Eleven Realtime v1 Max vs. Gemini 3.8 Live: Schneller, präziser beim Schlussfolgern und 5,7-mal so teuer

Eleven Realtime v1 Max beginnt nach 0,57 Sekunden zu sprechen und erzielt 98,8 % bei Big Bench Audio. Gemini 3.8 Live beginnt nach 1,18 Sekunden zu sprechen und erreicht 92 %. Auf den beiden Achsen, die man zitiert, wenn über Sprachmodelle gestritten wird, gewinnt ElevenLabs bei beiden – und verliert dann auf fast jeder Achse, die ein Finanzteam interessiert, angefangen bei der, auf der dasselbe Benchmark-Board Gemini mit 0,84 US-Dollar pro Stunde Audio und Eleven Realtime Max mit 4,80 US-Dollar führt. Die dokumentierten KI-Vorfälle und Agent-Fehlfunktionen hinter Modellen dieser Klasse sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, einen Schweregrad, eine Konfidenznote und eine Kennzeichnung als strittig trägt.

Die beiden Modelle sind sich auch uneinig darüber, was ein Voice-Agent ist. G​emini 3.8 Live ist ein Teil einer Plattform: Es hat einen Index-Score, eine dokumentierte Preisliste, 97 Sprachen, SynthID-Wasserzeichen in jeder generierten Sekunde und zwei Varianten – Standard und Extended Thinking –, die das Reasoning von der Konversation trennen. Eleven Realtime v1 Max ist ein einzelnes Modell, das mit dem Versprechen verkauft wird, dass Erkennung, Turn-Taking, Denken und Stimme gemeinsam abgestimmt wurden, und es hat überhaupt keinen Speech to Speech Index, weil der agentische Benchmark hinter diesem Index nicht darauf ausgeführt wurde.

Dieser letzte Satz ist das gesamte Argument in komprimierter Form. Eines dieser Modelle hat eine vollständige öffentliche Bewertungstabelle; das andere hat die besten Werte in den beiden Zeilen, die es vorzuweisen hat, und eine Leerstelle dort, wo die schwierigste Zeile steht.

Was die Anzeigetafel tatsächlich anzeigt

Jede unten aufgeführte Zahl stammt aus der Speech to Speech-Bestenliste von Artificial Analysis, die beide Modelle auf demselben Harness testet, statt Herstellerseiten wiederzugeben. Wo eine Herstellerangabe abweicht, ist sie gekennzeichnet.

• Sprachliches Schlussfolgern (Big Bench Audio) — Eleven Realtime v1 Max 98,8 % vs. G​emini 3.8 Live 92 %

• Zeit bis zum ersten Audio — Max 0,57 s vs. G​emini 1,18 s

• Erfolgsquote bei Aufgaben — Max 87,1 % vs. Gemini 93,2 %

• Agentische Leistung (τ-Voice) — Max nicht gemessen vs. G​emini 30,1 %

• Konversationsdynamik (Full-Duplex-Bench) — Max 94,1 % gegenüber Gemini 96,1 %

• Arena-Präferenz (Elo) — Max 997 vs. G​emini 1.078

• Sprache-zu-Sprache-Index — Max nicht bewertet vs. G​emini 76.0

• Kosten pro Stunde für Eingabe-Audio — Max 4,80 $ vs. Gemini 0,84 $

Das Muster lautet nicht: „ElevenLabs ist besser bei Audio, Google ist besser bei allem anderen.“ Es ist enger und interessanter als das. Max gewinnt die beiden Messungen, die auf einem festen Audio-Frageset erhoben werden – richtig antworten, schnell antworten – und verliert die drei, bei denen ein Mensch im Loop oder ein Tool-Aufruf zum Abschluss nötig ist. Arena-Präferenz heißt: Menschen hören zu und wählen aus. Aufgabenerfolg heißt: Wurde die richtige Funktion aufgerufen? Gesprächsdynamik heißt: Fühlte sich der Sprecherwechsel richtig an? Das sind die Produktionsmetriken, und Gemini gewinnt alle drei.

