Rime Prism vs ElevenLabs: Hai mô hình chuyển giọng nói sang giọng nói, một con số độ trễ

Cách nhau mười một ngày, hai công ty đã tung ra cùng một ý tưởng và công bố cùng một con số. Rime Prism ra mắt vào ngày 28 tháng 10 năm 2026, đạt âm thanh đầu tiên trong 0,57 giây. Eleven Realtime v1 Max, mô hình chuyển giọng nói sang giọng nói đầu-cuối của chính ElevenLabs, ra mắt vào ngày 20 tháng 10 năm 2026 — cũng 0,57 giây. Sự trùng hợp là điều hữu ích nhất ở cuộc so tài này, vì nó có nghĩa là độ trễ không phải là yếu tố quyết định. Khi hai mô hình đã hòa nhau trên đồng hồ, điều phân biệt chúng là những gì diễn ra trong nửa giây, và hai mô hình này dành khoảng thời gian đó theo hai cách trái ngược: Eleven Realtime v1 Max lắng nghe và nói, còn Rime Prism viết trước.

Đây là phép so sánh sát nhất trong loạt và cũng là trường hợp mà việc lựa chọn thực sự có ý nghĩa, bởi cả hai sản phẩm đều thay thế toàn bộ chuỗi xử lý chứ không chỉ một thành phần, và cả hai đều định giá âm thanh ở mức tám xu một phút.

Câu trả lời ngắn gọn

Eleven Realtime v1 Max là lựa chọn tốt hơn khi độ phủ và danh mục giọng nói quyết định thương vụ: hơn 90 ngôn ngữ và hơn 17.000 giọng nói là một danh mục mà không đối thủ nào trong cặp này sánh kịp, và socket tương thích về giao thức với Realtime API của OpenAI, nghĩa là việc chuyển đổi chỉ là thay đổi endpoint chứ không phải viết lại.

Rime Prism là lựa chọn tốt hơn khi những gì agent nói phải có thể kiểm tra được trước khi được phát ra. Đây là mô hình duy nhất trong cặp này cung cấp cho ứng dụng một chuỗi văn bản ngay giữa lượt, kèm tùy chọn viết lại hoặc chặn chuỗi đó, và là mô hình duy nhất cung cấp triển khai tại chỗ hoặc trên VPC.

Cả hai đều có giá $0.080 mỗi phút âm thanh, và sự ngang bằng bề ngoài đó che giấu một khoảng cách thực sự: ElevenLabs tính $0.080 mỗi phút âm thanh được kết nối cộng thêm token mô hình, trong khi Rime tính $0.080 mỗi phút và không tính token. Đối với một agent xử lý nhiều cuộc gọi, đó không phải là chênh lệch làm tròn.

Mỗi công ty thực sự đã công bố những gì

ElevenLabs đã ra mắt một dòng sản phẩm, không phải một mô hình. Eleven Realtime v1 Max là biến thể cho tác vụ phức tạp — hỗ trợ, sàng lọc khách hàng tiềm năng, bất kỳ việc gì có sử dụng công cụ. Eleven Realtime v1 Mini là biến thể hội thoại dành cho trợ lý, gia sư và nhân vật. Cả hai đều là những mạng end-to-end đơn khối, gộp nhận dạng, quản lý lượt lời, suy luận và tạo giọng nói vào một hệ thống thay vì ba công đoạn được ghép nối. Lý do ElevenLabs đưa ra cho cách làm này nằm ở đường nối: khoảng lặng chết sau khi ngừng nói, nói chồng lên khi bị ngắt lời, bản ghi lời không khớp với giọng nói. Đó là những tạo tác của kiến trúc cascade, và giải pháp được đưa ra là tinh chỉnh cả bốn công đoạn cùng lúc.

