Rime 于 2026-10-28 发布面向企业的语音到语音模型 Prism，能直接处理用户音频并在输出语音前保留可供检查与改写的文本层，同时支持通话中发起工具调用。该设计在保持自然交互的同时提供业务可控接口，但文档与评测由厂方披露，接入与权限控制、音频格式兼容及定制训练仍存在实际部署限制。
Rime于2026年10月28日发布面向企业语音代理的语音到语音模型Prism，试图在自然对话与业务可控性之间提供另一种选择：模型直接处理用户音频，同时保留一个可供应用检查、改写的回复文本层，再将内容转换为语音。
根据Rime的发布公告，Prism在说话时仍会接收用户音频，也能在通话中请求调用工具。对客服、订餐和账户服务而言，这意味着同一套系统不仅要回答问题，还要处理插话、查询数据及执行操作。不过，可检查文本和工具调用接口提供的是控制入口，并不自动保证每次回复合规、每项操作都得到授权。
为什么直接听音频，还要保留文本
常见的语音代理采用串接式架构：语音识别先将发言转成文字，语言模型生成回答，再由语音合成系统读出来。这种方式便于更换组件和设置文字规则，但如果后续决策只接收到转写文本，犹豫、笑声、情绪和背景声音等信息便可能被削弱。
Rime称，Prism作为一个端到端系统完成聆听、生成回复文本和说话三个任务，决策依据来自音频，而文本成为说话之前的检查点。公司表示，应用可以在这一层检查每个词、改写内容，处理动作及内容标签，并针对姓名和账户术语进行音素控制。
这一设计的重要之处，不是让文字彻底退出语音交互，而是改变文字的位置：它不再是模型理解用户时唯一的信息通道，同时仍承担业务规则与输出之间的接口。至于这些控制能在多大程度上降低错误率，发布公告没有提供足以覆盖所有业务场景的独立验证。
企业语音市场也并非只有这一条路线。Mistral此前发布的Voxtral 3技术栈强调将实时转写、语言模型、语音生成和工具连接起来，并允许替换不同模块。两者回应的是同一个问题：如何让代理在自然交流的同时，可靠地完成企业工作流；但所选择的系统边界并不相同。
已有云端接口，首发仍有明确限制
Rime的Prism开发文档列出了云端WebSocket接口，以及Python、Node.js、Go和Rust SDK。模型支持内置对话轮次判断和打断处理，每次语音回复还附带文本，可用于字幕和会话记录。
文档列出的语言范围为英语，声音包括aurora、wawona、brando和astra四种。它们是Prism专用声音，不能直接套用Rime其他文本转语音模型的声音目录。因此，Rime已有多语言语音产品，并不意味着Prism首发同样支持多语言。
接入电话系统也不只是替换一个模型地址。Prism的直接接口接收16 kHz单声道PCM16音频、输出24 kHz音频，不直接接收或输出电话系统常见的μ-law或G.711格式，企业需要在中间进行音频转换。用户侧后端还要持续传入音频、播放回复，并在插话后报告用户实际听到了多少内容。
这使Prism更接近一项可嵌入应用的实时模型服务，而不是无需开发即可接管联络中心的成品。文档也明确，它不提供纯文本回复、可自由选择的语言模型或温度等采样设置；需要这些能力的团队，可能仍更适合采用自己的模块化流程。
0.57秒与56.6分，分别说明什么
Rime在公告中称，它使用Artificial Analysis语音到语音排行榜采用的测试框架，对Prism进行了评估，运行时不在开口前增加推理步骤。该公司披露，Prism在τ-Voice上的得分为56.6，首段音频时间为0.57秒。
τ-Voice涉及航空、零售和电信等模拟客服场景，关注语音代理的工具调用与指令遵循。它与单纯评价声音是否自然的听感测试不同。Rime称，Prism在电信子项上得到82.5分，作为对照的GPT-Live-1为45.6分；公司同时承认，有两个先进行推理再说话的模型取得更高的τ-Voice分数，但开始说话需要1.24至1.35秒。
这些数字呈现的是特定配置下的能力与等待时间取舍，而不是Prism在所有维度都领先。评测由Rime披露，即使使用与第三方相同的框架，也不能写成第三方已经独立复测并确认了这些结果。
0.57秒衡量的是开始输出首段音频的时间，不是完成整轮对话或执行完一项业务操作所需的时间。工具接口响应、电话音频转换以及网络传输，都可能影响用户真正感受到的等待。
能请求工具，不等于由模型执行全部操作
Prism可以一边用语音告知用户正在查询，一边发出工具请求。但Rime的工具调用指南划分了模型与应用的职责：Prism决定何时请求工具，真正运行代码的是企业后端；后端提交结果后，还需要请求Prism继续回复。
这一区分直接关系到权限与可靠性。预约、下单或修改账户的授权不能仅依靠模型的一句话，仍需由应用侧验证参数、执行权限检查并处理失败。文档还提醒，Prism不会对工具请求进行去重；一次超时且结果未知的请求可能仍在完成，不能简单自动重试，否则可能造成重复操作。
Rime同时展示了针对订餐服务Revmo的训练案例：公司称，使用10小时生产通话、工具轨迹和转写记录构建强化学习环境后，训练出的Prism有94%的订单在来电者确认后才提交，对照OpenAI系统为57%。
这项指标衡量的是下单前是否取得确认，并不等于整体订单成功率，更不能证明系统从不发生未经授权的操作。该案例由Rime介绍，不能直接推广为所有企业通话的效果。公告还指出，Revmo当时的订餐代理仍运行在OpenAI上，不能将训练实验表述为已经完成生产替换。
定制训练与正式可用仍是两回事
Rime将面向企业自身通话的训练视为Prism的另一项卖点。不过，公告的具体表述是：公司正与测试客户共同建设自助强化学习和监督微调API。这与已经提供的实时推理接口不是同一成熟度，不能据此认定所有开发者都已能自助训练和部署专属模型，也不能把可微调理解为开放权重。
Prism此次发布的实质，是把直接理解音频、保留可检查文本、同时听说和工具请求放进同一项模型服务。对企业而言，它提供了一个值得评估的架构选项；是否适合投入生产，仍取决于实际通话中的准确率、权限控制、重复操作防护以及人工接管机制，而不只是声音是否像真人，或首段音频能否在半秒左右到达。