Rime Prism 對決 Inworld Realtime TTS 2：200 個地區設定對上單一檢查點

這裡有一個事實，應該在任何人打開基準測試之前，就足以終結這個比較的大多數版本：Inworld Realtime TTS 2 公布涵蓋超過 200 個地區的支援範圍，並隨附 282 個內建語音，而 Rime Prism 完全沒有公布語言數量，也沒有公布語音數量。如果你正要把語音代理部署到十二個市場，這不是需要權衡的取捨——而是一道直接刪去一個選項的篩選條件。這項比較只對單一市場且受監管的買家仍具意義，因為Rime Prism是這組中唯一能讓應用程式在通話者聽到之前讀取並封鎖一個句子的模型。Inworld Realtime TTS 2是一個文字轉語音模型，附帶非常出色的即時表現說法，而且它沒有等效的檢查點，因為等到它看到文字時，決策早已做出。

這些名稱也帶有誤導性，而且已經產生了不當的建議。「Inworld Realtime TTS 2」並不是語音轉語音模型，Rime Prism 才是。這個區別是底下每一個數字的前提，值得在數字開始之前先說清楚。

其中一個不是代理。

Inworld Realtime TTS 2 是文字輸入、音訊輸出。雙工行為——在說話時聽見通話者、處理打斷——來自 Inworld 另外的 Realtime API，該 API 採用 OpenAI Realtime 協定，並宣稱約 100 毫秒的打斷延遲。那是第二個產品、需要第二套整合，並非 TTS 模型本身的特性。任何在模型名稱中看到「Realtime」就假設具備端到端語音對語音的人，都誤讀了產品目錄。

Prism 是完全不同的形態。音訊輸入、音訊輸出，都在同一個系統裡，中間以文字作為路徑點，工具呼叫則與語音並行執行，而不是先於語音。正因如此，它是按每分鐘通話音訊計價——你買的是通話，不是文字。

所以，對這場比較最誠實的框架是：Inworld Realtime TTS 2 是你自行組裝的串接式架構中同類最佳的合成環節，而 Prism 則是整體串接架構的替代方案。你可以偏好 Inworld，同時仍打造出 Prism 形態的代理，只是得用更多零件拼湊。你無法偏好 Prism 又同時獲得 Inworld 的語言涵蓋範圍，因為那並未公開。

覆蓋率數字，以及它們的價值

Inworld 的清單異常具體，這本身就很有資訊量：

• 地區設定 — 超過 200 個，其中 15 個達第 1 級品質，79 個為第 2 級。

• 語音 — 內建 282 種，並附 20 組精選預設。

• 複製 — 從 5 到 15 秒音訊進行零樣本複製；專業語音複製功能處於預覽階段且僅限旗艦版使用。

• 一致性——在各種語言中維持單一且連貫的語氣識別，這正是讓多市場品牌發布顯得精心策劃、而非只是翻譯過來的關鍵特性。

• 音訊 — MP3、WAV、OGG、FLAC 與 PCM 輸出，8 kHz 至 48 kHz，預設 24 kHz。

• 輸送量 — 每個請求 2,000 個字元，WebSocket 串流支援 20 個並行連線與 5 個上下文。

• 延遲 — TTS-2 的伺服器端 P99 首位元組時間低於 100 毫秒；於 2026 年 8 月 31 日推出的 Flash 版本宣稱低於 25 毫秒，第三方測量結果接近 25 毫秒。

值得關注的是 Tier 1 與 Tier 2 的劃分，而不是「200 多」這個標題數字。在支援的 200 個地區設定中，有 15 個達到旗艦級品質，這是真正誠實的揭露，也告訴你產品實際完成到哪裡。如果你的市場是英語、西班牙語、葡萄牙語、德語、法語和日語，你很可能屬於 Tier 1，而那個標題數字是真的。如果它們是另外 185 個，你就身處於目錄中確實存在、但尚未經過策劃整理的部分。

將這點與 Prism 對比：在 Prism 的情況裡，沒有公開的清單並不代表涵蓋範圍不足——Rime 為其各自獨立的文字轉語音產品公布了語言與語音數量，卻未為 Prism 公布——然而這確實證明你無法據此規劃。若只是在 Rime 所支援語言的單一市場部署，這種缺失對你毫無損失；但若涉及更廣泛的範圍，這就是全部的答案。

