng xếp hạng là một tuyên bố. Nếu các tác nhân của bạn nói những điều phải được phê duyệt trước khi khách hàng nghe thấy, thì sự thật đầu tiên đủ để biện minh cho việc dùng thử. Nếu các tác nhân của bạn chủ yếu cần nghe hay bằng hai mươi ngôn ngữ, thì không.

Bản một dòng dành cho những người đọc lướt

Prism là một mô hình speech-to-speech có giá 0,08 USD mỗi phút, đưa cho bạn câu nói trước khi nó cất lên, với cái giá về độ trễ khoảng nửa giây kể từ lúc người gọi ngừng nói. Nó không rẻ hơn một cascade gọn nhẹ và cũng không đứng đầu bất kỳ bảng xếp hạng công khai nào. Đây là thứ duy nhất hiện đang được tung ra thị trường mà trao cho đội ngũ tuân thủ một chỗ đứng giữa quyết định của mô hình và tai người khách hàng — và đó là một tính năng mà bạn hoặc cần nó một cách thiết tha, hoặc chẳng cần đến nó chút nào.

Nếu bạn muốn định giá các phương án thay thế trước khi quyết định, phần cascade của danh mục chỉ cách bạn một endpoint, và phép tính theo phút ở trên chính là con số bạn nên mang theo khi dùng thử.