Rime Prism 對決 ElevenLabs：兩款語音轉語音模型，一個延遲數值

相隔十一天，兩家公司推出了同一個構想，並交出同一個數字。Rime Prism於 2026 年 10 月 28 日推出，首段音訊延遲為 0.57 秒。Eleven Realtime v1 Max是 ElevenLabs 自家的端到端語音轉語音模型，於 2026 年 10 月 20 日推出——同樣是 0.57 秒。這場對決最有用的一點正是這種巧合，因為這意味著延遲並不是決定因素。當兩個模型在時鐘上打成平手，真正拉開差距的是那半秒內發生的事，而這兩個模型對這半秒的運用方式截然相反：Eleven Realtime v1 Max 先聽後說，而 Rime Prism 則先寫。

這是整批比較中最接近的一組，也是選擇真正有影響的一組，因為這兩款產品都是取代整個串接流程，而非僅替換單一元件，而且兩者的音訊定價都是每分鐘八美分。

簡短的回答

Eleven Realtime v1 Max 是更好的選擇，當覆蓋範圍與語音庫存成為決定因素時：90 多種語言和超過 17,000 種語音，是這組產品中沒有競爭對手能匹敵的目錄；此外，其 socket 與 OpenAI 的 Realtime API 線路相容，這意味著遷移只需變更端點，而非改寫。

Rime Prism 是更好的選擇——當代理人所說出的內容必須在開口之前可被檢視時。它是這組比較中唯一能在回合進行途中把文字字串交給應用程式、並可選擇改寫或封鎖的模型，也是唯一提供地端或 VPC 部署的模型。

兩者的定價都是每分鐘音訊 $0.080，而這種表面上的價格相同，掩蓋了實際差距：ElevenLabs 對每分鐘的連接音訊收取 $0.080 再加上模型 token，而 Rime 則是每分鐘收取 $0.080，且不收取 token 費用。對於通話量大的代理來說，這可不是四捨五入的差異。

每家企業究竟宣布了什麼

ElevenLabs 推出的是一整個系列，而非單一模型。Eleven Realtime v1 Max 是複雜任務的版本——客服支援、潛在客戶資格篩選，任何涉及工具使用的場景。Eleven Realtime v1 Mini 則是對話型版本，適用於助理、家教與角色扮演。兩者都是單一的端到端網路，把語音辨識、輪流發言、推理與語音生成整合進同一個系統，而不是三個拼接而成的階段。ElevenLabs 對此提出的理由是「接縫」問題：停頓後的空白沉默、打斷時搶話、轉錄內容與語音不一致。這些都是串接式架構的副產物，而他們提出的解法，是把全部四個階段一起調校。

存取路徑刻意設計得平淡無奇，這其實是種讚美。Eleven Realtime 可在 ElevenAgents 內透過下拉式選單執行，或透過位於 wss://api.elevenlabs.io/v1/convai/realtime 的 Realtime API 執行；該 API 與 OpenAI 的 Realtime 協定在通訊層級相容——只要變更端點和模型名稱，既有的 OpenAI SDK 就能原樣運作。推出時僅支援 WebSocket；目前尚無 WebRTC 路徑。

Rime 的公告形式不同。單一模型 Prism，定位於企業聯絡中心，差異化賣點在於文字檢查點，而非一系列變體。提供免費方案含 $50 額度，Flex 每分鐘 $0.080，Scale 每分鐘 $0.064，Enterprise 方案則額外提供 VPC 與地端部署，並可針對客戶通話錄音與自訂語音進行微調。同樣不支援 WebRTC，但支援串流、LiveKit 與 Pipecat 整合、8 kHz 電話語音，以及 SOC 2 與 HIPAA 聲明。

有一個細節值得特別提醒任何正在規劃推行部署的人：ElevenLabs 表示 Eleven Realtime 是逐步推出，而這些模型識別碼自八月初起就已存在於其更新日誌中。10 月 20 日這個日期是發布公告的時間。如果你的帳戶在 ElevenAgents 下拉選單中看不到該模型，那是分批釋出，而非設定錯誤。

檢查點才是真正的差異所在

兩個模型都是端到端。只有其中一個會在來電者聽到任何內容之前，留下可供你採取行動的文字產物。

Eleven Realtime v1 Max 是從音訊輸入直接到音訊輸出。通話的另一端有逐字稿，而它的上游有系統提示，但在這一輪對話中，沒有任何一個時點是你的應用程式把代理人的下一句話當成字串握在手中，並決定要不要送出。這不是批評——這是 ElevenLabs 選擇的架構，也正是這套架構造就了該公司所標榜的自然感。把四個階段摺疊進單一網路，正是移除那條可檢查接縫的原因。