Die τ-Voice-Zeile verdient einen Vorbehalt, bevor sie jemand zitiert. Die 30,1 % von G​emini 3.8 Live sind ein wirklich schlechter Agentic-Score — das eigene Geschwistermodell mit Extended Thinking erreicht im selben Test 68,6 %, und G​PT-Live-1 (Astra, medium) erreicht 74,5 %. Wenn Ihr Agent eine Buchung im Rahmen einer Richtlinie ändern muss, ist das einfache 3.8 Live nicht das Modell, das Sie wollen. Aber Max' Leerstelle ist keine Null und sollte nicht als solche gelesen werden. Sie bedeutet, dass der Test nicht durchgeführt wurde.

Woher die Preislücke kommt und warum sie möglicherweise nicht so wichtig ist, wie es scheint

Gemini 3.8 Live berechnet 0,005 $ pro Minute für eingehendes Audio und 0,018 $ pro Minute für ausgehendes Audio, Text mit 0,75 $ und 4,50 $ pro Million Tokens sowie Bild- oder Videoeingabe mit 1,00 $ pro Million. Eleven Realtime veröffentlicht überhaupt keinen Preis pro Modell: In ElevenAgents zahlen Sie die standardmäßige Agent-Gebühr pro Minute plus Tokens zum Tarif des Realtime-Modells, und über die Realtime API zahlen Sie pro Minute verbundenen Audios plus Tokens, wobei in jedem Tarif dieselben Token-Preise gelten. Artificial Analysis rechnet beides anhand eines festen Fragensatzes in Kosten pro Stunde um – die einzige Möglichkeit, sie ehrlich zu vergleichen – und kommt auf 0,84 $ gegenüber 4,80 $.

Daraus folgen zwei Dinge. Erstens: Wenn Ihr Volumen in Tausenden Minuten pro Tag gemessen wird, ist die Lücke die Entscheidung — 5,7× ist kein Rundungsfehler, und ElevenLabs hat keinen veröffentlichten Hebel, um sie zu schließen, außer dem günstigeren Mini. Zweitens ist der Vergleich nicht statisch wie ein Listenpreis. Google hat die Gemini-Audio-Preise schon einmal gesenkt, und eine Senkung kommt am selben Tag bei uns an, wenn ein Anbieter den Listenpreis durchreicht, weil OrcaRouter nichts aufschlägt. Umgekehrt gilt dasselbe: Wenn ElevenLabs einen Realtime-Tarif veröffentlicht, ändert sich die Zahl, ohne dass jemand eine Integration umschreiben muss.

Zwei verschiedene Wetten über den Sprecherwechsel

Die Architekturen sind nicht äquivalent, und der Unterschied erklärt die Diskrepanz zwischen den Metriken besser als jede Aussage zur Qualität.

Gemini 3.8 Live ist ein Eintrag in einer Familie, die Google seit zwei Jahren ausliefert.

Es verarbeitet visuelle Eingaben nahezu in Echtzeit, wechselt mitten im Gespräch zwischen 97 Sprachen und führt Tool- und API-Aufrufe im Hintergrund aus, sodass der Agent eine Anfrage bestätigen und weiter sprechen kann, während die Suche abgeschlossen wird. Sein Gegenstück, G​emini 3.8 Live Extended Thinking, denkt und spricht gleichzeitig und beschreibt den Fortschritt. Beide tragen SynthID-Wasserzeichen und teilen sich eine Modellkarte, die als gemini-3-8-audio veröffentlicht wurde, und beide haben dokumentierte API-IDs: gemini-3.8-live und gemini-3.8-live-extended-thinking.

Eleven Realtime führt den Stack zusammen, statt ihn zu koordinieren.

Erkennung, Gesprächswechsel, der Reasoning-Schritt und die Sprachgenerierung bilden ein abgestimmtes System – deshalb kann es in 0,57 Sekunden antworten, ohne dass ein separater Sprachaktivitätsdetektor entscheiden muss, wann der Anrufer fertig gesprochen hat. E​levenLabs’ eigenes Beispiel für den Nutzen ist der Backchannel: Für Mini ist dokumentiert, dass es erkennt, ob ein Sprecher fertig ist oder nur mit einem „mm-hmm“ einwirft. Genau dieses Verhalten sorgt dafür, dass sich ein Sprachagent nicht mehr wie ein Walkie-Talkie anfühlt, und es ist die Art von Sache, mit der eine kaskadierte Pipeline Schwierigkeiten hat, weil dem VAD gesagt werden muss, was eine Unterbrechung ist.