沒有人問的雙工問題

「Realtime TTS」和「speech-to-speech」聽起來像是在承諾同一件事，但遇到中斷時，兩者的表現卻截然不同。

在以 Inworld Realtime TTS 2 建構的串接流程中，中斷處理是三個服務之間的協調問題。辨識器必須察覺來電者已開始說話，編排器必須取消語言模型回合，而語音合成器必須在串流中途停止並清空緩衝區。Inworld 的 Realtime API 把語音合成器那一半做得很好——中斷大約只需 100 毫秒——但另外兩半得由你負責，而且失敗時聽得出來：來電者已經開口後，代理還會多講一小拍，然後從錯誤的地方重新開始句子。

Prism 在單一模型內處理這件事，而 Rime 則將打斷處理列為與設計夥伴溝通的重點。這不是你能查閱的基準分數；而是從此不再出現的一類錯誤。對於來電者不斷搶話打斷客服人員的支援專線而言，這比 Elo 的幾分數值更有價值。

反駁論點是：一個建構良好、具備積極取消路徑的串接架構，在這方面確實表現出色，而協調程式碼是已知量，許多團隊早已寫過。中斷處理很困難，但並非不可能，而且兩種架構之間的差距會隨著工程投入而縮小。不會縮小的是，凌晨三點你被傳呼的服務數量。

價格：四美分對四美分，某種程度上

Inworld 以字元計價，Prism 以通話音訊每分鐘計價，而兩者之間的換算，正是誠實比較容易出錯的地方。

• Inworld Realtime TTS 2 — 隨用隨付每百萬字元 $25，Growth 方案 $12.50，企業大量採購可低至約 $5。TTS-2 Flash 在相同方案層級分別為 $15、$7，以及低於 $5。以每分鐘語音約 1,000 字元計算，隨用隨付費率約為每分鐘生成音訊 $0.025。

• Rime Prism — Flex 方案每分鐘通話音訊 $0.080，Scale 方案每分鐘 $0.064，免費方案提供 $50 免費額度，Enterprise 方案則依需求自訂。

所以，Inworld 的一分鐘代理語音約要 2.5 美分，而 Prism 則要 8 美分。那就是比較表上所印的數字，但這個數字會誤導人，原因有兩個。

首先，Inworld 的「分」只買到一「跳」。串接式流程還要加上語音辨識——通常每分鐘半分到一分——以及一輪語言模型推論，在對話量下大約落在個位數低段。三者相加，每個代理發聲分鐘就接近六到九分，正好把 Prism 的八分框在中間。表格中的落差，其實是把單一元件拿來跟整套系統相比所造成的假象。

第二點是，Prism 的一分鐘並不是代理人說話的一分鐘。它按通話音訊計費，因此一位講了四分鐘、只聽代理人講一分鐘的來電者，會讓 Prism 計入五分鐘的費用。Cascade 的定價隨代理人說多少而變；Prism 的定價則隨通話持續多久而變。在客戶每輪發言時間很長的支持佇列中，這是實實在在的溢價。在由代理人講大部分話的預約流程中，這幾乎沒什麼差別。

Inworld 的方案架構增添了一項值得留意的實務限制：Creator 方案每月 $25，隨需每百萬字元 $25，Growth 方案為 $12.50，企業版則自訂。並行數為串流路徑上的 20 個 WebSocket 連線，這對中型佇列來說足夠，但對大型佇列而言則是關鍵限制。

控制：一個有立足之地，一個沒有。

這正是 Prism 配得上其高階定位之處，而這是結構性差異，而非功能上的差距。

Inworld Realtime TTS 2 對情境的掌握確實相當成熟。它會把先前的對話輪次當作音訊輸入來讀取，能用淺白英文接受自由形式的語音指示，支援行內標籤，並提供針對訂單編號、代碼和地址的逐字拼讀模式。在這份比較中，這種拼讀模式最接近發聲前的控制機制，而且表現出色——合成器若能唸出「four-seven-two」而不是「four hundred and seventy-two」，就解決了一整類真實的客服通話失敗問題。

但它會作用於你已經確定下來的文字。在整個回合中，沒有任何時點是 Inworld 會告訴你的應用程式「這就是我即將要說的話」然後等待。拼寫模式修正的是發音，不是內容。

