Rime Prism so với Inworld Realtime TTS 2: 200 ngôn ngữ khu vực đối đầu với một checkpoint

Đây là một sự thật đủ để khép lại hầu hết các phiên bản của phép so sánh này trước khi bất kỳ ai mở một benchmark: Inworld Realtime TTS 2 công bố độ phủ ở hơn 200 locale và cung cấp 282 giọng nói tích hợp, trong khi Rime Prism không công bố số lượng ngôn ngữ và cũng không công bố số lượng giọng nói nào cả. Nếu bạn đang triển khai một tác nhân giọng nói vào hàng chục thị trường, đó không phải là một đánh đổi để cân nhắc — mà là một bộ lọc loại bỏ một lựa chọn. Phép so sánh chỉ còn thú vị với người mua chỉ hoạt động trong một thị trường duy nhất và chịu quản lý, bởi vì Rime Prism là mô hình duy nhất trong cặp này cho phép ứng dụng đọc và chặn một câu trước khi người gọi nghe thấy nó. Inworld Realtime TTS 2 là một mô hình chuyển văn bản thành giọng nói với một câu chuyện thời gian thực rất tốt đi kèm, và nó không có checkpoint tương đương, bởi vì vào lúc nó nhìn thấy văn bản thì quyết định đã được đưa ra rồi.

Tên gọi cũng gây hiểu lầm theo cách đã tạo ra những lời khuyên tồi. “Inworld Realtime TTS 2” không phải là mô hình giọng nói sang giọng nói. Rime Prism mới là. Sự khác biệt đó nằm bên dưới mọi con số dưới đây và đáng để nói trước khi các con số bắt đầu.

Một trong số này không phải là tác nhân.

Inworld Realtime TTS 2 là văn bản đầu vào, âm thanh đầu ra. Hành vi song công — nghe người gọi trong khi nói, xử lý ngắt lời — đến từ API Realtime riêng biệt của Inworld, API này sử dụng giao thức OpenAI Realtime và công bố độ trễ ngắt khoảng 100 ms. Đó là một sản phẩm thứ hai với một tích hợp thứ hai, không phải thuộc tính của bản thân mô hình TTS. Bất kỳ ai đọc "Realtime" trong tên mô hình và cho rằng đó là chuyển đổi giọng nói sang giọng nói đầu-cuối hẳn đã hiểu sai danh mục.

Prism hoàn toàn là một hình thái khác. Âm thanh vào, âm thanh ra, trong cùng một hệ thống, với một điểm dừng văn bản ở giữa và các lệnh gọi công cụ chạy song song với lời nói thay vì chạy trước lời nói. Giá của nó được tính theo phút âm thanh cuộc gọi chính vì lý do đó — bạn đang mua cuộc gọi, chứ không phải văn bản.

Vậy nên cách diễn giải trung thực về cuộc so tài này là: Inworld Realtime TTS 2 là chặng tổng hợp tốt nhất phân khúc cho một cascade do bạn tự lắp ghép, còn Prism là giải pháp thay thế cho cả cascade. Bạn có thể ưu tiên Inworld mà vẫn xây dựng một agent mang cấu trúc Prism, chỉ là với nhiều mảnh ghép hơn. Bạn không thể ưu tiên Prism mà vẫn có được độ phủ ngôn ngữ của Inworld, vì nó không được công bố.

Những con số về độ phủ, và giá trị thực của chúng

Danh sách của Inworld cụ thể một cách bất thường, điều này tự nó đã mang tính thông tin:

• Các locale — hơn 200, được chia thành 15 ở mức chất lượng Cấp 1 và 79 ở Cấp 2.

• Giọng đọc — 282 giọng tích hợp sẵn, cùng 20 bộ cài đặt trước được tuyển chọn.

• Nhân bản giọng nói — zero-shot từ 5 đến 15 giây âm thanh; Professional Voice Cloning ở bản xem trước và chỉ dành cho gói flagship.

• Tính liên tục — một bản sắc giọng điệu nhất quán duy nhất được giữ nguyên xuyên suốt các ngôn ngữ, chính là đặc điểm khiến một chiến dịch ra mắt thương hiệu đa thị trường trông có chủ đích thay vì giống như bản dịch.

• Âm thanh — Đầu ra MP3, WAV, OGG, FLAC và PCM, từ 8 kHz đến 48 kHz, mặc định 24 kHz.

• Thông lượng — 2.000 ký tự mỗi yêu cầu, truyền phát WebSocket với 20 kết nối đồng thời và 5 ngữ cảnh.

• Độ trễ — thời gian đến byte đầu tiên P99 phía máy chủ dưới 100 ms đối với TTS-2; biến thể Flash ra mắt ngày 31 tháng 8 năm 2026 công bố dưới 25 ms, với kết quả đo lường từ bên thứ ba ở mức gần 25 ms.

