ElevenLabs выпустила Eleven Realtime — две модели для голосовых агентов. Mini рассчитана на естественные беседы, Max — на сложные задачи. По данным Artificial Analysis, Max набрал 98,8% в тесте Big Bench Audio. Среднее время до первого звука — 0,57 секунды. А в китайском тесте Architect впечатление было уже не таким гладким.
Для креаторов тут важна скорость сборки. ElevenLabs объединила распознавание речи, обработку очередности реплик, языковую модель и синтез голоса. Агенту можно задать роль, подключить базу знаний и инструменты. Не придётся собирать голосовой конвейер по кусочкам.
Eleven Realtime упрощает сборку, но настройки всё равно нужны
На официальной странице ElevenLabs Mini рекомендуют для помощников, обучения и интерактивных персонажей. Max — для поддержки клиентов, квалификации лидов и многошаговых процессов, где агенту нужно рассуждать и вызывать инструменты. Обе модели поддерживают более 90 языков и могут использовать свыше 17 000 голосов из библиотеки сервиса.
Собрать первый сценарий теперь проще. Например, можно запустить интерактивного персонажа на сайте или голосового ведущего, который отвечает на вопросы о проекте. Для бизнеса подойдёт агент поддержки: он ищет информацию и передаёт задачу инструменту. Готовую модель всё равно стоит проверить на своём языке и со своими сценариями.
- Mini рассчитана на диалоги, где важны естественный темп и реакция на паузы.
- Max подходит для поддержки, квалификации лидов и задач с вызовом инструментов.
- Обе модели доступны через ElevenAgents или Realtime API.
В тестах Max точнее, а Mini чуть лучше держит очередь реплик
Модели проверяли в разных тестах, и результаты не стоит сводить к одной оценке «кто умнее». В Big Bench Audio они голосом отвечали на 1 000 вопросов про логику, подсчёт предметов и маршруты. По данным Artificial Analysis, точность Max составила 98,8%, Mini — 75,9%. На момент публикации китайского материала Max занимал третье место. Выше были StepAudio 3 Realtime с 99,7% и Qwen Audio 3.0 Realtime Plus с 99,2%.
| Модель | Основной сценарий | Big Bench Audio, точность | Время до первого аудио | Full-Duplex-Bench |
|---|---|---|---|---|
| Eleven Realtime v1 Mini | Естественные беседы | 75,9% | 0,62 секунды | 95,8% |
| Eleven Realtime v1 Max | Сложные задачи и инструменты | 98,8% | 0,57 секунды | 94,1% |
В Speech Agent Arena Max выполнил 87,1% задач с использованием инструментов, Mini — 60,3%. В Full-Duplex-Bench оценивают паузы, передачу очереди и реакцию на перебивания. Здесь Mini немного обошёл Max: 95,8% против 94,1%. Для интерактивного персонажа или тьютора такая реакция может быть важнее результата в тесте на рассуждение.
Есть ещё один ориентир. В собственном тесте Dialt модели прошли десять сценариев по три раза: Mini набрал 70,9%, Max — 87,7%, OpenAI — 79,7%. Dialt уточняет, что выборка небольшая, а оценка зависит от задач и конфигурации. На красивый результат одного бенчмарка я бы не опирался при выборе агента для реальных звонков.
Китайский тест показал разницу между бенчмарком и живой настройкой
Издание 智东西 проверило не полноценные разговоры с Mini и Max, а Architect — помощника, который настраивает агента по голосовым командам. Автор материала — Сунь Сяовэнь. Architect понял просьбу сменить язык и выполнил её, в том числе после перехода на китайский. Настройки можно было менять голосом, не разыскивая нужное меню.
По оценке тестировщиков, китайская речь звучала «немного пластиково»: с заметным иностранным акцентом. Некоторые фразы приходилось внимательно слушать. Помощник говорил многословно, длинные объяснения было трудно перебить. В ходе теста также возникали ожидание ответа и отдельные зависания. Авторы допускают, что на задержки могла повлиять сеть.
