Eleven Realtime v1 Max vs. GPT-Live-1: Die Benchmark-Lücke fällt gegen ElevenLabs aus

Die Pressemitteilung zu Eleven Realtime v1 Max führt mit 98,8 % bei Big Bench Audio und einer Antwortzeit von 0,57 Sekunden. Beide Zahlen stimmen, beide sind die besten ihrer Klasse, und beide sind irrelevant, wenn der Vergleich G​PT-Live-1 lautet – denn der Benchmark, der Sprachagenten in der Produktion entscheidet, ist nicht das sprachliche Schlussfolgern, und dort gewinnt O​penAIs Modell mit einem Vorsprung, der groß genug ist, um den Vorsprung von 0,7 Sekunden zu verschlucken, mit dem E​levenLabs wirbt. Die dokumentierten KI-Vorfälle und Agentenausfälle bei Modellen dieser Klasse finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, einen Schweregrad, einen Konfidenzgrad und eine Kennzeichnung als umstritten enthält.

Führe denselben Artificial-Analysis-Harness auf beiden aus, und die Aufteilung ist eindeutig. Eleven Realtime v1 Max liegt beim Sprachreasoning vorn, mit 98,8 % gegenüber 89 %, und bei der Geschwindigkeit mit 0,57 Sekunden gegenüber 1,24. G​PT-Live-1 liegt bei der Erledigung agentischer Aufgaben vorn, mit 59,3 % gegenüber nicht gemessen, bei der Gesprächsdynamik mit 97,3 % gegenüber 94,1 %, bei der Arena-Präferenz mit 1.047 Elo gegenüber 997, bei der Aufgaben-Erfolgsquote mit 90,9 % gegenüber 87,1 % und beim zusammengesetzten Index mit 80,1 gegenüber überhaupt nichts.

Die letzte Zahl ist nicht rhetorisch gemeint. Eleven Realtime v1 Max hat keinen Wert im Speech to Speech Index, weil der Index alle vier Komponenten voraussetzt und der agentische τ-Voice-Lauf dafür noch nicht veröffentlicht wurde. G​PT-Live-1 hat einen Index. Er ist der höchste auf dem Board.

Die vollständige Anzeigetafel, Seite an Seite

Alle Zeilen sind Messungen von Artificial Analysis mit ihrem eigenen Harness, sofern nicht anders gekennzeichnet. Die Zahlen zu Eleven Realtime stammen aus der Ankündigung vom 20. Oktober 2026; die API-Verfügbarkeit von G​PT-Live-1 datiert vom 10. September 2026, wobei das Modell selbst am 8. Juli in ChatGPT eingeführt wurde.

Sprache-zu-Sprache-Index — Eleven Realtime v1 Max nicht bewertet vs. G​PT-Live-1 (Sol, niedrig) 80.1

• Sprachliches Schlussfolgern (Big Bench Audio) — Max 98,8 % vs. GPT-Live-1 89 %

• Agentische Performance (τ-Voice) — Max nicht gemessen vs. GPT-Live-1 59.3%

• Gesprächsdynamik — Max 94,1 % vs. GPT-Live-1 97,3 %

• Erfolgsquote bei Aufgaben — Max 87,1 % vs. G​PT-Live-1 90,9 %

• Arena-Präferenz (Elo) — Max 997 vs. G​PT-Live-1 1,047

• Zeit bis zum ersten Audio — Max. 0,57 s vs. G​PT-Live-1 1,24 s

• Kosten pro Stunde Eingabeaudio — Max 4,80 $ vs. G​PT-Live-1 4,47 $

• Transport — Max: WebSocket nur beim Launch vs. G​PT-Live-1: nur WebRTC

Eine Zeile liegt näher beieinander, als es die Schlagzeile vermuten lässt: die Kosten. 4,80 $ gegenüber 4,47 $ pro Stunde Audio bringen diese beiden Modelle in dasselbe Preisband – das Gegenteil der Geschichte, die man erhält, wenn man Eleven Realtime mit Gemini 3.8 Live zu 0,84 $ vergleicht. Im OpenAI-Vergleich beträgt der ElevenLabs-Aufpreis 7 %.

Warum der Reasoning-Score in die falsche Richtung zeigt

Big Bench Audio ist eine Sammlung von 1.000 Audiofragen, die aus Big Bench Hard aus vier Kategorien abgeleitet wurden – formale Fehlschlüsse, Navigation, Objektzählen und ein Satz boolescher Wortprobleme. Das Modell hört eine Frage und antwortet laut, und die Antwort wird als richtig oder falsch bewertet. Es misst, wie gut ein Modell über Audioinhalte schlussfolgert, was nicht dasselbe ist, wie gut es ein Gespräch führt oder eine Aufgabe erledigt.