Việc phân chia Tier 1 và Tier 2 mới là phần đáng chú ý, chứ không phải con số tiêu đề hơn 200. Mười lăm ngôn ngữ đạt chất lượng hàng đầu trong số 200 ngôn ngữ được hỗ trợ là một sự công bố trung thực thực sự, và nó cho bạn biết sản phẩm thực sự đã hoàn thiện ở đâu. Nếu thị trường của bạn là tiếng Anh, tiếng Tây Ban Nha, tiếng Bồ Đào Nha, tiếng Đức, tiếng Pháp và tiếng Nhật, bạn có khả năng thuộc Tier 1 và con số tiêu đề là thật. Nếu là 185 ngôn ngữ còn lại, bạn đang ở phần của danh mục sản phẩm có tồn tại nhưng chưa được chọn lọc kỹ.

So sánh điều đó với Prism, nơi việc không có danh sách được công bố không phải là bằng chứng về độ phủ kém — Rime công bố số lượng ngôn ngữ và giọng nói cho các sản phẩm chuyển văn bản thành giọng nói riêng biệt của mình nhưng không công bố cho Prism — nhưng đó lại là bằng chứng rằng bạn không thể lập kế hoạch dựa vào nó. Đối với triển khai ở một thị trường duy nhất bằng ngôn ngữ mà Rime phát triển, việc thiếu thông tin đó không khiến bạn tốn gì. Còn với bất kỳ phạm vi rộng hơn nào, đó chính là toàn bộ câu trả lời.

Câu hỏi kép mà không ai đặt ra

"Realtime TTS" và "speech-to-speech" nghe như cùng một lời hứa, nhưng khi bị ngắt lời thì hành xử chẳng giống nhau chút nào.

Trong một kiến trúc cascade được xây dựng trên Inworld Realtime TTS 2, việc xử lý ngắt lời là một bài toán phối hợp giữa ba dịch vụ. Bộ nhận dạng phải nhận ra rằng người gọi đã bắt đầu nói, bộ điều phối phải hủy lượt của mô hình ngôn ngữ, và bộ tổng hợp phải dừng giữa luồng đồng thời xóa bộ đệm của nó. Realtime API của Inworld làm tốt phần việc của bộ tổng hợp — khoảng 100 ms để ngắt — nhưng hai phần còn lại thuộc về bạn, và lỗi này nghe thấy được: tác nhân tiếp tục nói thêm một nhịp sau khi người gọi đã bắt đầu, rồi khởi động lại một câu từ sai vị trí.

Prism xử lý việc này bên trong một mô hình, còn Rime gọi xử lý ngắt lời là một luận điểm trao đổi với đối tác thiết kế. Đó không phải là một benchmark bạn có thể đọc được; đó là một loại lỗi mà bạn không còn gặp nữa. Với một tổng đài hỗ trợ nơi người gọi liên tục nói chồng lên tác nhân, nó đáng giá hơn vài điểm Elo.

Phản biện là một hệ thác được xây dựng bài bản với đường huỷ mạnh mẽ thực sự làm tốt việc này, và mã phối hợp là thứ đã biết mà nhiều đội đã viết trước đó. Xử lý ngắt là khó, không phải bất khả thi, và khoảng cách giữa hai kiến trúc sẽ thu hẹp nhờ nỗ lực kỹ thuật. Điều không thu hẹp lại là số lượng dịch vụ mà bạn bị gọi lúc 3 giờ sáng.

Giá: bốn xu so với bốn xu, kiểu vậy

Inworld tính giá theo ký tự, Prism tính giá theo phút âm thanh cuộc gọi, và chính việc quy đổi giữa hai cách tính này là chỗ những so sánh trung thực dễ đi sai.

• Inworld Realtime TTS 2 — $25 mỗi triệu ký tự theo hình thức trả theo nhu cầu, $12,50 trên gói Growth, giảm xuống còn khoảng $5 ở khối lượng doanh nghiệp. TTS-2 Flash có giá $15, $7 và dưới $5 ở các gói tương tự. Với khoảng 1.000 ký tự mỗi phút nói, mức giá trả theo nhu cầu là khoảng $0,025 mỗi phút âm thanh được tạo ra.

• Rime Prism — $0.080 mỗi phút âm thanh cuộc gọi trên Flex, $0.064 trên Scale, $50 tín dụng miễn phí ở gói miễn phí, tùy chỉnh trên Enterprise.

Vậy một phút giọng nói của agent tốn khoảng 2,5 xu từ Inworld và 8 xu từ Prism. Đó là con số mà các bảng so sánh in ra, và nó gây hiểu lầm vì hai lý do.