Prism 每一回合都會告訴你。Rime 的主張是：文字是檢查點，而非中間產物——防護欄可以在每個字被說出之前檢查；政策層可以改寫被拒絕的句子，並由模型說出替代內容；被禁止的主張可以被直接攔下，而通話仍持續進行。模型的推理是否真正以音訊為原生，是一個值得檢驗的主張；文字是否先於音訊抵達，則是一項設計事實。

對於受監管的單一市場部署，這個事實正是值得支付八美分、而非組裝更便宜串接方案的原因。至於其他所有情況，這是一項你正在購買、但可能並不需要的功能。

排行榜宣稱的說法實際上到底怎麼說

Inworld 將 Realtime TTS 2 宣傳為 Artificial Analysis Speech Arena 上的第一名。獨立排行榜的榜單顯示，它的 Elo 約為 1,245，目前在榜上排名第三；TTS-2 Flash 則約為 1,210，排名第六。在公開排行榜上名列前三是一項極佳成績，也是比行銷文案中的說法更有用的主張；這道落差，正是定位陳述與一個會隨投票者湧入而不斷變動的即時榜單相互碰撞的結果。

Prism 並沒有對等指標。它在 τ-Voice 上的 56.6 是 Rime 自行跑出的代理式任務完成分數，使用的是 Artificial Analysis 也採用的測試框架，且推出時並未公布排行榜紀錄。這兩個數字衡量的是不同事物——聲音對人類評分者而言聽起來如何，對比代理多常完成模擬服務任務——而且沒有任何算術能將其中一個換算成另一個。

這種不對稱，再次可說是整場比較的縮影。Inworld 的語音品質分數有裁判，Prism 的代理能力分數則沒有。兩家公司都未公布正面對決結果，也從未有同一間實驗室讓兩個模型跑過同一項任務。

如果你建立級聯，我們就路由中間。

Inworld Realtime TTS 2 由 Inworld 直接銷售，並透過多個第三方平台銷售。Rime Prism 由 Rime 直接銷售。目前這兩者都不在 OrcaRouter 的目錄中，本文亦未作此聲稱。

Inworld 模型所屬的串聯式架構，中間仍需要一個語言模型，而品質與成本實際上正是在這個中間環節決定。 OrcaRouter 將 200 多個模型整合在單一金鑰之後，且相較於供應商標價收取 0% 加成，並在供應商效能下降時自動容錯切換，還有一套路由 DSL，可將不同輪次送往不同模型——便宜的回應確認、能力較強的查詢，全都透過同一個端點。對語音代理而言，這才是實用的單位：只要改一處就能更換模型，無須更動通話路徑。

如果你希望使用同一組金鑰，而不是另外簽第二份合約，我們也提供合成路由：openai/tts-1-hd 與 google/gemini-3.1-flash-tts-preview 都可依定價提供。兩者都不是 Inworld Realtime TTS 2。兩者都是你今天就能組裝的串接流程中的最後一跳。

兩個問題，以及那個起決定作用的問題

問題一：有多少種語言？ 如果答案超過寥寥數種，那就是 Inworld Realtime TTS 2，比較到此結束。兩百個地區設定，附有一份已公開、列出十五項的 Tier 1 清單，勝過一份未公開且未附任何數字的清單，而你無法針對空白欄位進行採購。

問題二：在句子被說出來之前，有任何人需要先核准它嗎？如果有，選 Prism。不是因為它在語音方面更擅長——這方面並無任何證據支持——而是因為它是這裡唯一會把句子產生成你的應用程式能夠掌握的成品形式之模型。那就是整個產品的核心，而每次通話分鐘大約要價八美分。

如果兩者都不構成約束，那麼誠實的答案是：你應該圍繞 Inworld 的語音合成器打造較便宜的串接流程，並把省下的成本花在打斷處理上，因為那才是來電者真正會注意到的體驗環節。合成這一段每分鐘兩分半的價格，對一個在公開競技場上排名第二的模型來說是相當強勁的報價，而你正在捨棄的那個檢查點，正是你剛剛告訴我們你不需要的。

在任何人引用這些數字之前，先說明一下：Inworld 的覆蓋率、延遲與價格數字都是 Inworld 自家提供的，競技場 Elo 則是 Artificial Analysis 的，而它與 Inworld 排名第一的定位並不一致。Prism 的 56.6 是 Rime 的數據，尚未被重現。沒有任何獨立第三方測量過任一模型執行另一方任務的表現，而這是兩家公司都尚未填補的唯一缺口。