Rime Prism 对比 Inworld Realtime TTS 2：200 个区域设置对上一个检查点

有一个事实应当在任何人打开基准测试之前就终结这场比较的大多数版本：Inworld Realtime TTS 2 公布覆盖 200 多个语言区域，并内置 282 种语音，而 Rime Prism 既未公布语言数量，也未公布语音数量。如果你要把语音智能体部署到十几个市场，那就不是需要权衡的取舍——而是一道直接排除其中一个选项的筛选条件。这场比较只对单一市场且受监管的买家仍有意义，因为 Rime Prism 是这一对中唯一能让应用在来电者听到之前读取并拦截某句话的模型。Inworld Realtime TTS 2 是一个附带出色实时表现的文本转语音模型，但它没有对应的检查点，因为当它看到文本时，决策早已做出。

这些名称还具有误导性，并且这种误导已经催生了一些糟糕的建议。“Inworld Realtime TTS 2”并不是语音到语音模型。Rime Prism 才是。这一区别贯穿下文所有数字，值得在数字开始之前先说明。

其中一个不是特工。

Inworld Realtime TTS 2 是文本输入、音频输出。双工行为——在说话的同时听到通话方、处理打断——来自 Inworld 独立的 Realtime API，该 API 使用 OpenAI Realtime 协议，并宣称约 100 毫秒的打断延迟。那是第二个产品，需要第二次集成，而不是 TTS 模型本身的属性。任何在模型名称中读到“Realtime”就以为这是端到端语音到语音的人，都误读了产品目录。

Prism 完全是另一种形态。音频输入、音频输出，集成在同一个系统中，中间设有一个文本路标，工具调用与语音并行运行，而不是先于语音运行。正因如此，它按通话音频的分钟数计价——你购买的是通话，而不是文本。

所以，对这场对比最诚实的表述是：Inworld Realtime TTS 2 是你自行搭建级联流程时同类最佳的合成环节，而 Prism 则是对整个级联流程的替代。你可以偏好 Inworld，同时仍然搭建出一个 Prism 形态的智能体，只不过要用更多组件拼起来。但你无法既偏好 Prism，又获得 Inworld 的语言覆盖范围，因为它并未公布。

覆盖率数字，以及它们的价值所在

Inworld 的清单异常具体，这本身就颇具信息量：

• 语言区域——200 多个，分为 15 个一级质量和 79 个二级质量。

• 语音 — 282 种内置语音，含 20 个精选预设。

• 克隆 — 仅需 5 至 15 秒音频即可进行零样本克隆；Professional Voice Cloning 处于预览阶段，且仅限旗舰版。

• 连贯性——一种跨越语言始终保持一致的单一声音标识，正是这一特质让多市场品牌发布显得是有意为之，而非翻译的产物。

• 音频 — MP3、WAV、OGG、FLAC 和 PCM 输出，8 kHz 至 48 kHz，默认 24 kHz。

• 吞吐量 — 每请求 2,000 个字符，WebSocket 流式传输，支持 20 个并发连接和 5 个上下文。

• 延迟 — TTS-2 的服务器端 P99 首字节时间低于 100 毫秒；于 2026 年 8 月 31 日推出的 Flash 变体宣称低于 25 毫秒，第三方测量结果接近 25 毫秒。

值得关注的是一级与二级的划分，而不是“200 多个”这个头条数字。在支持的 200 个语区中，有 15 个达到旗舰级质量，这是一项真正诚实的披露，它告诉你产品究竟在哪里才算真正完成。如果你的市场是英语、西班牙语、葡萄牙语、德语、法语和日语，那你很可能属于一级，这个头条数字就是真实的。如果是其余 185 个，那你就处在目录中确实存在、但尚未经过精心打磨的那一部分。

相比之下，Prism 没有公开发布清单，这并不能证明其覆盖范围不足——Rime 会公布其独立文本转语音产品的语言和语音数量，但不会公布 Prism 的——然而，这确实说明你无法据此进行规划。对于在 Rime 所面向的语言中进行的单一市场部署，这种缺失不会让你付出任何代价。而对于任何更广泛的范围，它就是全部答案。