Đầu tiên là việc số xu của Inworld mua được một chặng. Một chuỗi xử lý cộng thêm phần nhận dạng — thường từ nửa xu đến một xu mỗi phút — và một lượt mô hình ngôn ngữ, mà ở lưu lượng hội thoại thì rơi vào mức thấp của hàng đơn vị. Ghép cả ba lại thì bạn ở gần mức sáu đến chín xu mỗi phút do tác nhân nói, tức là bao quanh con số tám của Prism. Khoảng cách trong bảng là hệ quả của việc so sánh một thành phần với một hệ thống.

Điều thứ hai là phút của Prism không phải là một phút lời nói của tác nhân. Nó tính phí theo âm thanh cuộc gọi, vì vậy một người gọi nói trong bốn phút và nghe tác nhân trong một phút sẽ khiến Prism tốn chi phí tương đương năm phút. Giá của Cascade tăng theo lượng lời tác nhân nói; giá của Prism tăng theo thời lượng cuộc gọi. Trong hàng đợi hỗ trợ có các lượt nói dài của khách hàng, đó thực sự là một khoản phí cao hơn. Trong luồng đặt chỗ mà tác nhân nói phần lớn thời gian, hai bên gần như ngang nhau.

Cấu trúc gói của Inworld bổ sung một ràng buộc thực tế đáng kiểm tra: gói Creator ở mức $25 một tháng, $25 mỗi triệu ký tự theo nhu cầu, $12.50 ở Growth, doanh nghiệp tùy chỉnh. Số kết nối đồng thời là 20 kết nối WebSocket trên luồng streaming; với hàng đợi cỡ trung bình thì đủ, còn với hàng đợi lớn thì đây là giới hạn ràng buộc.

Kiểm soát: một bên có chỗ đứng, một bên thì không.

Đây là điểm mà Prism xứng đáng với mức giá cao cấp của mình, và đó là sự khác biệt mang tính cấu trúc chứ không phải là khoảng trống về tính năng.

Inworld Realtime TTS 2 thực sự tinh vi trong việc xử lý ngữ cảnh. Nó đọc các lượt trước như đầu vào âm thanh, nhận chỉ dẫn giọng nói dạng tự do bằng tiếng Anh thông thường, hỗ trợ thẻ nội tuyến và chế độ đánh vần theo từng ký tự cho số đơn hàng, mã và địa chỉ. Chế độ đánh vần đó là thứ gần nhất trong so sánh này với một điều khiển trước khi nói, và nó tốt — một bộ tổng hợp có thể đọc "four-seven-two" thay vì "four hundred and seventy-two" giải quyết được một nhóm lỗi thực sự trong cuộc gọi hỗ trợ.

Nhưng nó chỉ tác động lên văn bản mà bạn đã gửi đi rồi. Không có thời điểm nào trong lượt mà Inworld báo cho ứng dụng của bạn rằng "đây là nội dung tôi sắp nói" rồi chờ đợi. Chế độ đánh vần chỉ sửa cách phát âm, chứ không sửa nội dung.

Prism cho bạn biết điều đó ở mỗi lượt. Tuyên bố của Rime là văn bản đóng vai trò một điểm kiểm tra chứ không phải một khâu trung gian: một lớp rào chắn có thể kiểm tra từng từ trước khi từ đó được phát ra, một lớp chính sách có thể viết lại một câu bị từ chối và mô hình phát ra câu thay thế, một tuyên bố bị cấm có thể bị chặn hoàn toàn trong khi cuộc gọi vẫn tiếp tục. Việc suy luận của mô hình có thực sự diễn ra trực tiếp trên âm thanh hay không là một tuyên bố đáng để kiểm chứng; việc văn bản đến trước âm thanh là một thực tế thiết kế.

Đối với một triển khai được quản lý chặt chẽ trong một thị trường duy nhất, thực tế đó chính là lý do để trả tám xu thay vì lắp ghép một chuỗi rẻ hơn. Đối với mọi trường hợp khác, đó là một tính năng bạn đang mua và có thể không cần.

Những tuyên bố trên bảng xếp hạng thực sự nói gì

Inworld quảng bá Realtime TTS 2 là số một trên Artificial Analysis Speech Arena. Các bảng xếp hạng độc lập trên arena đặt nó ở mức Elo khoảng 1.245, xếp thứ ba trên bảng hiện tại, còn TTS-2 Flash ở khoảng 1.210 và thứ sáu. Một vị trí trong top ba trên một arena công khai là kết quả xuất sắc và là tuyên bố hữu ích hơn so với tuyên bố trong nội dung tiếp thị; sự khác biệt là một phát ngôn định vị va chạm với một bảng xếp hạng trực tiếp vốn thay đổi khi người bỏ phiếu tham gia.

