Rime Prism 对比 Qwen-Audio-3.0-TTS：对话引擎与语音层的较量

Rime Prism 每分钟收费 0.080 美元。一次五分钟的客服支持通话使用它花费 0.40 美元，而这 0.40 美元买到的，是在一个模型中同时完成聆听、推理、轮流发言和语音。Qwen-Audio-3.0-TTS 每百万字符收费 19.30 美元，同样一次通话大约为 0.10 美元——而且仅用于说话部分。把这些数字并排放在一起，比较结果似乎对 Qwen 有利。但事情并未就此定论，因为这两个模型并不是在争夺技术栈中的同一个位置，而 0.30 美元的差价，主要是从呼叫者的一句话到得到回答之间删去两个交接环节所付出的代价。

Rime 于 2026 年 10 月 28 日发布了 Prism，就在本页写就的前一天。它是一款语音到语音模型，而非文本到语音模型：它听到音频，想出回复，把回复写成应用程序可以检视的文本，然后开口说话——同时仍在聆听。阿里巴巴于 2026 年 7 月 20 日在 WAIC 上发布了 Qwen-Audio-3.0-TTS，分为主打质量的 Plus 档和主打实时的 Flash 档。该模型接收文本、返回音频，仅此而已。阿里巴巴于 2026 年 9 月 23 日以 Qwen-Audio-3.1-TTS 将其取代，因此本标题中的 3.0 已经是其自身家族中的上一代——这个枝节后文还会再次出现，并会改变你实际该买什么。

有用的问题不在于哪个听起来更好，而在于你把哪一个呈现在呼叫者面前，以及如果这样做，图表的其余部分必须是什么样子。

两个产品，示意图中的一个槽位

传统语音智能体是一个级联系统：语音识别把呼叫者的音频转成文本，语言模型决定该说什么，文本转语音再把回答转回音频。每一跳都可能丢失呼叫者的口音、漏掉填充词，或增加 200 毫秒延迟。

Rime 的论点是，级联会丢弃它无法恢复的东西。在级联中，语言模型永远听不到呼叫者是如何说出那件事的——叹息、问题末尾上扬的语调、信用卡号前的停顿——因为它收到的只是一份转写文本。Prism 在整个决策过程中保持声学信号完整，然后将文本作为检查点而非中间格式输出。

这是一个真正的架构差异，也是整个产品的基础。这也意味着 Prism 并非 TTS 引擎的即插即用替代品。把它放进级联的最后一个环节，你得到的不过是一个需要先听到呼叫者才能工作的昂贵语音合成器。把 Qwen-Audio-3.0-TTS 放进 Prism 的位置，你得到的则是一个完全听不到任何声音的模型。

Rime Prism 到底卖什么

Prism 是 Rime 交付的首个模型，它取消掉了 STT 和 LLM 这两个阶段，而不是对其中某一个阶段进行优化。文本层才是企业买家真正在意的功能：策略检查、PII 过滤器或人工监督者可以读取即将说出的确切字句；而且由于检查进行时模型仍在聆听，这个停顿不必被听出来。工具调用与语音并行执行，而不是先于语音执行——这与惯常那种“让我帮您查一下”的拖沓不同，是另一种隐藏数据库查询延迟的方式。

已公布的数字全部来自 Rime：在 τ-Voice 基准上，首个音频输出耗时 0.57 秒，该基准上的任务完成率为 56.6%，其电信子集上为 82.5%。一项基于约十小时真实点餐通话的 Revmo 试验被引用为订单确认率 100%，而未具名 OpenAI 模型为 68%；该试验中 85% 的通话无幻觉，后者为 35%。这些试验数据来自 Rime 委托的一份客户案例研究；其方法论未公布，也无人复现。

定价按通话音频的每分钟计算，并且每个层级都采用相同的模式：Flex 为每分钟 $0.080，无月费；Scale 为每分钟 $0.064，每月 $100，包含 $100 额度，可结转至 $200；Enterprise 采用按量计费费率。免费账户每月可获得 $50 额度。Prism 通过 WebSockets 进行流式传输，并提供 LiveKit 和 Pipecat 集成。自助式 SFT 和 RL 微调 API 处于 beta 阶段，尚未全面可用；Enterprise 层级则提供本地部署和 VPC 部署、自定义音色、HIPAA BAA 和 SOC 2 Type II。