Der Preis des zusammengeführten Designs ist der Verlust an Kontrolle. In ElevenAgents bedeutet die Wahl eines Realtime-Modells, dass ElevenLabs das LLM, den Reasoning-Aufwand, das Denkbudget, parallele Tool-Aufrufe, das Cascade-Timeout, das TTS-Modell, den Expressive-Modus und den ASR-Anbieter verwaltet. Sie können kein eigenes LLM mitbringen, Amazon Bedrock nicht nutzen, und ein Workflow-Knoten kann keine dieser Einstellungen überschreiben. Gemini gibt Ihnen das Modell und Sie behalten die Pipeline.

Die Integrationsfrage, die niemand in die Vergleichstabelle aufnimmt

Gemini 3.8 Live ist ein Gemini-API-Modell. Eleven Realtime wird auf zwei Arten verkauft – innerhalb von ElevenAgents und über eine Realtime-API, die drahtkompatibel mit OpenAIs Ereignisprotokoll ist, unter wss://api.elevenlabs.io/v1/convai/realtime. Wenn Sie einen OpenAI-Realtime-Client haben, sind die Änderung des Endpunkts und des Modellnamens der Großteil der Migration; die Dokumentation enthält dafür einen Ein-Befehl-Skill.

Was du für diese Kompatibilität aufgibst, ist die Plattform. Die Realtime API und ElevenAgents sind separate Produkte mit unterschiedlichen Verbindungsprotokollen, und die API bietet keine Telefon- oder WhatsApp-Kanäle, Wissensdatenbanken, Guardrails, skriptgesteuerte Tests oder Gesprächsüberwachung. ElevenLabs stellt außerdem ausdrücklich klar, dass die Realtime API zum Start kein WebRTC unterstützt – nur WebSocket.

Diese Asymmetrie ist der Punkt, an dem eine Routing-Schicht sinnvoll ist, und sie passt besser auf die Gemini-Seite als auf die ElevenLabs-Seite. OrcaRouter hostet eleven_realtime_v1_max nicht; dafür gibt es keinen Drittanbieter-Endpunkt, und wir geben nichts anderes vor. Was OrcaRouter hostet, ist der Rest eines Gemini-förmigen Stacks: google/gemini-3.8-flash und die anderen Gemini-Modelle hinter einem Schlüssel, 209 Modelle von insgesamt 16 Anbietern, zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, wenn bei einem Anbieter ein Fehler auftritt. Wenn du die Voice-Schicht auf Gemini aufbaust, können Retrieval und Analyse nach dem Anruf drumherum ausgetauscht und mit deinem eigenen Traffic A/B-getestet werden, statt dich anhand einer Bestenliste darauf festzulegen.

Welches soll man wählen?

Wählen Sie G​emini 3.8 Live wenn der Agent eine Transaktion abschließen muss, wenn Sie einen Preis unter einem Dollar pro Stunde benötigen, wenn Sie visuelle Eingaben benötigen oder wenn Sie 97 Sprachen über eine einzige Leitung benötigen. Es bietet die vollständige öffentliche Scorecard, die dokumentierte Preisliste und die günstigere Minute. Seine agentische Schwäche ist real, aber messbar, und sein Extended-Thinking-Geschwister ist die Lösung, wenn die Aufgabenfertigstellung der Engpass ist.

Pick Eleven Realtime v1 Max, wenn das Gespräch selbst das Produkt ist – ein Tutor, eine Figur, eine Support-Hotline, bei der Unterbrechungen der Beschwerdegrund sind – und wenn deine Arbeitslast eher reasoning-lastiges Audio als lange zusammenhängende Anrufe umfasst. Du kaufst den schnellsten starken Reasoner im Feld und das am besten gemessene Turn-Taking – zu einem Preisaufschlag, den du vor deiner Entscheidung einkalkulieren solltest.

Bewerte nicht allein anhand des Index-Scores. Max hat keinen, und das ist keine Herabsetzung von Max' Qualität; es sagt vielmehr aus, wie viel von Max' Verhalten noch ungemessen ist. Die eine Zahl, die diesen Vergleich ändern würde, ist ein τ-Voice-Lauf auf Max. Wenn er über G​eminis 68,6 % liegt — der Extended-Thinking-Variante, nicht der Standardvariante —, beginnt E​levenLabs' Premium wie eine Versicherungspolice statt wie eine Steuer zu wirken. Bis dahin ist das schnellere Modell dasjenige mit mehr Beweislast.