公式リリースと公式ブログによると、Prismは企業向けの音声対音声モデルで、入力音声を文字起こしを経由せず直接理解し、発話予定のテキストをいったん出力します。このテキストは検査点です。アプリケーションは発話前にすべての語をポリシーや規制要件で確認でき、専門用語や固有名詞の発音制御、ツール呼び出しの管理もこの段階で行えます。ツール呼び出しは発話と並行して進み、発話中もモデルは相手の音声を聞き取り続けます。
- 01 入力
呼び出し者の音声
言葉だけでなく、ためらいや話し方の情報を含む音声をそのまま受け取る
- 02 推論
音声から直接判断
文字起こしを入力にしない。会話中の感情や背景の物音も判断に使えると会社は説明する
- 03 テキスト化
発話予定のテキスト
発話の前に検査対象のテキストを出力する。ツール呼び出しは発話と並行
- 04 検査
ガードレールで確認
アプリ側がポリシー・規制要件・開示文で全語を検査し、必要なら書き換える
- 05 発話
音声で応答
検査済みの内容を話す。発話中も相手の音声を聞き取り続ける
Rime公式ブログ(2026-10-28)と製品ページによる構成の説明。
会社の説明では、この構成は音声認識と音声合成を言語モデルでつなぐカスケード型とも、テキストと音声の理解を実行時に統合する大手研究室の方式とも異なります。カスケード型は制御や監査がしやすい一方で、音声の間合いや感情の情報が文字化の段階で失われやすく、統合型は応答は自然でも発話前の中身を確認できない、というそれぞれの弱点を会社は挙げています。
Prism
- 完了率
- 56.6%
- 初回音声
- 0.57秒
- 推論
- なし
GPT-Live-1(Sol low)
- 完了率
- 59.3%
- 初回音声
- 1.24秒
- 推論
- あり
GPT-Realtime-2.1(High)
- 完了率
- 45.7%
- 初回音声
- 1.21秒
- 推論
- あり
Gemini 3.8 Live
- 完了率
- 30.1%
- 初回音声
- 1.18秒
- 推論
- なし
RimeがArtificial Analysisのτ-Voiceベンチマークと同じハーネスで自社測定した値(公式ブログ・製品ページ)。シミュレーション通話でのタスク完了率と初回音声までの時間。Artificial Analysis自身の認証済みランキングではない。
測定の説明では、Prismの56.6%は推論なしで動かすOpenAIとGoogleのリアルタイム系モデルを17〜30点上回り、推論を上げたGPT-Realtime-2.1よりも高いとされます。アカウント番号や電話番号が多い通信分野ではPrismが82.5、GPT-Live-1が45.6でした。初回音声までの0.57秒は、同社測定のGPT-Live-1、GPT-Realtime-2.1、Gemini 3.8 Liveの待ち時間の半分程度です。τ-VoiceでPrismを上回る2つのモデルは発話前に推論を行う構成で、初回音声まで1.24〜1.35秒かかります。
会社はPrismを「初めて誰でもファインチューニングできる音声対音声モデル」と位置づけました。ベータ顧客とセルフサービスの教師ありファインチューニング(SFT)と強化学習(RL)のAPIを開発しています。運用面はオンプレミス、VPC、クラウドに対応し、HIPAA準拠とSOC 2を示しています。設計パートナーのDialpadはエージェント製品への展開を予定しているとリリースで述べました。
注文確認・受取方法
- OpenAI GPT
- 68%
- Prism
- 100%
沈黙のない通話
- OpenAI GPT
- 66%
- Prism
- 88%
Rime公式リリース(2026-10-28)が公表したRevmoでの実証値。Prismは自社データでファインチューニング。サンプル数、比較対象モデルのバージョン、試験条件は未公開。
「汎用モデルにプロンプトを足しただけでは、あなたの声にはなりません。ロゴを貼っただけの借り物です。」
A generic model with a custom prompt is not your voice. It's a rental with your logo on it.
製品ページにはこのほか、全国の飲食チェーンで完了注文が8%増えたこと、全顧客で切断が4分の1に減ったこと、Fortune 500の金融サービス会社で自己完結率が42%増えたことが挙げられています。公式サイトから無料で試せる導線があり、開発者ドキュメントは準備中です。
読む際の注意
性能の数値はすべてRimeの自社測定です。Artificial Analysisと同じハーネスを使っても、Artificial Analysis自身が認証したランキング値ではありません。公式ブログには応答が約300msという説明もあり、0.57秒はτ-Voiceハーネスでの初回音声までの時間で、両者は計測条件が異なります。「初めて」「唯一」は会社の主張で、独立検証は公表されていません。Revmoの実証は試験条件が未公開です。セルフサービスのSFT/RL APIはベータ顧客と開発中の段階で、料金や個別の導入条件は公開資料からは確認できていません。2026年7月15日発表の2,400万ドルのシリーズA(M13主導)は既報であり、今回の発表に伴う新規調達ではありません。
出典
- Rime公式ブログ「Introducing Prism: the first composable speech-to-speech model」(2026-10-28)テキスト検査点のアーキテクチャ、τ-Voice自社測定(56.6%、0.57秒、通信分野82.5対45.6)、上位2モデルの推論ありと1.24〜1.35秒、SFT/RL APIの開発状況を確認
- Rime製品ページ「Prism | Speech-to-speech for enterprise conversations」(2026-10-28確認)無料試用導線、オンプレミス・VPC・クラウド対応、HIPAA/SOC 2、τ-Voice散布図の4モデル値、DialpadとTwilioのコメント、製品ページの効果数値、ドキュメント準備中を確認
- Rime AI「Rime Launches Prism: The First Fine-Tunable Frontier Speech-to-Speech Model」(2026-10-28、PR Newswire配信)公式リリースの発表時刻(16:05 ET)、Revmo実証(68%→100%、66%→88%)、CEO発言、設計パートナーDialpad、創業と投資家(M13、Twilio Ventures、Corazon Capital、Unusual Ventures)を確認
- Rime公式ブログ「$24M to Build the Future of Voice Intelligence」(2026-07-15)シリーズAの2,400万ドル・M13主導(2026-07-15)を確認。今回の発表に伴う新規調達ではない背景情報
出典の確認日 2026.10.29