Qwen-Audio-3.0-TTS 究竟卖的是什么

{{1}}Qwen-Audio-3.0-TTS{{/1}} 是一款控制方式不同寻常的合成器。它接受内联表达标签——{{2}}[gasp]、[laughs]、[angry]{{/2}}——直接嵌入文本之中，因此情感是附着于某个角色，而不是整段文字。{{3}}它覆盖 16 种语言和 20 种中文方言，单次请求最长可合成三分钟、48 kHz 的音频，并附带一个包含 1,000 多种声音的库。{{/3}}Plus 档是音质档；Flash 面向实时交互，Alibaba 的文档称其首包延迟低于 200 毫秒，而早些时候的发布报道则提到大约 300 毫秒。{{4}}

目录价格为北京区域每万字符 0.19253 美元、新加坡每万字符 0.20 美元，合每百万字符 19.30 至 20 美元——这正是 Artificial Analysis 在其排行榜上标注的数字。两个区域的吞吐量上限均为每分钟 180 次请求。该模型不提供权重，没有自托管选项，也没有本地部署方案：如果阿里巴巴的区域对你的数据驻留审查来说是个问题，那么这个模型对你而言就是不可用的。

记分牌

• 类别 — Rime Prism 接收音频并语音回应；Qwen-Audio-3.0-TTS 接收文本并返回音频。

• 发布 — Prism 于 2026年10月28日上线；Qwen-Audio-3.0-TTS 于 2026年7月20日上线，并于 2026年9月23日被 Qwen-Audio-3.1-TTS 取代。

• 计费单位——Prism 在 Flex 上每分钟通话音频 $0.080，在 Scale 上 $0.064；Qwen 在 Plus 上每百万字符 $19.30，在 Flash 上每百万字符约 $13.75 至 $15。

• 延迟——Prism 首音频响应时间为 0.57 秒（由厂商实测）；根据阿里巴巴的文档，Qwen Flash 的首包响应时间低于 200 毫秒。

• 独立评分——Prism 在 Artificial Analysis 的 Speech-to-Speech Index 上未获得任何评分；截至 2026 年 10 月 29 日的榜单，Qwen-Audio-3.0-TTS-Plus 在 Text-to-Speech Arena 上以 Elo 1,269 在 99 个中排名第六。

• 语言 — 上线时 Prism 仅支持英语；Qwen 支持 16 种语言以及 20 种中文方言。

• 部署方式 — Prism 云、VPC 或本地部署；企业版提供 HIPAA BAA 和 SOC 2 Type II；Qwen 仅通过 Alibaba Cloud Model Studio 提供。

五分钟通话，定价

假设一通五分钟的呼入支持电话，坐席每分钟大约说出 1,000 个字符——Rime 自己的定价常见问题解答正是用这个比例，在其按字符计费的 TTS 与按分钟计费的 Prism 之间进行换算，因此这是一个公平的共同基准。也就是说，这通电话共有 5,000 个字符的语音。

在 Prism 上，费用为五分钟按 $0.080 计，即 $0.40。按 Scale 费率则为 $0.32。一万次这样的调用分别花费 $4,000 和 $3,200。

围绕 Qwen-Audio-3.0-TTS-Plus 构建的级联方案中，5,000 个字符的成本为 $0.0965。再加上 Rime 自有的语音识别，每分钟 $0.002——每次通话五美分——以及一个用于推理的文本模型。按每百万 token 混合价格 $0.50、每轮几千 token 计算，这增加的成本远不到一美分。整个级联方案每次通话接近 $0.11，一万次通话约 $1,100。在北京，用 Flash 代替 Plus 可将合成部分降至约 $0.069，总成本降至约 $0.08。

因此，cascade 的价格大约是 Prism 的四分之一，差距为每万次调用 2,900 至 3,200 美元。这些都是标价，假设是我们自己的，不是 Rime 的；重点在于差距的形态，而不是小数点后第三位。

该级联的中间部分也是唯一一个可以在不触及另外两个组件的情况下移动的组件。 OrcaRouter 通过单一 API 路由文本模型 — 200 多个模型， 提供商列表价按 0% 加价直通，以及当提供商在对话中途降级时自动故障转移——因此可以在调用之间将推理步骤重新指向更便宜或更强的模型。出于同样的原因，Prism 的文本检查点也是普通文本：无论是什么消费它，从工具调用到调用后摘要再到 QA 评分，都可以位于路由端点上，并保持独立于下方的语音层。