Max’ 98,8 % bedeuten den dritten Platz in dieser Rangliste, hinter StepAudio 3 Realtime (100 %) und Q​wen Audio 3.0 Realtime Plus (99,2 %) sowie vor Qwen3.5 Omni Plus Realtime (98,7 %) und G​rok Voice 3.0 (98,5 %). G​PT-Live-1 liegt mit 89 % auf dem zwölften Platz. Wenn die Aufgabe Ihres Agenten darin besteht, eine lange gesprochene Beschreibung anzuhören und eine Frage dazu zu beantworten, ist diese Lücke von neun Prozentpunkten bedeutsam, und E​levenLabs ist die bessere Wahl.

Aber E​levenLabs verkauft Max nicht dafür. Die eigene Seite positioniert Max für „komplexe Aufgaben“ mit „mehrstufiger Tool-Nutzung“ – Kundensupport, Lead-Qualifizierung, unterstützte Terminplanung. Das ist τ-Voice-Territorium, und τ-Voice ist der Bereich, in dem Max keine Zahl hat und G​PT-Live-1 59,3 % erreicht.

Auch die OpenAI-Kennzahl braucht ihren eigenen Vorbehalt, und OpenAIs eigene Dokumentation liefert ihn: Die veröffentlichte Evidenz zum Einsatz ist dünn. Der Banking-Voice-Support-Benchmark, den OpenAI zum API-Start meldete, bezifferte die Bestehensquote von GPT-Live-1 auf 32 % – gegenüber 12,4 % für GPT-Realtime-2.1. Eine Bestehensquote von 32 % ist eine deutliche Verbesserung und bedeutet trotzdem, dass das System an zwei Dritteln eines regulierten Workflows scheitert. Der τ-Voice-Wert von Artificial Analysis ist der nützlichere, weil er auf einem gemeinsamen Harness läuft, aber er ist ein Mittelfeldwert, keine Krönung.

Wo der Vorteil von G​PT-Live-1 strukturell und nicht marginal ist

Die 3,2-Punkte-Lücke bei der Gesprächsdynamik und die 50-Punkte-Lücke im Arena-Elo resultieren aus einer architektonischen Entscheidung, die ElevenLabs nicht getroffen hat. GPT-Live-1 ist im strengen Sinne Vollduplex: Es hört und spricht auf derselben Zeitachse, und wenn ein Anrufer etwas fragt, das echte Arbeit erfordert, übergibt es die Aufgabe über eine asynchrone Grenze hinweg an ein separates Backend-Modell, das weiterdenkt, während das gesprochene Gespräch weiterläuft. Die Sprachschicht ist ein Frontend. Das Reasoning findet anderswo statt und fließt wieder ein, sobald es bereit ist.

Dieses Design ist der Grund, warum G​PT-Live-1 Tool-Aufrufe ausführen kann, ohne dass die Leitung stumm wird, und es ist auch der Grund, warum seine Reasoning-Bewertung niedriger ausfällt: Das Modell, das die Big-Bench-Frage beantwortet, ist nicht dasjenige, das in einer echten Sitzung die tiefe Denkarbeit leistet. Eleven Realtime Max geht die entgegengesetzte Wette ein. Ein einziges Netzwerk übernimmt Erkennung, Sprecherwechsel, Reasoning und Stimme, was die 0,57 Sekunden einbringt — es gibt keine Übergabe, auf die man warten müsste — und was begrenzt, wie viel Reasoning stattfinden kann, bevor der Anrufer die Pause bemerkt.

Welche Wette die richtige ist, hängt davon ab, ob dein Latenzbudget oder dein Budget für die Aufgabenfertigstellung knapper ist. Für einen Planungsagenten, der einen Kalender prüfen, einen Termin bestätigen und einen Datensatz schreiben muss, gewinnt das Übergabemodell bei der Fertigstellung. Für einen Tutor, der eine gesprochene Frage in einem Atemzug beantwortet, gewinnt das zusammengeführte Modell beim Gefühl.

Die Abrechnungs- und Transportdetails, die über die Integration entscheiden

G​PT-Live-1 wird pauschal mit 0,05 $ pro Sprachminute abgerechnet, sekundengenau, wobei die Sitzungsinitialisierung 15 Sekunden im Voraus berechnet und auf die spätere Dauer angerechnet wird. Das Reasoning-Modell im Backend wird separat zu seinen eigenen normalen Tarifen abgerechnet, sodass eine günstige Sprachschicht dennoch zu einem teuren Anruf führen kann. OrcaRouter kann die Sprachschicht nicht routen – der Live-Sessions-Endpunkt unter v1/live/sessions gehört allein O​penAI –, aber die Backend-Hälfte ist einfach ein weiterer Modellaufruf, und auf OrcaRouter sind das 209 Modelle von 16 Anbietern mit einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, mit Failover, falls Ihr gewähltes Backend mitten im Anruf einen Fehler meldet.

Eleven Realtime rechnet umgekehrt ab: Standard-ElevenAgents pro Minute plus Tokens für Eingabe, zwischengespeicherte Eingabe und Ausgabe zum Satz des Realtime-Modells, wobei Max pro Token mehr kostet als Mini. Der Minutenpreis keines der beiden Modelle ist auf ElevenLabs' Preisseite veröffentlicht; das Dashboard zeigt eine Schätzung, und die 4,80 US-Dollar von Artificial Analysis sind ein normalisierter Wert statt eines Listenpreises.