Không có chỉ số tương đương cho Prism. Điểm 56,6 của nó trên τ-Voice là điểm hoàn thành tác vụ dạng tác nhân do chính Rime tự chạy, trên một khung kiểm thử mà Artificial Analysis cũng sử dụng, nhưng không có mục nào trên bảng xếp hạng được công bố khi ra mắt. Hai con số này đo những thứ khác nhau — giọng nói nghe như thế nào đối với người chấm so với tần suất một tác nhân hoàn thành một tác vụ dịch vụ mô phỏng — và không có phép tính nào biến con số này thành con số kia.

Sự bất đối xứng đó, một lần nữa, chính là phép so sánh thu nhỏ. Inworld có điểm chất lượng giọng nói đi kèm một trọng tài. Prism có điểm năng lực tác nhân mà không có trọng tài. Không công ty nào công bố một phép so sánh đối đầu trực tiếp, và cả hai mô hình đều chưa từng được cùng một phòng thí nghiệm chạy trên cùng một nhiệm vụ.

Nếu bạn xây dựng chuỗi xếp tầng, chúng tôi sẽ định tuyến phần giữa

Inworld Realtime TTS 2 được Inworld bán trực tiếp và thông qua một số nền tảng bên thứ ba. Rime Prism được Rime bán trực tiếp. Hiện cả hai đều không có trong danh mục của OrcaRouter và bài viết này không khẳng định điều ngược lại.

Kiến trúc cascade mà mô hình của Inworld thuộc về vẫn cần một mô hình ngôn ngữ ở giữa, và chính phần giữa đó là nơi chất lượng và chi phí thực sự được quyết định. OrcaRouter đặt hơn 200 mô hình phía sau một khóa với mức chênh lệch 0% so với giá niêm yết của nhà cung cấp, với tính năng chuyển đổi dự phòng tự động khi một nhà cung cấp bị suy giảm và một DSL định tuyến để gửi các lượt khác nhau đến các mô hình khác nhau — rẻ cho phần xác nhận, mạnh mẽ cho phần tra cứu, tất cả qua một điểm cuối. Đối với một tác nhân thoại, đó là đơn vị hữu ích: một nơi để thay đổi mô hình mà không cần chạm vào đường dẫn cuộc gọi.

Chúng tôi cũng định tuyến tổng hợp giọng nói, nếu bạn muốn dùng nó trên cùng một key thay vì một hợp đồng thứ hai:openai/tts-1-hd và google/gemini-3.1-flash-tts-preview đều có sẵn với giá niêm yết. Cả hai đều không phải Inworld Realtime TTS 2. Cả hai đều là chặng cuối của một chuỗi xếp tầng mà bạn có thể lắp ghép ngay hôm nay.

Hai câu hỏi, và câu hỏi mang tính quyết định

Câu hỏi thứ nhất: có bao nhiêu ngôn ngữ? Nếu câu trả lời là nhiều hơn một vài, thì Inworld Realtime TTS 2, và cuộc so sánh kết thúc. Hai trăm locale với danh sách Tier 1 đã công bố gồm mười lăm tốt hơn một danh sách chưa công bố không kèm số liệu, và bạn không thể tiến hành mua sắm dựa trên một trường trống.

Câu hỏi thứ hai: có ai cần phê duyệt câu trước khi nó được phát ra không? Nếu có, thì Prism. Không phải vì nó nói tốt hơn — không có bằng chứng nào theo cả hai hướng — mà vì đây là mô hình duy nhất ở đây tạo ra câu như một đầu ra mà ứng dụng của bạn có thể nắm giữ. Đó chính là toàn bộ sản phẩm, và nó tốn khoảng tám xu mỗi phút gọi.

Nếu cả hai đều không ràng buộc, câu trả lời trung thực là bạn nên xây dựng chuỗi rẻ hơn quanh bộ tổng hợp của Inworld và dành khoản tiết kiệm cho việc xử lý ngắt lời, vì đó chính là phần trải nghiệm mà người gọi thực sự để ý. Hai xu rưỡi một phút cho chặng tổng hợp là một lời đề nghị hấp dẫn từ một mô hình xếp hạng nhì trên một đấu trường công khai, và checkpoint mà bạn đang từ chối chính là thứ bạn vừa nói với chúng tôi rằng bạn không cần.

Một lưu ý về các số liệu trước khi bất kỳ ai trích dẫn chúng: các con số về độ phủ, độ trễ và giá của Inworld là do chính Inworld đưa ra; chỉ số Elo trên đấu trường là của Artificial Analysis, và nó không đồng tình với vị thế số một của Inworld. Con số 56.6 của Prism là của Rime, chưa được tái lập. Chưa có bên độc lập nào đo lường việc một mô hình này thực hiện công việc của mô hình kia, và đây là khoảng trống duy nhất mà cả hai công ty đều chưa lấp đầy.