Rime Prism vs Qwen-Audio-3.0-TTS: Một động cơ hội thoại đối lại một lớp giọng nói

Rime Prism tính phí 0,080 USD một phút. Một cuộc gọi hỗ trợ năm phút trên đó tốn 0,40 USD, và 0,40 USD ấy mua cả khả năng nghe, suy luận, luân phiên lượt nói và giọng nói trong một mô hình. Qwen-Audio-3.0-TTS tính phí 19,30 USD trên một triệu ký tự, tức với cùng cuộc gọi là khoảng 0,10 USD — chỉ cho phần nói. Đặt những con số đó cạnh nhau, phép so sánh có vẻ đã ngã ngũ theo hướng có lợi cho Qwen. Nó chưa ngã ngũ, vì hai mô hình không cạnh tranh cho cùng một vị trí trong một stack, và khoảng chênh lệch 0,30 USD phần lớn là cái giá của việc xóa bỏ hai lần bàn giao khỏi đường đi giữa câu nói của người gọi và câu trả lời.

Rime đã ra mắt Prism vào ngày 28 tháng 10 năm 2026, một ngày trước khi trang này được viết. Đây là mô hình giọng nói sang giọng nói, không phải mô hình văn bản thành giọng nói: nó nghe âm thanh, tạo ra câu trả lời, ghi câu trả lời đó thành văn bản để ứng dụng có thể kiểm tra, rồi sau đó nói — trong khi vẫn tiếp tục lắng nghe. Alibaba đã công bố Qwen-Audio-3.0-TTS tại WAIC vào ngày 20 tháng 7 năm 2026, với hạng Plus cho chất lượng và hạng Flash cho thời gian thực. Mô hình đó nhận văn bản và trả về âm thanh, chỉ thế thôi. Alibaba đã thay thế nó bằng Qwen-Audio-3.1-TTS vào ngày 23 tháng 9 năm 2026, nên số 3.0 trong tiêu đề này đã là thế hệ trước của chính dòng sản phẩm đó — một chi tiết rắc rối sẽ trở lại sau này và thay đổi thứ bạn thực sự nên mua.

Câu hỏi hữu ích không phải là cái nào nghe hay hơn, mà là cái nào bạn đưa ra trước cho người gọi, và phần còn lại của sơ đồ phải trông ra sao nếu bạn làm thế.

Hai sản phẩm, một ô trong sơ đồ

Một tác nhân thoại thông thường là một chuỗi nối tiếp: nhận dạng giọng nói biến âm thanh của người gọi thành văn bản, một mô hình ngôn ngữ quyết định sẽ nói gì, chuyển văn bản thành giọng nói biến câu trả lời đó trở lại thành âm thanh. Mỗi chặng là một nơi mà khẩu âm của người gọi có thể bị mất đi, nơi một từ đệm bị bỏ sót, nơi 200 mili giây bị cộng thêm.

Lập luận của Rime là quy trình cascade vứt bỏ thứ mà nó không thể khôi phục. Trong một quy trình cascade, mô hình ngôn ngữ không bao giờ nghe được cách người gọi nói điều đó — tiếng thở dài, giọng cao lên ở cuối câu hỏi, khoảng lặng trước số thẻ tín dụng — vì nó chỉ nhận được một bản ghi lời. Prism giữ nguyên vẹn tín hiệu âm thanh xuyên suốt quá trình ra quyết định, rồi phát ra văn bản như một checkpoint thay vì một định dạng trung gian.

Đó là một khác biệt kiến trúc thực sự và là toàn bộ nền tảng của sản phẩm. Điều đó cũng có nghĩa Prism không phải là một bản thay thế dùng ngay cho một engine TTS. Thả nó vào vị trí cuối cùng của một chuỗi xếp tầng và bạn đã mua phải một bộ tổng hợp giọng nói đắt đỏ cần nghe người gọi trước. Thả Qwen-Audio-3.0-TTS vào vị trí của Prism và bạn có một mô hình hoàn toàn không thể nghe được gì.