Prism 保留了這道接縫。Rime 表示，模型會以文字起草回覆，應用程式可以改寫、封鎖、標記或修正該文字的發音，音訊隨後跟上。工具呼叫與語音並行執行，而不是先於語音。這並非串接式流程的說法，其依據在於推理是透過音訊進行的——語調、猶豫與背景噪音都會影響回覆——文字則是輸出端的一個途經點，而非輸入。

對於合規團隊來說，這項差異就是整個採購決策的核心。「代理不能說 X」在 Prism 中可在句子層級強制執行，而在 Eleven Realtime 中只能在提示詞層級執行，也就是說，只能以機率方式執行。對於打造角色或家教產品的產品團隊而言，情況正好相反：檢查點是額外負擔，而來自單一調校網路的自然感才是產品本身。

兩個 0.57 秒的數字，並非同一項測量值

這種對等關係確實存在，但衡量的工具不同；如果你打算引用其中任一個數字，這項差異就很重要。

Eleven Realtime v1 Max 的 0.57 秒是 Artificial Analysis 的一項測量結果——由第三方執行，使用與其其他語音對語音項目相同的計時基準，並對外公布。Eleven Realtime v1 Mini 在同一測量工具上為 0.62 秒。

Prism 的 {{1}}0.57 秒{{/1}} 是 Rime 自家提供的數字，是在 τ-Voice 測試架構上產生的，Artificial Analysis 也採用同一套架構，但這次是由 Rime 執行。Prism 推出時並沒有公開的排行榜紀錄。因此，其中一個數字有裁判，另一個則沒有，儘管兩者算到小數點後兩位都相同。將它們並列報導為平手是站得住腳的；將它們報導為同等證據則不然。

其他分數則差異懸殊，而且同樣是在不同的量測工具上。Eleven Realtime v1 Max 在 Big Bench Audio 上取得 98.8%，而 Mini 為 75.9% 至 76%；任務成功率為 87.1%，對比 60.3%；Full-Duplex-Bench 為 94.1，對比 95.8%；Arena Elo 約為 997 至 998，對比 988。它在 Speech-to-Speech Index 上也未獲評分，且沒有 τ-Voice 代理分數——因此根本沒有任何已公布的數字能將 Eleven Realtime v1 Max 與 Prism 放在同一軸線上比較。任何人若把 Prism 的 56.6 與 ElevenLabs 的 98.8 並列比較，其實是在拿任務完成度基準測試與音訊品質基準測試相比，因而得出毫無意義的 42 分差距。

價差位於代幣行

表面上，這兩款產品每分鐘都是八美分。但一看費率表，其實不然。

• ElevenLabs — 每分鐘連線音訊 $0.080，另加模型 token。Eleven Realtime v1 Mini 每百萬 token 輸入 $0.20、輸出 $6.00；v1 Max 輸入 $1.80、輸出 $9.00。突發超額用量會使音訊費率加倍至每分鐘 $0.16。在 ElevenAgents 內，標準費率為每分鐘 $0.08 加上 LLM token。

• Rime — Flex 上的 Prism 音訊每分鐘 $0.080，Scale 上為 $0.064，不額外收取 token 費用。免費方案提供 $50 使用額度，涵蓋 Prism、Mist v3、Coda v2 和 Rime STT。

token 計費項目要花你多少錢，完全取決於 agent 思考多少。一通五分鐘的客服通話，agent 進行八輪，每輪針對數千個 token 進行推理；在 Max 上以每百萬輸入 token $1.80、每百萬輸出 token $9.00 計算，這可不是免費的——它是在第一組計費表之外同步運轉的第二組計費表。對 Mini 上一個以簡短確認回覆為主的助理來說，token 計費項目只是雜訊。對進行真正工具編排的 Max 部署來說，它可能與音訊費用不相上下。

Rime 的固定分鐘費率有其自身的陷阱，而且恰好是相反的那一種。Prism 計費的是通話音訊，而非客服人員的發言，因此一通來電者喋喋不休的通話，與一通客服人員講個不停的通話，成本完全相同。如果你的通話情況偏向客服發言簡短、客戶發言冗長，那麼 Prism 的每分鐘費率就是兩者中較貴的一方，而且這個差距與模型毫無關係。

在做決定之前，先用你自己的通話量分佈去模擬這兩種計價方式。兩家供應商都沒有公開試算工具，而那個「八美分」的宣傳數字，確實不是他們任何一家會實際向你收取的金額。

涵蓋範圍、語音，以及部署問題

ElevenLabs 在涵蓋範圍上贏得如此決定性，值得直截了當地說出來，而不是略過不提：90 多種語言，以及超過 17,000 種語音。Rime 完全沒有公布 Prism 的語言數量或語音清單，儘管其獨立的文字轉語音產品有公布自己的數量，而那些數字也不能直接套用到 Prism。

