Eleven Realtime v1 Max vs. SeedRealtime: Der eine hat einen Preis und sechs Benchmarks, der andere eine Demo

Eleven Realtime v1 Max ist ein aufrufbares Speech-to-Speech-Modell mit einem dokumentierten Endpunkt, sechs veröffentlichten Benchmark-Ergebnissen und normalisierten Kosten von 4,80 US-Dollar pro Stunde Audio. SeedRealtime ist das audiovisuelle Vollduplex-Modell von B​yteDance Seed, angekündigt am 5. August 2026, und es gibt keine API, keine Gewichte, keinen technischen Bericht, keine Parameteranzahl und keinen Preis. Der Vergleich scheint entschieden, bevor er beginnt — und dann bemerkt man, dass auch beim Modell von E​levenLabs ein Benchmark fehlt und dass es sich bei dem fehlenden Benchmark um dieselbe Art von Beleg handelt, die B​yteDance nie veröffentlicht hat. Die dokumentierten KI-Vorfälle und Agentenfehler im Zusammenhang mit Modellen dieser Klasse sind im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Konfidenzstufe und seine Kennzeichnung als umstritten enthält.

Das ist die wirkliche Gestalt dieses Aufeinandertreffens. Beide Modelle werden mit der Behauptung verkauft, dass Turn-Taking im Modell selbst liegen sollte und nicht in einem von außen angeschraubten Voice-Activity-Detektor. Beide verlangen von dir, einem Verhalten zu vertrauen, das du nur beurteilen kannst, indem du mit ihnen sprichst. ElevenLabs beantwortete das mit einer Evaluationsumgebung von Drittanbietern und einer Kostenangabe pro Stunde. ByteDance beantwortete es mit einer einzigen internen Präferenzstudie. Eines davon ist brauchbar; keines ist vollständig.

Was jeder Einzelne tatsächlich behauptet

Eleven Realtime v1 Max vereint vier Stufen in einem einzigen Netzwerk: Erkennung, Turn-Taking, Reasoning und Sprachgenerierung. Das Versprechen von ElevenLabs ist, dass ihre gemeinsame Abstimmung die Nahtstellen beseitigt, die eine Kaskade hinterlässt – die tote halbe Sekunde, nachdem ein Anrufer aufhört, der Agent, der in eine Unterbrechung hineinspricht, die Lücke zwischen dem, was gehört wurde, und dem, was als Antwort gesagt wird. Max ergänzt diesen Entwurf um den Reasoning-Schritt und ist für komplexe Aufgaben und mehrstufige Tool-Aufrufe ausgelegt; sein Schwestermodell Eleven Realtime v1 Mini ist die günstige Konversationsvariante und das, was jeder neue ElevenAgents-Agent standardmäßig erhält.

SeedRealtime geht bei der Modalität weiter und bei allem anderen weniger weit. B​yteDances Modell vereint Audio, Video und Text in einer einzigen Ende-zu-Ende-Architektur, was bedeutet, dass es gleichzeitig sehen, zuhören und sprechen kann, statt ein Vision-Modell an ein ASR-Modell an ein Sprachmodell an eine Stimme zu ketten. Die demonstrierten Verhaltensweisen sind solche, die ein System mit zwei Modalitäten nicht erzeugen kann: eine Stimme in einem lauten Gruppengespräch an ein Gesicht zu binden, sodass das Modell verfolgt, wer was gesagt hat, unaufgefordert zu sprechen, wenn ein Zielobjekt ins Bild tritt, sowie Szenarien als Museumsführer und bei der Gerätereparatur, in denen das Modell sehen muss, was Sie gerade betrachten.

Audio plus Video ist ein schwierigeres Problem als Audio plus Text, und SeedRealtime versucht sich an dem schwierigeren. Das sollte man klar sagen, bevor der Rest dieses Beitrags erklärt, warum man es noch immer nicht nutzen kann.

Die Beweise, ehrlich abgewogen

Artificial Analysis führt für Modelle dieser Kategorie sowohl einen Sprach-Reasoning-Test als auch einen Test der Gesprächsdynamik durch. Beide wurden mit Eleven Realtime v1 Max durchgeführt. Mit SeedRealtime wurden sie nicht durchgeführt, und das ist auch nicht möglich – es gibt keinen Endpoint, der aufgerufen werden kann.

• Sprachliches Schlussfolgern (Big Bench Audio) — Eleven Realtime v1 Max 98,8 % vs. SeedRealtime nicht veröffentlicht

• Konversationsdynamik (Full-Duplex-Bench) — max. 94,1 % vs. SeedRealtime nicht veröffentlicht

• Erfolgsquote bei Aufgaben — max. 87,1 % vs. SeedRealtime nicht veröffentlicht

• Arena-Präferenz (Elo) — Max 997 vs. SeedRealtime nicht veröffentlicht

• Agentische Performance (τ-Voice) — Max nicht gemessen vs. SeedRealtime nicht veröffentlicht

• Zeit bis zum ersten Audio — max. 0,57 s vs. SeedRealtime kein Latenzwert in Millisekunden

• Kosten pro Stunde Eingabeaudio — Max 4,80 $ vs. SeedRealtime kein kommerzielles Angebot