Rime Prism thực sự bán gì

Prism là mô hình đầu tiên Rime phát hành mà loại bỏ các giai đoạn STT và LLM thay vì tối ưu hóa một trong hai. Lớp văn bản là tính năng mà những người mua doanh nghiệp quan tâm: một bước kiểm tra chính sách, bộ lọc PII hoặc người giám sát có thể đọc chính xác những từ sắp được nói ra, và vì mô hình vẫn đang lắng nghe trong khi bước kiểm tra chạy, khoảng dừng không nhất thiết phải nghe thấy được. Các lệnh gọi công cụ chạy song song với lời nói thay vì trước lời nói, đây là một cách che giấu độ trễ của việc tra cứu cơ sở dữ liệu khác với kiểu trì hoãn thường thấy là “để tôi kiểm tra giúp bạn một chút”.

Những con số được công bố, tất cả đều từ Rime: 0,57 giây đến âm thanh đầu tiên trên bộ đánh giá τ-Voice, tỷ lệ hoàn thành nhiệm vụ 56,6% trên bộ đánh giá đó và 82,5% trên tập con viễn thông của nó. Một thử nghiệm Revmo trên khoảng mười giờ các cuộc gọi đặt hàng thực tế được trích dẫn là 100% xác nhận đơn hàng so với 68% đối với một mô hình OpenAI không nêu tên, với 85% cuộc gọi không bị ảo giác so với 35%. Những số liệu thử nghiệm đó đến từ một nghiên cứu điển hình khách hàng do Rime ủy thác; phương pháp luận không được công bố và chưa có ai tái lập được.

Giá tính theo mỗi phút âm thanh cuộc gọi và dùng cùng một mô hình ở mọi gói: 0,080 USD/phút trên Flex không có phí hàng tháng, 0,064 USD/phút trên Scale với 100 USD/tháng, bao gồm 100 USD tín dụng được cộng dồn đến 200 USD, và giá theo khối lượng trên Enterprise. Tài khoản miễn phí nhận 50 USD tín dụng hàng tháng. Prism truyền trực tuyến qua WebSockets và cung cấp sẵn tích hợp cho LiveKit và Pipecat. API tinh chỉnh SFT và RL tự phục vụ đang ở giai đoạn beta, chưa được phát hành rộng rãi; gói Enterprise là nơi có triển khai tại chỗ và trên VPC, giọng nói tùy chỉnh, HIPAA BAA và SOC 2 Type II.

Qwen-Audio-3.0-TTS thực sự bán gì

Qwen-Audio-3.0-TTS là một bộ tổng hợp giọng nói với khả năng điều khiển khác thường. Nó chấp nhận các thẻ biểu cảm nội tuyến — [gasp], [laughs], [angry] — được nhúng trực tiếp trong văn bản, nên cảm xúc gắn với một nhân vật thay vì cả một đoạn văn. Nó hỗ trợ 16 ngôn ngữ và 20 phương ngữ Trung Quốc, kết xuất tối đa ba phút trong một yêu cầu ở 48 kHz, và đi kèm thư viện hơn 1.000 giọng nói. Gói Plus là gói chất lượng; Flash hướng đến tương tác thời gian thực và tài liệu của Alibaba ghi độ trễ gói đầu tiên dưới 200 mili giây, trong khi các bài đưa tin ra mắt trước đó dẫn con số khoảng 300.

Giá niêm yết là $0.19253 cho mỗi 10.000 ký tự tại khu vực Bắc Kinh và $0.20 tại Singapore, tức $19.30 đến $20 cho mỗi triệu ký tự — con số mà Artificial Analysis đưa trên bảng xếp hạng của mình. Thông lượng bị giới hạn ở 180 yêu cầu mỗi phút tại cả hai khu vực. Không có trọng số, không có tùy chọn tự lưu trữ và không có phương án tại chỗ: nếu các khu vực của Alibaba là vấn đề đối với việc đánh giá lưu trú dữ liệu của bạn, thì mô hình này đơn giản là không khả dụng cho bạn.