Đường truy cập được thiết kế cố tình đơn giản đến nhàm chán, và đó là một lời khen. Eleven Realtime chạy bên trong ElevenAgents thông qua một menu thả xuống, hoặc thông qua Realtime API tại wss://api.elevenlabs.io/v1/convai/realtime, vốn tương thích ở mức giao thức với Realtime protocol của OpenAI — chỉ cần đổi endpoint và tên model, là một OpenAI SDK hiện có sẽ hoạt động mà không cần thay đổi gì. Ở thời điểm ra mắt, nó chỉ hỗ trợ WebSocket; chưa có đường truyền WebRTC nào.

Thông báo của Rime mang một diện mạo khác. Một mô hình duy nhất, Prism, được định vị cho các trung tâm liên hệ doanh nghiệp, với tuyên bố khác biệt là text checkpoint thay vì một họ biến thể. Có gói miễn phí với $50 tín dụng, Flex ở mức $0.080/phút, Scale ở mức $0.064/phút, và gói Enterprise bổ sung VPC và on-prem cùng khả năng tinh chỉnh trên bản ghi cuộc gọi khách hàng và giọng nói tùy chỉnh. Cũng không có WebRTC, nhưng có streaming, tích hợp LiveKit và Pipecat, viễn thông 8 kHz, và SOC 2 với các tuyên bố HIPAA.

Một chi tiết đáng lưu ý cho bất kỳ ai đang lên kế hoạch triển khai: {{1}}ElevenLabs{{/1}} mô tả {{2}}Eleven Realtime{{/2}} là sẽ được triển khai dần dần, và các mã định danh mô hình đã tồn tại trong {{3}}nhật ký thay đổi{{/3}} của nó từ đầu tháng Tám. Ngày {{4}}20 tháng 10{{/4}} là ngày công bố. Nếu tài khoản của bạn không hiển thị mô hình trong menu thả xuống {{5}}ElevenAgents{{/5}}, thì đó là {{6}}bản phát hành theo từng giai đoạn{{/6}} chứ không phải {{7}}cấu hình sai{{/7}}.

Checkpoint mới chính là sự khác biệt thực sự.

Cả hai mô hình đều là end-to-end. Chỉ một trong số chúng để lại một dấu vết văn bản mà bạn có thể xử lý trước khi người gọi nghe thấy bất cứ điều gì.

Eleven Realtime v1 Max đi từ âm thanh đầu vào đến âm thanh đầu ra. Có một bản chép lời ở phía bên kia cuộc gọi, và có một lời nhắc hệ thống ở phía trước nó, nhưng không có điểm nào trong lượt mà tại đó ứng dụng của bạn giữ câu tiếp theo của tác nhân dưới dạng chuỗi và quyết định có gửi nó hay không. Đó không phải là lời chỉ trích — đó là kiến trúc mà ElevenLabs đã chọn, và chính kiến trúc đó tạo ra độ tự nhiên mà công ty đang bán. Việc gộp bốn giai đoạn thành một mạng chính là điều loại bỏ đường nối có thể kiểm tra được.

Prism giữ mối nối. Rime cho rằng mô hình soạn câu trả lời dưới dạng văn bản, ứng dụng có thể viết lại, chặn, gắn thẻ hoặc sửa cách phát âm trên văn bản đó, và âm thanh theo sau. Các lệnh gọi công cụ chạy song song với giọng nói thay vì trước giọng nói. Tuyên bố rằng đây không phải là một chuỗi xếp tầng dựa vào việc suy luận diễn ra trên âm thanh — giọng điệu, sự ngập ngừng và tiếng ồn nền góp phần định hình câu trả lời — với văn bản là một điểm trung chuyển đầu ra thay vì đầu vào.

Đối với một đội tuân thủ, sự khác biệt đó chính là toàn bộ quyết định mua sắm. “Agent không thể nói X” có thể được thực thi trong Prism ở cấp độ câu và chỉ có thể được thực thi trong Eleven Realtime ở cấp độ prompt, tức là theo xác suất. Đối với một đội sản phẩm đang xây dựng một nhân vật hoặc một gia sư, điều ngược lại mới đúng: checkpoint là chi phí phụ trội, còn độ tự nhiên đến từ một mạng duy nhất đã được tinh chỉnh chính là sản phẩm.