层叠仍然胜出的地方

首先是多语言联络中心。Prism 在发布时仅支持英语，音色集也相当有限。Qwen-Audio-3.0-TTS 则提供 16 种语言和 20 种中文方言——其后续版本还新增了普通话、粤语、英语和日语之间的跨语言音色迁移。如果你的来电者中有相当一部分不说英语，那么这场比较到规格表这一层就已经结束了。

一次性生成是第二种情况。IVR 提示音、外呼通知、有声书章节、游戏对白：这些都不涉及通话方回话，因此语音到语音模型没有什么可听的。为一种在无人说话时也能聆听的模型每分钟支付 $0.080，等于为未使用的那一半能力付费。

调用量排在第三位。级联方案的每次调用成本仅为四分之一，从而能为真正让智能体形成差异的部分留出预算——更好的检索、更强的推理模型、人工升级路由。

Prism 仍占优势之处

受监管的入站电话通信正是 Prism 为之打造的用例。一家银行如果必须能够展示其坐席即将说出什么，并在客户听到之前将其拦截，那么用融合式实时模型无法做到这一点，而用级联方案也只能近似实现——因为其文本阶段是一个独立服务，具有自己的延迟和自己的故障模式。Prism 将检查点置于模型内部，并让监听贯穿其中。

它也在决定一通通话是否像真人交流的那个指标上胜出：静默时间。一个纸面上很快的级联系统，仍会把端点检测、模型首 token 时间、合成首包时间层层叠加；而端到端能控制在一秒以内的级联系统，已经算表现不错。Prism 从来电者话轮结束到回复首个音频的延迟为 0.57 秒，而且只需一跳。

而且，对于那些完全无法使用中国云区域的买家来说，它在部署方面更胜一筹——VPC、本地部署、HIPAA BAA、SOC 2 Type II，以及基于自己的通话录音而非共享基础模型进行微调。

双方都无法给你的数字

这两个模型都没有采购团队最希望获得的数字：在同一基准测试上的独立正面交锋。

Prism 未列入 Artificial Analysis 的 Speech-to-Speech Index。其 56.6% 的 τ-Voice 数据是厂商自行运行得出的结果，而 Rime 同时发布的表格值得仔细阅读：GPT-Live-1（Sol，low）在图中标为 59.3%，高于 Prism，而周边文案却称 Prism“领先于 OpenAI 和 Google 的每一个实时模型”。发布文章还提到“低于 300 毫秒”和“比 GPT-Live 快 4 倍”，但这些数字并未出现在基准表中，表中写的是 0.57 秒。不同的测量方式或许能解释这一差异；但页面并未说明。

Qwen 的数字更有说服力，因为 1,269 Elo 来自盲听听众投票，而不是来自阿里巴巴。它也不再是其所属系列中最好的数字：截至 2026 年 10 月 29 日，Qwen-Audio-3.1-TTS-Plus 以 1,305 位列第三，而 artificial-analysis 的修订今年已不止一次改动该榜单，因此绝不应将不同快照的分数相减。

针对 Rime 的谨慎却指向相反的一面。Rime 旗下唯一经过独立排名的声音是它的 TTS 模型，而在同一份排行榜上，Coda 以 Elo 1,054 排在第 65 位，Mist V2 以 903 排在第 92 位——在 99 个中处于后半区。Prism 很可能确实比它的同门听起来更好；但在签约之前，买家无法通过任何已发布的信息确认这一点。

看什么

有三件事会改变这一推荐结论。Prism 出现在 Speech-to-Speech Index 上，将赋予它有史以来第一个独立数值。全双工运行——Prism 在发布时是半双工并支持打断——会拉大它与任何必须等待来电者说完才能处理的级联系统之间的差距。而自助微调 API 脱离 beta，正是“企业可以微调”与“你周二就能微调”之间的区别。

另一方面，看看阿里巴巴在2026年9月22日对Qwen-Audio-3.1-TTS降价约70%之后的定价策略。一个中间环节和最后一跳都在持续降价的级联链路本身就是个不断变化的目标，而Prism的每分钟费率则是固定不变的。

对大多数团队来说，诚实的答案是两者都需要，而不是二选一。把 Prism 放在前端，用于那些对话需要检查点和单跳延迟预算的呼入来电。把 Qwen-Audio-3.0-TTS——或者如今更现实地说，Qwen-Audio-3.1-TTS——放在无人回话、且按字符计费的外呼路径中。错误在于因为一张基准测试表这么说就选其一，而那张表有个脚注，且脚注承担了大部分说明工作。