Bảng tỷ số

• Danh mục — Rime Prism nghe âm thanh và phản hồi bằng giọng nói; Qwen-Audio-3.0-TTS nhận văn bản và trả về âm thanh.

• Ra mắt — Prism vào ngày 28 tháng 10 năm 2026; Qwen-Audio-3.0-TTS vào ngày 20 tháng 7 năm 2026, được thay thế bởi Qwen-Audio-3.1-TTS vào ngày 23 tháng 9 năm 2026.

• {{1}}Đơn vị tính phí{{/1}} — {{2}}Prism $0.080 mỗi phút âm thanh cuộc gọi trên Flex, $0.064 trên Scale; Qwen $19.30 mỗi triệu ký tự trên Plus, khoảng $13.75 đến $15 mỗi triệu trên Flash.{{/2}}

• Độ trễ — Prism 0,57 s thời gian đến âm thanh đầu tiên, do nhà cung cấp đo; Qwen Flash dưới 200 ms cho gói đầu tiên theo tài liệu của Alibaba.

• Điểm số độc lập — Prism không có điểm nào trên Chỉ số Speech-to-Speech của Artificial Analysis; Qwen-Audio-3.0-TTS-Plus đứng ở Elo 1.269, vị trí thứ sáu trong số 99 trên Text-to-Speech Arena theo bảng xếp hạng tính đến ngày 29 tháng 10 năm 2026.

• Ngôn ngữ — Prism chỉ tiếng Anh khi ra mắt; Qwen 16 ngôn ngữ cộng 20 phương ngữ Trung Quốc.

• Triển khai — Prism cloud, VPC hoặc on-premises với HIPAA BAA và SOC 2 Type II trên Enterprise; Qwen chỉ thông qua Alibaba Cloud Model Studio.

Cuộc gọi năm phút, được định giá

Giả sử một cuộc gọi hỗ trợ đến kéo dài năm phút, trong đó nhân viên nói khoảng 1.000 ký tự mỗi phút — FAQ về giá của chính Rime sử dụng tỷ lệ đó để quy đổi giữa TTS tính phí theo ký tự và Prism tính phí theo phút của mình, vậy nên đó là một mẫu số chung công bằng. Đó là 5.000 ký tự lời nói.

Trên Prism, chi phí là năm phút ở mức $0.080, tức $0.40. Ở mức giá Scale, chi phí là $0.32. Mười nghìn cuộc gọi như vậy tốn lần lượt $4,000 và $3,200.

Trên một chuỗi xử lý được xây dựng quanh Qwen-Audio-3.0-TTS-Plus, 5.000 ký tự tốn $0,0965. Thêm tính năng nhận dạng giọng nói của chính Rime với giá $0,002 mỗi phút — năm xu cho cuộc gọi — và một mô hình văn bản cho phần suy luận. Với mức giá kết hợp $0,50 mỗi triệu token và vài nghìn token mỗi lượt, phần đó chỉ cộng thêm chưa đến một xu. Toàn bộ chuỗi rơi vào khoảng $0,11 mỗi cuộc gọi, tức khoảng $1.100 cho mười nghìn cuộc gọi. Dùng Flash thay vì Plus kéo dòng tổng hợp xuống còn khoảng $0,069 ở Bắc Kinh, và tổng chi phí xuống khoảng $0,08.

Vậy cascade chỉ bằng khoảng một phần tư giá của Prism, và khoảng cách là 2.900 đô la đến 3.200 đô la mỗi mười nghìn lượt gọi. Đó là giá niêm yết và các giả định là của chúng tôi, không phải của Rime; điểm mấu chốt là hình dạng của khoảng cách, không phải chữ số thập phân thứ ba.