Hai con số 0,57 giây không phải là cùng một phép đo

Sự ngang bằng là có thật, nhưng các công cụ đo lại khác nhau, và sự khác biệt đó rất quan trọng nếu bạn định trích dẫn một trong hai con số.

0,57 giây của Eleven Realtime v1 Max là kết quả đo của Artificial Analysis — một bên thứ ba đã thực hiện phép đo này, trên cùng chiếc đồng hồ được dùng cho các mục speech-to-speech khác của họ, và công bố nó. Eleven Realtime v1 Mini đạt 0,62 giây trên cùng công cụ đo đó.

0,57 giây của Prism là con số do chính Rime đưa ra, được tạo trên bộ khung kiểm thử τ-Voice mà Artificial Analysis cũng sử dụng, nhưng do Rime vận hành. Khi ra mắt, Prism không có mục nào trên bảng xếp hạng công khai. Vậy nên một con số có bên trọng tài xác nhận, còn con số kia thì không, dù cả hai đều là cùng một giá trị khi làm tròn đến hai chữ số thập phân. Việc đặt chúng cạnh nhau và coi là hòa thì có thể biện minh; còn coi chúng là bằng chứng tương đương thì không.

Các điểm số khác lại phân kỳ rõ rệt, và một lần nữa trên những công cụ đo khác nhau. Eleven Realtime v1 Max đạt 98,8% trên Big Bench Audio so với 75,9 đến 76% của Mini, tỷ lệ thành công nhiệm vụ là 87,1% so với 60,3%, Full-Duplex-Bench là 94,1 so với 95,8%, và Arena Elo khoảng 997 đến 998 so với 988. Nó cũng không được chấm điểm trên Speech-to-Speech Index và không có điểm năng lực tác tử τ-Voice — vì vậy hoàn toàn không có con số được công bố nào đặt Eleven Realtime v1 Max và Prism trên cùng một trục. Bất cứ ai đặt con số 56,6 của Prism bên cạnh 98,8 của ElevenLabs đều đang so sánh một thước đo hoàn thành nhiệm vụ với một thước đo chất lượng âm thanh, rồi rút ra một khoảng cách 42 điểm vô nghĩa.

Khoảng cách giá nằm ở dòng token.

Bề ngoài, cả hai sản phẩm đều có giá tám xu một phút. Nhưng đọc bảng giá cước thì không phải vậy.

• ElevenLabs — 0,080 USD mỗi phút âm thanh được kết nối, cộng thêm token mô hình. Eleven Realtime v1 Mini là 0,20 USD đầu vào và 6,00 USD đầu ra trên mỗi triệu token; v1 Max là 1,80 USD đầu vào và 9,00 USD đầu ra. Vượt hạn mức đột biến làm giá âm thanh tăng gấp đôi lên 0,16 USD/phút. Trong ElevenAgents, mức giá tiêu chuẩn là 0,08 USD/phút cộng thêm token LLM.

• Rime — $0,080 mỗi phút âm thanh Prism trên Flex, $0,064 trên Scale, không tính thêm phí token. Gói miễn phí có $50 tín dụng sử dụng cho Prism, Mist v3, Coda v2 và Rime STT.

Chi phí của hạng mục token phụ thuộc hoàn toàn vào mức độ agent suy nghĩ. Một cuộc gọi hỗ trợ kéo dài năm phút, trong đó agent thực hiện tám lượt và mỗi lượt suy luận trên vài nghìn token, không hề miễn phí với mức $1.80 mỗi triệu đầu vào và $9.00 mỗi triệu đầu ra trên Max — đó là một chiếc đồng hồ thứ hai chạy song song với chiếc thứ nhất. Với một trợ lý ngắn gọn, thiên về phản hồi xác nhận trên Mini, hạng mục token gần như không đáng kể. Với một triển khai Max thực hiện điều phối công cụ thực sự, nó có thể sánh ngang với phí âm thanh.