没人会问的双工问题

“Realtime TTS”和“speech-to-speech”听起来像是在承诺同一件事，但在被打断时的表现却截然不同。

在基于 Inworld Realtime TTS 2 构建的级联系统中，打断处理是一个横跨三个服务的协调问题。识别器必须察觉到呼叫方开始说话，编排器必须取消语言模型轮次，合成器必须在流中途停止并清空缓冲区。Inworld 的 Realtime API 把合成器那一半做得很好——打断大约只需 100 ms——但另外两半得由你负责，而且故障是听得见的：呼叫方已经开始说话后，智能体还会继续讲一小会儿，然后从错误的位置重新开始一句话。

Prism 在单个模型内就处理了这一点，而 Rime 把打断处理列为面向设计合作伙伴的宣传亮点。这不是一个你能直接读到分数的基准测试；它是一类你从此不再会有的 bug。对于来电者不断打断坐席的客服热线来说，这比几个 Elo 分的价值更高。

反方论点是：一个构建良好、配有激进取消路径的级联架构在这方面确实表现出色，而协调代码是许多团队早已写过、摸熟了的已知量。中断处理很难，但并非不可能，而且随着工程投入的增加，两种架构之间的差距会逐渐缩小。不会缩小的是：凌晨三点被叫起来处理的服务数量。

价格：四美分对四美分，差不多吧

Inworld 按字符计价，Prism 按通话音频分钟计价，而两者之间的换算正是诚实比较容易出错的地方。

• Inworld Realtime TTS 2 — 按需每百万字符 25 美元，Growth 层级为 12.50 美元，企业批量可低至约 5 美元。TTS-2 Flash 在相同层级分别为 15 美元、7 美元和低于 5 美元。按每分钟语音约 1,000 个字符计算，按需费率约为每分钟生成音频 0.025 美元。

Rime Prism — Flex 每分钟通话音频 $0.080，Scale 每分钟 $0.064，免费套餐赠 $50 免费额度，Enterprise 可按需定制。

因此，Inworld 的智能体语音每分钟约花费 2.5 美分，而 Prism 约 8 美分。这是对比表格所印出的数字，但它具有误导性，原因有两个。

首先，Inworld 的那几美分买到的只是一跳。级联会增加识别——通常为每分钟半美分到一美分——以及一个语言模型回合，在对话量级下，这会落在低个位数美分。把这三者相加，每个智能体发声分钟就接近六到九美分，这正好把 Prism 的八美分括在其中。表中的差距是将一个组件与一个系统进行比较所产生的假象。

第二点是，Prism 的“一分钟”并不是智能体说话的一分钟。它按通话音频计费，因此来电者说了四分钟、只听了智能体一分钟，Prism 就会按五分钟收费。Cascade 的定价随智能体说话量而变化；Prism 的定价则随通话时长而变化。在客户发言时间较长的客服队列中，这确实是一笔实打实的溢价；而在由智能体承担大部分说话的预订流程中，则几乎持平。

Inworld 的计划结构增加了一个值得核查的实际限制：Creator 计划每月 25 美元，按需每百万字符 25 美元，Growth 计划为每百万字符 12.50 美元，企业版为定制价格。流式路径上的并发为 20 个 WebSocket 连接，这对中型队列来说足够，但对大型队列而言则是硬性限制。

对照：一个有立足之地，一个没有。

这正是 Prism 彰显其溢价价值的地方，而且这是结构性差异，而非功能上的差距。

Inworld Realtime TTS 2 对上下文的处理确实非常精细。它会把之前的对话轮次作为音频输入来读取，接受用通俗英语给出的自由形式语音指导，支持内联标签，以及针对订单号、代码和地址的逐字符拼读模式。这种拼读模式是本次对比中最接近语音生成前控制的功能，而且它很出色——一个能说“四七二”而不是“四百七十二”的合成器，解决了一类真实存在的客服通话失败问题。

但它作用于你已经确定下来的文本。在一轮对话中，不存在这样的时点：Inworld 告诉你的应用“这就是我即将要说的话”，然后等待。拼写模式修正的是发音，而不是内容。

