Rime Prism 与 ElevenLabs：两个语音到语音模型，一个延迟数字

相隔十一天，两家公司推出了相同的构想，并公布了相同的数字。 Rime Prism于2026年10月28日推出，首个音频输出耗时0.57秒。 Eleven Realtime v1 Max，即 ElevenLabs 自家的端到端语音转语音模型，于2026年10月20日推出，首个音频输出同样为0.57秒。这次对比中最有价值的地方恰恰是这种巧合，因为它意味着延迟并不是决定因素。一旦两个模型在计时上打平，真正区分它们的就是那半秒里发生了什么，而这两个模型以截然相反的方式度过这半秒：Eleven Realtime v1 Max 边听边说，而 Rime Prism 先写后说。

这是本批次中最接近的比较，也是真正需要做出选择的一项，因为这两款产品替换的是整个级联，而不是单个组件，并且两者对音频的定价都是每分钟八美分。

简短的回答

当覆盖范围和语音资源库成为决定性因素时，Eleven Realtime v1 Max 是更优选择：90 多种语言、超过 17,000 个语音，这样的目录在这一对产品中没有竞争对手能够匹敌；而且其 socket 与 OpenAI 的 Realtime API 在通信层面兼容，这意味着迁移只需更换端点，而无需重写。

当智能体所说的话必须在说出之前可被审查时，Rime Prism 是更好的选择。在这一对模型中，它是唯一能在回合中途向应用交付文本字符串并提供改写或阻止选项的模型，也是唯一提供本地部署或 VPC 部署的模型。

两者的音频价格均为每分钟 $0.080，而这种表面上的价格一致掩盖了一个真实差距：ElevenLabs 按每分钟已连接音频收取 $0.080外加模型 token，而 Rime 按每分钟 $0.080 收费且不收取 token 费用。对于通话量大的智能体来说，这并非舍入误差。

各公司实际宣布的内容

ElevenLabs 推出的是一整个产品家族，而非单一模型。Eleven Realtime v1 Max 是面向复杂任务的版本——客服支持、线索资格筛选，以及任何涉及工具调用的场景。Eleven Realtime v1 Mini 则是对话型版本，适用于助手、辅导老师和角色扮演类应用。两者都是单一的端到端网络，将语音识别、轮流对话、推理与语音生成整合进同一个系统，而不是三个拼接起来的阶段。ElevenLabs 给出的理由在于"接缝"：停顿之后的冷场、被打断时抢话、转写文本与语音不一致。这些都是级联式流水线的产物，而它提出的解决办法是把全部四个阶段放在一起联合调优。

接入路径刻意做得很平淡，这其实是句褒奖。Eleven Realtime 可以通过下拉菜单在 ElevenAgents 内部运行，也可以通过位于 wss://api.elevenlabs.io/v1/convai/realtime 的 Realtime API 运行——该 API 与 OpenAI 的 Realtime 协议在传输层面兼容：只需更改端点和模型名称，现有的 OpenAI SDK 无需改动即可使用。发布时它仅支持 WebSocket，尚无 WebRTC 路径。

Rime 的发布呈现出不同的形态。只有一个模型 Prism，面向企业联络中心，其差异化主张在于文本检查点，而不是一系列变体。提供含 50 美元额度的免费层级，Flex 为每分钟 $0.080，Scale 为每分钟 $0.064，而 Enterprise 层级则增加了 VPC 和本地部署，并支持基于客户通话录音和自定义语音进行微调。同样没有 WebRTC，但支持流式传输、LiveKit 和 Pipecat 集成、8 kHz 电话语音，以及带 HIPAA 声明的 SOC 2。

有一点值得提醒任何计划上线的人：ElevenLabs 将 Eleven Realtime 描述为逐步推出，其模型标识符自 8 月初起就已出现在其更新日志中。10 月 20 日这个日期是公告日期。如果你的账户在 ElevenAgents 下拉菜单中看不到该模型，那属于分阶段发布，而不是配置错误。

检查点才是真正的区别所在。

两个模型都是端到端的。其中只有一个会在呼叫方听到任何内容之前留下可供你处理的文本产物。

Eleven Realtime v1 Max 从音频输入到音频输出。在通话的另一端有一份转写文本，并在其上游有一个系统提示词，但在这一轮交互中，没有任何一个节点会让你的应用以字符串形式持有智能体的下一句话，并决定是否将其发送出去。这不是批评——这是 ElevenLabs 选择的架构，也正是造就该公司所宣传的自然感的架构。将四个阶段合并到一个网络中，恰恰消除了那个可供检查的接缝。