Phút trọn gói của Rime có cái bẫy riêng, và đó là cái bẫy ngược lại. Prism tính phí theo âm thanh cuộc gọi chứ không theo lời nói của agent, nên một cuộc gọi với người gọi dài dòng tốn cùng mức phí như một cuộc gọi mà agent nói không ngừng. Nếu các cuộc gọi của bạn thiên về lượt agent ngắn và lượt khách hàng dài, thì mức giá theo phút của Prism là mức đắt hơn trong hai mức, với chênh lệch không liên quan gì đến các mô hình.

Hãy mô phỏng cả hai cách tính trên phân phối cuộc gọi của chính bạn trước khi quyết định. Không nhà cung cấp nào công bố công cụ tính toán, và mức tám xu được quảng cáo thực sự không phải là con số mà bất kỳ bên nào trong hai bên sẽ tính cho bạn.

Độ phủ, giọng nói và câu hỏi triển khai

ElevenLabs vượt trội về độ phủ một cách quyết định đến mức đáng nói thẳng ra thay vì che đi: hơn 90 ngôn ngữ và hơn 17.000 giọng nói. Rime hoàn toàn không công bố số lượng ngôn ngữ hay danh mục giọng nói của Prism, mặc dù các sản phẩm chuyển văn bản thành giọng nói riêng của họ có công bố số liệu của mình, và những con số đó không thể áp dụng cho Prism.

Sự bất đối xứng đó tự nó quyết định phần lớn các triển khai thực tế. Một nhà bán lẻ châu Âu ra mắt tại chín thị trường không cần đọc phần còn lại của bài viết này.

Việc triển khai chính là điểm mà nó quay trở lại. Rime cung cấp VPC và on-prem trên gói Enterprise, song song với cloud, cùng với tùy chọn endpoint đồng vị trí cho các mô hình TTS của mình. Eleven Realtime khi ra mắt là một dịch vụ WebSocket được lưu trữ. Lập luận của Rime — rằng các API realtime tiên tiến chỉ có trên cloud trong khi Prism cho phép bạn kiểm soát nơi dữ liệu âm thanh được lưu trữ — là một yếu tố khác biệt thực sự đối với y tế, dịch vụ tài chính và bất kỳ người mua nào có điều khoản về nơi lưu trú dữ liệu trong hợp đồng. Rime tuyên bố đạt SOC 2 và HIPAA cho Prism; ElevenLabs bán các thỏa thuận doanh nghiệp với DPA và BAA theo các điều khoản của riêng mình. Cả hai đều có thể được điều chỉnh để đáp ứng một cuộc đánh giá tuân thủ, và chỉ một trong hai có thể được điều chỉnh để đáp ứng yêu cầu "âm thanh không bao giờ rời khỏi tòa nhà của chúng tôi."

Tinh chỉnh là điểm bất đối xứng còn lại, và nó cũng chỉ về cùng một hướng. Rime cho biết Prism có thể được tinh chỉnh trên chính các bản ghi cuộc gọi của khách hàng, với API RL và SFT tự phục vụ đang ở bản beta. Bề mặt tinh chỉnh của ElevenLabs ở cấp độ giọng nói — nhân bản giọng, quy trình giọng nói chuyên nghiệp, cài đặt phong cách và độ ổn định — chứ không phải một mô hình âm học và lý luận tùy chỉnh được huấn luyện trên các cuộc gọi của bạn. Nếu mục tiêu là "nghe giống thương hiệu của chúng tôi," thì đó là bài toán đã được giải quyết ở phía ElevenLabs. Nếu mục tiêu là "làm tốt hơn ở quy trình đơn hàng cụ thể của chúng tôi," thì chỉ một trong hai bên cung cấp được điều đó.