每一轮，Prism 都会告诉你。Rime 的主张是：文本是一个检查点，而不是中间产物：护栏可以在每个词被说出之前检查它，策略层可以重写被拒绝的句子，并由模型说出替换后的内容，被禁止的主张可以被直接拦截，而通话仍在继续。模型的推理是否真正是音频原生的，这一点值得测试；文本是否先于音频到达，则是一个设计事实。

对于受监管的单一市场部署而言，这一事实正是值得支付八美分、而不是拼凑一个更便宜的级联方案的原因。对于其他所有情况，它则是你正在购买、但可能并不需要的一项功能。

排行榜上的那些声称究竟说了什么

Inworld 将 Realtime TTS 2 宣传为人工分析语音竞技场（Artificial Analysis Speech Arena）上的第一名。独立的竞技场榜单显示，其 Elo 约为 1,245，在当前榜单上排名第三，而 TTS-2 Flash 约为 1,210，位列第六。在公开竞技场中跻身前三是一项出色的成绩，也比营销宣传中的说法更有用；这一差异源于定位声明与一个会随着投票者加入而不断变化的实时榜单之间的冲突。

Prism 没有对应项。它在 τ-Voice 上的 56.6 是 Rime 自行运行的智能体任务完成得分，所用评测框架也是 Artificial Analysis 使用的，且发布时没有公开的排行榜条目。这两个数字衡量的是不同的事物——语音在人类评分者听来如何，与智能体完成模拟服务任务的频率——没有任何算术能把一个转换成另一个。

这种不对称同样是那种对比的缩影。Inworld 有一个带裁判的语音质量评分，Prism 有一个不带裁判的智能体能力评分。两家公司都没有发布正面对比，两个模型也从未由同一个实验室在同一个任务上运行过。

如果你构建级联，我们就路由中间部分

Inworld Realtime TTS 2 由 Inworld 直接销售，并通过多家第三方平台销售。Rime Prism 由 Rime 直接销售。两者目前均未收录在 OrcaRouter 的产品目录中，本文也不作此声称。

Inworld 的模型所属的级联架构仍然需要在中间使用一个语言模型，而这个中间环节才是质量和成本真正被决定的地方。OrcaRouter 将 200 多个模型置于一个密钥之后，在提供商标价基础上加价 0%，并支持在提供商降级时自动故障转移，以及通过路由 DSL 将不同轮次发送到不同模型——廉价的用于确认，能力强的用于查询，全部通过一个端点完成。对于语音代理来说，这才是实用的单元：一个地方就能更换模型，而无需改动调用路径。

如果你希望语音合成也使用同一个密钥，而不是另签一份合同，我们也可以为其路由：openai/tts-1-hd 和 google/gemini-3.1-flash-tts-preview 均可按标价使用。两者都不是 Inworld Realtime TTS 2。两者都是你今天就能搭建的级联流程中的最后一跳。

两个问题，以及起决定作用的那个

第一个问题：支持多少种语言？如果答案超过寥寥数种，那胜出者就是 Inworld Realtime TTS 2，比较到此结束。200 个语区，加上一份公开的、包含 15 种语言的一级清单，胜过一份未公开且不附带任何数字的清单——而面对空白字段，你根本无法开展采购。

第二个问题：在句子被说出来之前，是否需要有人先批准它？如果是，就选 Prism。不是因为它更擅长语音——这一点无论正反都没有证据——而是因为它是这里唯一一个能把句子生成为你的应用可以持有的产物的模型。这就是整个产品，而且它每分钟通话大约花费八美分。

如果两者都不构成约束，那么诚实的答案是：你应该围绕 Inworld 的合成器搭建更便宜的级联方案，并把省下来的钱花在打断处理上，因为那才是通话者真正会注意到的体验部分。合成环节每分钟 2.5 美分，对于一个在公开竞技场排名第二的模型来说，这是很有竞争力的报价；而你正在放弃的那个检查点，正是你刚刚告诉我们你不需要的。

在任何人引用这些数字之前，先作一点说明：Inworld 的覆盖范围、延迟和价格数据都是 Inworld 自己的，竞技场 Elo 则来自 Artificial Analysis，而后者并不认同 Inworld 排名第一的定位。Prism 的 56.6 是 Rime 的数据，尚未被复现。还没有独立第三方测量过任一模型执行另一模型的工作，而这正是两家公司都未能填补的唯一空白。