這種不對稱本身就決定了很大一部分的實際部署結果。一家要在九個市場開業的歐洲零售商，並不需要再讀這篇文章的其餘部分。

部署正是它能扳回一城的地方。Rime 在 Enterprise 方案中提供 VPC 與地端部署，同時也有雲端選項，並為其 TTS 模型提供共置端點選項。Eleven Realtime 推出時是託管的 WebSocket 服務。Rime 的論點——頂尖的即時 API 僅限雲端，而 Prism 讓你掌控音訊的存放位置——對醫療、金融服務業，以及任何合約中含有資料駐留條款的買家而言，都是真正的差異化優勢。Rime 宣稱 Prism 符合 SOC 2 與 HIPAA；ElevenLabs 則以其自身條件販售含有 DPA 與 BAA 的企業協議。兩者都能夠被調整以通過合規審查，但只有其中一家能滿足「音訊絕不離開我們的建築」這一要求。

微調是另一個不對稱之處，而且指向同一個方向。Rime 表示，Prism 可根據客戶自己的通話錄音進行微調，並提供自助式的 RL 與 SFT API（Beta 版）。ElevenLabs 的調校層面則是語音層級——聲音複製、專業語音工作流程、風格與穩定性設定——而不是以你的通話資料訓練出的自訂聲學與推理模型。若目標是「聽起來像我們的品牌」，這在 ElevenLabs 這邊已是解決的問題。若目標是「在我們特定的訂單流程上表現更好」，只有其中一方提供了這種能力。

OrcaRouter 適合的地方，以及不適合的地方

Prism 和 Eleven Realtime 都不在我們的目錄中。Prism 由 Rime 直銷；Eleven Realtime 系列模型由 ElevenLabs 直銷，也透過數個第三方平台販售。如果你選擇其中任何一個，你都是向供應商購買，而本文不會假裝並非如此。

OrcaRouter 仍應納入這項決策，原因是端到端語音模型並不會把你堆疊中的每一個模型都淘汰掉。這兩項產品依然需要一個政策層、一個檢索步驟、一個分類器，以及一條升級路徑，而這些都是普通的模型呼叫。一把金鑰即可涵蓋 200 多個模型，且在供應商定價之上零加成，因此便宜的護欄模型與昂贵的升級模型可以共用同一個端點，並具備自動容錯切換——這正是即時通話中真正關鍵的一環，因為在通話中，供應商停滯不前與線路中斷根本無從分辨。路由 DSL 正是你用來表達「讓確認語留在本地且便宜，把查詢升級出去」的方式，而這條規則值得在閘道器裡寫一次，而不是在代理裡寫三次。

如果你真正想要的，是搭配託管語音合成的串接流程，openai/tts-1-hd 與 google/gemini-3.1-flash-tts-preview 都使用同一把金鑰、同按牌價計費。工具不同，帳單相同。

如何在十分鐘內做出決定

三個問題，依序來，並在第一個你回答「是」的問題就停下來。

你需要支援超乎少數幾種語言的運作，或需要從極龐大的語音庫中挑選特定嗓音嗎？Eleven Realtime v1 Max 或 v1 Mini。目錄本身就是產品，而 Prism 並未發布可與之相比的目錄。

你的代理程式所說的內容，是否必須先經過核准，來電者才能聽到？還是音訊必須留在你的網路內？Rime Prism。ElevenLabs 在此不提供審核關卡與地端方案這兩項，而它們並非日後可以追加的功能。

如果那兩項都不構成限制，而決定因素就是成本嗎？那就用你自己的呼叫資料，把兩套計量都跑一遍，因為八美分這個主打數字相同，但 token 那一行並不相同。在 Mini 上，短回合、低推理的助理在價格上會勝過 Prism。工具密集的 Max 部署大概不會。

接下來最該留意的，是那個能一錘定音的數字。Eleven Realtime v1 Max 沒有 τ-Voice 分數，Prism 也沒有獨立的分數。只要其中一個模型登上由廠商以外第三方測量的公開排行榜，這場比較就會短得多。在那之前，兩者在兩支不同的碼錶上以 0.57 秒打成平手，其餘的則是架構問題。

關於上述數字，最後再補充一句：Eleven Realtime 的分數是 Artificial Analysis 的數據，價格卡上的數字則是各家廠商自己的，而 Prism 的 56.6 是 Rime 的。本文中沒有任何一項量測工具把這兩個模型放在同一條軸線上，因此這篇文章是圍繞架構與覆蓋範圍來組織，而不是圍繞記分板。