OrcaRouter phù hợp ở đâu, và ở đâu thì không

Cả Prism lẫn Eleven Realtime đều không có trong danh mục của chúng tôi. Prism được Rime bán trực tiếp; các mô hình Eleven Realtime được ElevenLabs bán trực tiếp và thông qua một số nền tảng bên thứ ba. Nếu bạn chọn một trong hai, bạn đang mua từ nhà cung cấp, và bài viết này sẽ không giả vờ rằng không phải vậy.

Lý do OrcaRouter vẫn xứng đáng có mặt trong quyết định này là các mô hình giọng nói end-to-end không loại bỏ mọi mô hình khỏi stack của bạn. Cả hai sản phẩm này vẫn cần một lớp chính sách, một bước truy xuất, một bộ phân loại và một đường leo thang, và đó đều là những lệnh gọi mô hình thông thường. Một khóa bao phủ hơn 200 mô hình với mức tăng giá 0% so với giá niêm yết của nhà cung cấp, vì vậy một mô hình guardrail rẻ và một mô hình leo thang đắt đỏ cùng nằm sau một endpoint với chuyển đổi dự phòng tự động — đây chính là phần quan trọng trên một cuộc gọi trực tiếp, nơi một nhà cung cấp bị treo không thể phân biệt với một đường dây bị ngắt. DSL định tuyến là cách bạn diễn đạt "giữ phần xác nhận ở cục bộ và rẻ, leo thang việc tra cứu," và quy tắc đó đáng để viết một lần trong gateway thay vì ba lần trong tác nhân.

Nếu điều bạn thực sự muốn là một chuỗi kết hợp với tính năng tổng hợp giọng nói qua dịch vụ lưu trữ, openai/tts-1-hd và google/gemini-3.1-flash-tts-preview đều nằm trên cùng một khóa với giá niêm yết. Công cụ khác nhau, nhưng cùng một hóa đơn.

Cách đưa ra quyết định trong mười phút

Ba câu hỏi, theo thứ tự, và dừng lại ở câu đầu tiên mà bạn trả lời là có.

Bạn có cần vận hành bằng nhiều hơn vài ngôn ngữ, hay cần một giọng cụ thể từ một kho rất lớn không? Eleven Realtime v1 Max hoặc v1 Mini. Danh mục chính là sản phẩm, và Prism không công bố một danh mục tương đương.

Có phải nội dung mà agent của bạn nói phải được phê duyệt trước khi người gọi nghe thấy, hay âm thanh phải nằm trong mạng của bạn? Rime Prism. Checkpoint và gói on-prem là hai thứ mà ElevenLabs không cung cấp ở đây, và chúng không phải là những tính năng bạn có thể bổ sung sau này.

Nếu cả hai điều đó đều không ràng buộc, và yếu tố quyết định là chi phí? Vậy hãy chạy cả hai đồng hồ trên dữ liệu cuộc gọi của chính bạn, vì con số tiêu đề tám xu là ngang nhau còn dòng token thì không. Một trợ lý lượt ngắn, suy luận thấp trên Mini sẽ thắng Prism về giá. Một triển khai Max nặng công cụ thì có lẽ sẽ không.

Điều đáng chú ý tiếp theo là một con số duy nhất có thể định đoạt chuyện này. Eleven Realtime v1 Max không có điểm τ-Voice, và Prism không có điểm độc lập nào. Nếu một trong hai mô hình xuất hiện trên một bảng xếp hạng công khai do bên khác ngoài nhà cung cấp của nó đo lường, thì cuộc so sánh này sẽ rút ngắn đi rất nhiều. Cho đến lúc đó, hai mô hình đang hòa nhau ở 0,57 giây trên hai chiếc đồng hồ bấm giây khác nhau, còn phần còn lại là kiến trúc.

Một lưu ý cuối về những con số ở trên: điểm số Eleven Realtime là số liệu của Artificial Analysis, các bảng giá là của chính các nhà cung cấp, và con số 56,6 của Prism là của Rime. Không có công cụ đo lường nào trong bài viết này đặt cả hai mô hình trên cùng một trục, đó là lý do bài viết được tổ chức quanh kiến trúc và độ bao phủ thay vì quanh một bảng điểm.