ElevenLabs发布Eleven Realtime语音模型，响应0.57秒

语音合成服务商ElevenLabs于10月20日发布Eleven Realtime，称其为一类全新的语音到语音模型，将语音识别、轮次切换、底层大语言模型与文本转语音整合为单一系统，旨在降低构建自然语音智能体的门槛。

该系列包含两款模型：v1 Mini面向低成本的自然对话，适合AI助手、家教与互动角色；v1 Max面向复杂任务，适合客服、线索筛选与多步骤工作流。第三方机构Artificial Analysis的评测显示，v1 Max在Big Bench Audio语音推理测试中正确率达98.8%，平均首字响应时间0.57秒，在准确率与速度两项指标上同时领先。

在工具调用等更复杂的任务上，v1 Max完成了87.1%的测试项，显著高于Mini的60.3%，因此ElevenLabs建议对重度工具调用场景选用Max。两款模型均支持超过90种语言，可使用ElevenLabs库中17000多个声音，并可通过ElevenAgents平台或兼容OpenAI Realtime API的接口接入。

从行业背景看，将语音智能体的松散组件折叠进单一模型，正成为语音AI的演进方向；而对OpenAI接口的兼容，则降低了开发者的切换成本。不过，本次发布未披露两款模型的具体定价，实际渗透率仍取决于后续费率。