Phần giữa của chuỗi đó cũng chính là thành phần duy nhất bạn có thể di chuyển mà không cần chạm vào hai thành phần còn lại. OrcaRouter định tuyến các mô hình văn bản đằng sau một API duy nhất — hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển thẳng qua với 0% phụ phí, và tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm giữa cuộc hội thoại — nhờ đó bước suy luận có thể được chuyển hướng sang một mô hình rẻ hơn hoặc mạnh hơn giữa các lần gọi. Checkpoint văn bản của Prism là văn bản thông thường vì cùng lý do: bất kỳ thứ gì tiêu thụ nó, từ gọi công cụ đến tóm tắt sau cuộc gọi đến chấm điểm QA, đều có thể nằm trên một endpoint được định tuyến và giữ độc lập với lớp giọng nói bên dưới.

Nơi cascade vẫn thắng

Một ví dụ là các trung tâm liên lạc đa ngôn ngữ. Khi ra mắt, {{1}}Prism{{/1}} {{2}}chỉ hỗ trợ tiếng Anh{{/2}}, với bộ giọng nói hạn chế. {{3}}Qwen-Audio-3.0-TTS{{/3}} hỗ trợ 16 ngôn ngữ và 20 phương ngữ Trung Quốc — và phiên bản kế nhiệm của nó bổ sung khả năng chuyển đổi âm sắc xuyên ngôn ngữ giữa tiếng Quan Thoại, tiếng Quảng Đông, tiếng Anh và tiếng Nhật. Nếu một tỷ lệ đáng kể người gọi đến của bạn không nói tiếng Anh, thì sự so sánh này kết thúc ngay ở bảng thông số.

Tạo một lần là trường hợp thứ hai. Lời nhắc IVR, thông báo gửi đi, chương sách nói, hội thoại trong trò chơi: không trường hợp nào có người gọi đáp lại, nên chẳng có gì để một mô hình speech-to-speech phải nghe. Trả $0.080 mỗi phút cho một mô hình có thể lắng nghe khi không ai nói chính là trả tiền cho một nửa không dùng đến.

Khối lượng là yếu tố thứ ba. Với chi phí chỉ bằng một phần tư so với mỗi lần gọi, một cascade để dành ngân sách cho những phần thực sự tạo ra sự khác biệt cho một agent — truy xuất tốt hơn, mô hình suy luận mạnh hơn, định tuyến leo thang lên con người.

Nơi Prism vẫn chiếm ưu thế

Điện thoại đến có quy định là trường hợp mà Prism được xây dựng để xử lý. Một ngân hàng phải có khả năng cho thấy điều mà nhân viên của mình sắp nói và chặn điều đó trước khi khách hàng nghe thấy, không thể làm vậy bằng một mô hình thời gian thực hợp nhất và chỉ có thể xấp xỉ điều đó bằng một chuỗi xử lý nối tiếp mà khâu văn bản là một dịch vụ riêng có độ trễ riêng và kiểu lỗi riêng. Prism đặt điểm kiểm soát bên trong mô hình và tiếp tục lắng nghe xuyên qua đó.

Nó cũng thắng ở chỉ số quyết định xem một cuộc gọi có cảm giác như người thật hay không: thời gian im lặng. Một cascade nhanh trên giấy vẫn cộng dồn endpointing, thời gian mô hình tới token đầu tiên và thời gian tổng hợp tới gói đầu tiên, và một cascade đạt dưới một giây từ đầu đến cuối là đang làm tốt. Prism đo được 0,57 giây từ khi người gọi kết thúc lượt nói đến âm thanh đầu tiên của câu trả lời, chỉ trong một chặng.

Và nó thắng về triển khai đối với những người mua hoàn toàn không thể sử dụng vùng đám mây Trung Quốc — VPC, tại chỗ, HIPAA BAA, SOC 2 Type II, và tinh chỉnh trên bản ghi cuộc gọi của chính bạn thay vì trên một nền tảng dùng chung.