Есть важное ограничение: команда не проверяла реальные разговоры созданного агента. Для запуска требовалась платная покупка токенов. Поэтому замечания про акцент и длину реплик относятся к Architect в этом тесте. Это не сравнение Mini и Max в полноценном диалоге.
В описании релиза Eleven Realtime называют Speech-to-Speech. При этом материал 智东西 описывает каскадную архитектуру: распознавание речи, языковая модель и синтез работают как отдельные компоненты. Так что заявления о системе, которая вообще минует промежуточный текст, из этого материала не следуют. Новинка в том, что компоненты уже собраны и настроены вместе — разработчику не нужно склеивать их самому.
У каскадного подхода есть практический плюс: проще проверить отдельные этапы, заменить компонент и найти место, где агент ошибся. Есть и минус: при переводе речи в текст могут теряться интонация, ритм и эмоции. ElevenLabs пишет, что хочет улучшать звучание и передачу очереди, сохраняя управляемость компонентов.
Собрать первого агента можно за три шага
Для первого прототипа не обязательно начинать с API. По описанию ElevenLabs, в ElevenAgents можно создать агента, выбрать Realtime-модель и настроить его задачу. Официальная страница также указывает, что агента можно развернуть на сайте, телефоне, в WhatsApp или контакт-центре.
- Выберите Mini для разговорного персонажа, помощника или тьютора. Max подойдёт, если агенту нужно выполнять многошаговые задачи и вызывать инструменты.
- Задайте роль, добавьте базу знаний и правила поведения. Проверьте агента на подготовленных сценариях, включая неудобные вопросы и перебивания.
- Для собственного приложения подключите Realtime API. Он совместим со спецификацией OpenAI Realtime, но использует WebSocket.
Я бы отдельно проверил, естественно ли звучит голос на нужном языке, можно ли вовремя перебить агента и не растягивает ли он короткий ответ на лекцию. В видео, инсталляции или у персонажа неудачная интонация сразу бросается в глаза. В поддержке длинные реплики мешают человеку быстро решить вопрос.
API тарифицируется по аудио и токенам отдельно
По опубликованным 20 октября тарифам, после исчерпания включённой квоты аудиосоединение стоит $0,08 за минуту для обеих моделей. Токены оплачиваются отдельно, причём вход у Max дороже, чем у Mini. Одной цены за минуту для сравнения не хватит.
| Модель | Аудиосоединение, USD/мин | Вход, USD/1 млн токенов | Выход, USD/1 млн токенов |
|---|---|---|---|
| Mini | 0,08 | 0,20 | 6 |
| Max | 0,08 | 1,80 | 9 |
Для прототипа я бы сначала проверил один короткий сценарий, а потом посчитал токены на реальных репликах. Цена минуты соединения — только часть расходов: на счёт влияют и длинные ответы, и частые обращения. Итоговая стоимость зависит от использования и доступной квоты.
Для прототипа уже достаточно, для продакшена нужны свои тесты
Eleven Realtime сокращает техническую возню: можно быстрее перейти от идеи персонажа или голосового помощника к прототипу. Mini выглядит подходящим выбором для свободного диалога. Max — когда важны точность сложных инструкций и работа с инструментами.
Быстрый ответ ещё не гарантирует комфортного разговора. В китайском тесте Architect заметили длинные реплики, акцент и задержки. Реальные диалоги Mini и Max команда не проверяла. Для русскоязычного продукта я бы начал с короткого набора своих сценариев: с паузами, перебиваниями и просьбой ответить одной фразой. Так сразу станет видно, как агент ведёт себя в разговоре.
Источники
Introducing Eleven Realtime: a simpler way to build natural voice agents — ElevenLabs
Eleven Realtime — Speech to Speech Voice Agents — ElevenLabs
Eleven Realtime joins our voice benchmark — Dialt
Источникzhidx.com