Prism 保留了接缝。Rime 表示，模型以文本形式起草回复，应用可以在这段文本上重写、阻止、标记或修正发音，随后音频再跟进。工具调用与语音并行进行，而不是先于语音进行。这不是级联这一主张的依据在于，推理是在音频之上进行的——语气、迟疑和背景噪声都会为回复提供信息——而文本是输出途中的一个路标，而不是输入。

对合规团队来说，这个差别就是整个采购决策的关键。“智能体不能说 X”在 Prism 中可以在句子层面强制执行，而在 Eleven Realtime 中只能在提示词层面约束，也就是说只能做到概率性保证。对于打造角色或导师的产品团队，情况正好相反：检查点是额外开销，而由单个经过调优的网络带来的自然感才是产品本身。

两个数值均为0.57秒、但并非同一测量的数字

这种平价确实存在，但所用的工具不同；如果你打算引用其中任何一个数值，这一差异就很重要。

Eleven Realtime v1 Max 的 0.57 秒是 Artificial Analysis 的一项测量结果——由第三方执行，采用的是其其他语音到语音条目所用的同一计时标准，并已公布。Eleven Realtime v1 Mini 在同一测量工具上测得 0.62 秒。

Prism 的 0.57 秒是 Rime 自己给出的数字，是在 τ-Voice 测试框架上得出的；Artificial Analysis 也使用该框架，但这次由 Rime 运行。Prism 在发布时没有公开排行榜条目。因此，一个数字有裁判，另一个没有，尽管两者精确到小数点后两位是相同的值。将它们并排列为平局是站得住脚的；将它们列为同等证据则不行。

其他分数也差异悬殊，而且同样是在不同测试工具上。Eleven Realtime v1 Max 在 Big Bench Audio 上录得 98.8%，而 Mini 为 75.9% 至 76%；任务成功率为 87.1%，对比 60.3%；Full-Duplex-Bench 为 94.1，对比 95.8%；Arena Elo 约为 997 至 998，对比 988。它在 Speech-to-Speech Index 上也未获评分，并且没有 τ-Voice 智能体评分——因此根本没有任何已公布的数字能把 Eleven Realtime v1 Max 和 Prism 放在同一坐标轴上。任何把 Prism 的 56.6 与 ElevenLabs 的 98.8 并列比较的人，都是在拿任务完成基准与音频质量基准作比较，得到的只是一个毫无意义的 42 分差距。

价格差距在代币行中

表面上看，两款产品都是每分钟八美分。可一看费率卡，情况并非如此。

• ElevenLabs — 连接音频每分钟 $0.080，另加模型 token。Eleven Realtime v1 Mini 为每百万 token 输入 $0.20、输出 $6.00；v1 Max 为输入 $1.80、输出 $9.00。突发超额会将音频费率翻倍至每分钟 $0.16。在 ElevenAgents 内，标准费率为每分钟 $0.08，另加 LLM token。

• Rime — 在 Flex 上，Prism 音频为每分钟 $0.080；在 Scale 上为 $0.064；不额外收取 token 费用。免费套餐提供 $50 使用额度，可用于 Prism、Mist v3、Coda v2 和 Rime STT。

token 计费项会花你多少钱，完全取决于智能体思考了多少。一次五分钟的客服通话中，智能体进行八轮交互，每轮都要推理数千个 token；在 Max 上按每百万输入 $1.80、每百万输出 $9.00 计费，这并非免费——它是在第一块计费表之外同时运转的第二块表。对于 Mini 上以简短确认类回复为主的助手，token 计费项微不足道。对于执行真实工具编排的 Max 部署，它则可能与音频费用相当。

Rime 的固定分钟计费有其自身的陷阱，而且正好是相反的那种。Prism 按通话音频而非坐席语音计费，因此，一通来电者长篇大论的通话，与一通坐席说个没完的通话成本相同。如果你的通话更偏向于坐席发言简短、客户发言冗长，那么 Prism 的每分钟费率就是两者中更贵的那个，而且这一差距与所用模型毫无关系。

在签约之前，请根据你自己的通话分布对这两种计量方式都进行测算。两家供应商都没有提供计算器，而且八美分的宣传价确实不是他们任何一家会向你收取的金额。

覆盖范围、语音以及部署问题

ElevenLabs 在覆盖范围上优势如此明显，值得直接说明，而不应轻描淡写：90 多种语言和超过 17,000 种语音。Rime 完全没有公布 Prism 的语言数量或语音库，尽管其独立的文本转语音产品会公布这些数据，但这些数字不能直接套用到 Prism。