Der Transport ist die deutlichere Asymmetrie. Die API von Eleven Realtime ist über WebSocket mit OpenAI Realtime kompatibel – das eigene Beispiel der Dokumentation importiert OpenAIRealtimeWebSocket aus @openai/agents-realtime und richtet es auf wss://api.elevenlabs.io/v1/convai/realtime. GPT-Live-1 unterstützt ausschließlich WebRTC, und das Abfragen des älteren Realtime-Pfads mit einer GPT-Live-Modell-ID gibt einen Fehler zurück, der besagt, dass Sitzungen WebRTC erfordern. Die Kompatibilität funktioniert also nur in eine Richtung: Ein OpenAI Realtime-Client kann mit einer Änderung des Endpunkts zu ElevenLabs wechseln, aber ein OpenAI Realtime-Client kann nicht ohne einen Transportumbau zu GPT-Live-1 wechseln. Teams, die zu GPT-Live-1 migrieren, schreiben einen RTCPeerConnection-Handshake, einen oai-events-Datenkanal und einen serverseitigen Offer-Austausch; Teams, die zu Eleven Realtime migrieren, ändern zwei Strings.

Die Rollout-Vorbehalte auf der E​levenLabs-Seite

Die Dokumentation von ElevenLabs fügt Einschränkungen hinzu, die in keiner Berichterstattung zum Launch erwähnt werden:

• Verfügbarkeit — Realtime-Modelle werden „schrittweise eingeführt“; ein Workspace ohne die Voice-Modus-Einstellung erhält von der API die Meldung „Realtime-Modelle sind für diesen Workspace nicht verfügbar“ zurück.

• Datenresidenz — Max ist in den USA und der EU verfügbar, jedoch nicht in Indien oder Singapur, wo nur Mini angeboten wird

• Compliance — Zero-Retention-Modus und HIPAA-Unterstützung: Max in den USA und der EU; Mini unterstützt beides nicht

• Verwaltete Einstellungen — das LLM, der Reasoning-Aufwand, das Denkbudget, parallele Tool-Aufrufe, das T​TS-Modell, der Ausdrucksmodus und der ASR-Anbieter werden alle von E​levenLabs gesteuert, solange ein Realtime-Modell eingestellt ist, und Workflow-Knoten können sie nicht überschreiben

• Benutzerdefinierte LLMs — Der Echtzeitmodus ist nicht verfügbar, während ein Agent ein benutzerdefiniertes LLM oder Amazon Bedrock verwendet

Die eigenen Einschränkungen von G​PT-Live-1 sind in einer Hinsicht strenger und in einer anderen lockerer: Es hat keine Chat Completions, keine Responses, keine Realtime-Kompatibilitätsschicht, kein Fine-Tuning und keine Bild- oder Videoeingabe, doch seine Tarifgrenzen werden in gleichzeitigen Sitzungen bemessen – 25 in Tier 1, ansteigend auf 500 in Tier 5 – statt in Anfragen pro Minute.

Wer sollte welche wählen

Wählen Sie G​PT-Live-1, wenn der Agent Arbeit abschließen muss: Buchungen, Änderungen, Rückerstattungen, alles, was in einem Datenbank-Schreibvorgang endet. Es hat die höhere Erfolgsquote bei Aufgaben, die höhere Arena-Präferenz, den höheren Composite-Index und die niedrigeren Kosten pro Stunde, und es ist das einzige der beiden mit einem veröffentlichten Agentic-Score. Planen Sie Budget für den WebRTC-Rewrite und für die separate Rechnung des Backend-Modells ein.

Wählen Sie Eleven Realtime v1 Max, wenn das Gespräch das Produkt ist und das Reasoning oberflächlich bleibt: ein Tutor, eine Figur, eine Support-Hotline, bei der über die Beschwerde hinweggegangen wird. Sie erhalten den schnellsten starken Reasoner im Angebot, die einfachste Migration von einer bestehenden O​penAI-Realtime-Integration und einen Preisaufschlag von 7 % gegenüber G​PT-Live-1 statt des 5,7-fachen Aufschlags gegenüber G​emini. Sie akzeptieren, dass sein agentisches Verhalten nicht gemessen ist und dass der Launch noch unvollständig ist.

Das Ergebnis, das diesen Beitrag kippen würde, ist ein τ-Voice-Score für Max. ElevenLabs bittet darum, ihm als aufgabenausführendem Modell vertraut zu werden – gestützt auf einen Reasoning-Benchmark; den Aufgaben-Benchmark gibt es, er wurde auf zehn anderen Voice-Modellen ausgeführt, und auf diesem hier wurde er nicht ausgeführt. Das ist eine Lücke in der Evidenz, nicht im Modell – aber es ist die Lücke, die entscheidet, welches dieser beiden Sie einem zahlenden Kunden vorlegen sollten.