Con số mà không bên nào có thể cho bạn

Cả hai mô hình đều không có con số mà đội mua sắm mong muốn có nhất: một so sánh đối đầu độc lập trên cùng một bộ tiêu chuẩn đánh giá.

Prism không được liệt kê trong Chỉ số Speech-to-Speech của Artificial Analysis. Con số τ-Voice 56,6% của nó là kết quả do nhà cung cấp tự thực hiện, và bảng mà Rime công bố kèm theo đó đáng để đọc kỹ: GPT-Live-1 (Sol, low) được vẽ ở mức 59,3%, cao hơn Prism, trong khi phần nội dung xung quanh lại nói rằng Prism "đi trước mọi mô hình thời gian thực của OpenAI và Google." Các bài đăng ra mắt cũng dẫn "dưới 300 ms" và "nhanh gấp 4 lần GPT-Live," những con số không xuất hiện trong bảng benchmark, vốn ghi 0,57 s. Những phép đo khác nhau có thể giải thích sự khác biệt; trang web thì không.

Con số của Qwen mạnh hơn, vì 1,269 Elo đến từ phiếu bầu của người nghe không biết danh tính chứ không phải từ Alibaba. Nó cũng không còn là con số tốt nhất trong chính dòng sản phẩm của mình: Qwen-Audio-3.1-TTS-Plus đang đứng thứ ba với 1,305 tính đến ngày 29 tháng 10 năm 2026, và các lần điều chỉnh của Artificial Analysis đã làm thay đổi bảng xếp hạng này hơn một lần trong năm nay, nên không bao giờ nên lấy điểm số từ các bản chụp khác nhau trừ cho nhau.

Cảnh báo riêng đối với Rime lại có hàm ý ngược lại. Những giọng Rime duy nhất từng được xếp hạng độc lập là các mô hình TTS của hãng, và trên cùng bảng xếp hạng đó, Coda đứng thứ 65 với Elo 1,054 còn Mist V2 đứng thứ 92 với 903 — tức nửa dưới của 99. Prism hoàn toàn có thể nghe hay hơn các sản phẩm anh em; nhưng không có công bố nào cho phép người mua xác nhận điều đó trước khi ký kết.

Xem gì

Ba điều sẽ thay đổi khuyến nghị. Việc Prism xuất hiện trên Speech-to-Speech Index sẽ mang lại cho nó con số độc lập đầu tiên mà nó từng có. Hoạt động song công hoàn toàn — Prism là bán song công với tính năng ngắt lời khi ra mắt — sẽ mở rộng khoảng cách so với bất kỳ kiến trúc cascade nào phải chờ người gọi nói xong. Và việc các API tinh chỉnh tự phục vụ thoát khỏi giai đoạn beta chính là khác biệt giữa “doanh nghiệp có thể tinh chỉnh” và “bạn có thể tinh chỉnh vào thứ Ba.”

Ở phía bên kia, hãy để ý xem Alibaba sẽ làm gì với giá của Qwen-Audio-3.1-TTS sau đợt cắt giảm khoảng 70% mà họ đã áp dụng vào ngày 22 tháng 9 năm 2026. Một chuỗi nhiều chặng mà cả chặng giữa lẫn chặng cuối đều đang ngày càng rẻ hơn là một mục tiêu luôn biến động, còn mức giá tính theo phút của Prism thì cố định so với nó.

Đối với hầu hết các đội, câu trả lời trung thực là cả hai, chứ không phải một trong hai. Hãy đặt Prism ở phía trước những người gọi đến mà cuộc hội thoại của họ cần một điểm kiểm tra và ngân sách độ trễ một chặng. Hãy đặt Qwen-Audio-3.0-TTS — hay thực tế hơn lúc này là Qwen-Audio-3.1-TTS — vào các luồng gửi đi nơi không ai đáp lại và hóa đơn tính theo ký tự. Sai lầm là chọn một vì bảng đánh giá chuẩn nói vậy, trong khi bảng đó có một chú thích và chú thích ấy mới đang gánh phần lớn công việc.