这种不对称本身就决定了实际部署中的很大一部分。一家在九个市场上线的欧洲零售商，不需要再读本文剩下的内容。

部署正是它重新占据优势的环节。Rime 在 Enterprise 版中除云部署外，还提供 VPC 与本地部署，并为其 TTS 模型提供同址端点选项。Eleven Realtime 在发布时是一项托管式 WebSocket 服务。Rime 的论点——前沿实时 API 仅限云端，而 Prism 让你掌控音频的存放位置——对于医疗、金融服务以及任何合同中带有数据驻留条款的买方而言，是真正的差异化优势。Rime 声称 Prism 符合 SOC 2 与 HIPAA；ElevenLabs 则按自身条款出售附带 DPA 与 BAA 的企业协议。两者都能满足合规审查，但只有其中一个能满足“音频永不离开我们的大楼”这一要求。

微调是另一处不对称，而且指向同一个方向。Rime 表示，Prism 可以基于客户自己的通话录音进行微调，其自助式 RL 和 SFT API 目前处于测试阶段。ElevenLabs 的调优范围是语音层面的——克隆、专业语音工作流、风格与稳定性设置——而不是一个基于你的通话训练的自定义声学与推理模型。如果目标是“听起来像我们的品牌”，那在 ElevenLabs 这边已经是解决过的问题。如果目标是“在我们特定的订单流程上做得更好”，那么这两者中只有一家在提供这一点。

OrcaRouter 适合哪些场景，以及不适合哪些场景

Prism 和 Eleven Realtime 都不在我们的产品目录中。Prism 由 Rime 直接销售；Eleven Realtime 系列模型由 ElevenLabs 直接销售，也通过多家第三方平台销售。如果你选择其中任何一个，你都是从厂商那里购买，本文不会假装不是这样。

OrcaRouter 之所以仍应是这一决策的一部分，是因为端到端语音模型并不会把你的技术栈中的所有模型都移除。这两个产品仍然需要一个策略层、一个检索步骤、一个分类器以及一条升级路径，而这些都是普通的模型调用。一个密钥即可覆盖 200 多个模型，价格仅为服务商标价的 0% 加价，因此，廉价的护栏模型和昂贵的升级模型可以共用一个端点，并具备自动故障转移——而这正是在实时通话中至关重要的部分，因为服务商停滞与线路中断之间难以区分。路由 DSL 正是你用来表达“让确认环节留在本地、保持低成本，把查询升级出去”的方式，而这条规则值得在网关中写一次，而不是在智能体中写三次。

如果你真正想要的是带托管语音合成的级联方案，openai/tts-1-hd 与 google/gemini-3.1-flash-tts-preview 都按标价共用同一个密钥。工具不同，账单相同。

如何在十分钟内做决定

三个问题，按顺序来，遇到你回答“是”的第一个就停下。

你需要支持不止少数几种语言，还是需要从极其庞大的音色库中选出某种特定声音？Eleven Realtime v1 Max 或 v1 Mini。这份目录本身就是产品，而 Prism 并未发布可与之相比的目录。

你的智能体所说的内容是否必须先经过批准，呼叫者才能听到？还是音频必须留在你的网络内部？Rime Prism。审批检查点和本地部署层级是 ElevenLabs 在这里没有提供的两项能力，而且它们不是之后可以再加的功能。

如果这两者都不构成约束，而决定因素又是成本，那就用你自己的调用数据把两套计费都跑一遍，因为 8 美分的宣传价虽然相同，token 计费项却不同。在 Mini 上运行一个短轮次、低推理的助手，在价格上会胜过 Prism；而工具调用密集的 Max 部署则很可能不会。

接下来最值得关注的是一个能一锤定音的数字。Eleven Realtime v1 Max 没有 τ-Voice 分数，Prism 也没有独立评分。只要其中任一模型登上由厂商之外的人测量的公开排行榜，这场比较就会短得多。在此之前，两者只是在两块不同的秒表上以 0.57 秒打平，其余的就都是架构问题了。

关于上述数字的最后一点说明：Eleven Realtime 的分数是 Artificial Analysis 的数据，价格卡是厂商自己的，而 Prism 的 56.6 是 Rime 的。本文中没有任何评测工具把两个模型放在同一坐标轴上，因此这篇文章围绕架构和覆盖范围来组织，而不是围绕记分牌。