• Eingabemodalitäten – Max Audio und Text vs. SeedRealtime Audio, Video und Text

Die einzige Zeile, in der SeedRealtime führt, ist die, die niemand kaufen kann. Die einzige öffentliche Zahl, die B​yteDance angeboten hat, ist eine End-to-End-Bewertung durch Menschen, die behauptet, SeedRealtime halbiere die Probleme mit dem Gesprächstempo von kaskadierten ASR-plus-Vision-plus-T​TS-Systemen – weniger Abbrüche, weniger Fehlauslösungen, langsamere und natürlichere Antworten. Keine Stichprobengröße, keine Methodik, keine Anzahl der Annotatoren, keine Latenz in Millisekunden. Ein Sekundärbericht nennt einen Flüssigkeitszuwachs von 12 % gegenüber den früheren Modellen des Teams. Das ist die gesamte Evidenzbasis.

Jetzt der ehrliche Teil auf der anderen Seite. Die τ-Voice-Zeile von Max ist leer, was wichtig ist, weil Max das Modell ist, das E​levenLabs für die Aufgabenerledigung verkauft. Sein Reasoning-Score von 98,8 % wird an 1.000 Audiofragen gemessen, nicht an einem Kundenservicegespräch mit Tools und einem Richtliniendokument. E​levenLabs hat also sechs Zahlen und ein Loch, wo B​yteDance eine Zahl und keinen Endpunkt hat – unterschiedliche Fehlermodi, dieselbe zugrunde liegende Situation: Das, womit jedes Modell vermarktet wird, ist nicht das, woran jedes Modell gemessen wurde.

Warum die Architektur mehr zählt als die Gegnerkonstellation

Vor einem Jahr waren Sprachagenten eine Pipeline mit einem Orchestrator obendrauf. Jemand musste entscheiden, wann der Nutzer aufgehört hatte zu sprechen, das Transkript an ein Sprachmodell weiterleiten, auf Tokens warten und den Text dann an einen Synthesizer übergeben, der so klingen musste, als wäre er Teil des Gesprächs gewesen. Jede Stufe erhöhte die Latenz, und jede Übergabe fügte eine Nahtstelle hinzu.

Beide dieser Modelle sind Wetten darauf, dass die Naht das Problem ist. Die Antwort von Eleven Realtime besteht darin, die audioseitigen Stufen – Zuhören, Sprecherwechsel, Denken, Sprechen – in einem einzigen Netzwerk zusammenzuführen und das Modell rein audiofokussiert zu halten. Die Antwort von SeedRealtime besteht darin, diese zusammenzuführen und Sehen hinzuzufügen, sodass das Modell „dieses hier“ aus einer Zeigegeste auflösen oder bemerken kann, dass die Person, mit der es spricht, weggegangen ist.

Der Kompromiss ist in den Spezifikationen erkennbar. Eleven Realtime Max antwortet in 0,57 Sekunden und erzielt 98,8 % bei einem Reasoning-Test mit Audio-only-Eingabe. SeedRealtimes Anspruch ist eine breitere Eingabe und implizit mehr Kontext pro Turn; der Preis dafür ist, dass visuelles Full-Duplex teuer im Betrieb ist, was ein plausibler Grund dafür ist, dass es nur in einer Consumer-App ausgeliefert wird. Keines der beiden Unternehmen hat eine Latenzzahl veröffentlicht, die den Vergleich quantitativ macht, und nur eines von ihnen hat etwas veröffentlicht, das von Dritten überprüft werden kann.

Der B​yteDance-Endpunkt, der existiert, aber nicht dieses Modell ist

Das ist der Fehler, den es zu vermeiden gilt, denn er ist schnell gemacht und teuer, wenn er entdeckt wird. Volcano Engine, die Cloud-Sparte von B​yteDance, dokumentiert ein separates Echtzeit-Sprachprodukt – das Doubao-Echtzeit-Sprachmodell 3.0 –, das über einen WebSocket-Endpunkt mit einem Console-API-Schlüssel erreichbar ist, 16-kHz-PCM oder Opus als Eingang und 24-kHz-Audio als Ausgang, unter Verwendung eines Echtzeit-Ereignisprotokolls.

Das ist eine Entwickler-API desselben Unternehmens im selben Produktbereich, und es ist nicht SeedRealtime. Sie ist rein audiofokussiert: kein Video, keine Gesichtsbindung, keine visuelle Verankerung. Es ist ein eigenständiges Modell mit eigener Release-Historie. Teams, die nach der Echtzeit-Sprach-API von ByteDance suchen, werden diese Dokumentation finden, dagegen integrieren und glauben, sie würden das Modell nutzen, um das es in der Berichterstattung geht. Volcano Engine hat kein Datum für einen Endpunkt für das audiovisuelle Modell veröffentlicht. Jede Auflistung, die Ihnen Zugang zu SeedRealtime anbietet, bietet Ihnen etwas anderes an.

Was das bedeutet, wenn Sie ein Produkt zu versenden haben

Zwischen diesen beiden gibt es für die Produktionsarbeit in diesem Quartal keine Entscheidung zu treffen. Eleven Realtime v1 Max ist jetzt aufrufbar, über ElevenAgents oder eine OpenAI-kompatible Realtime-API unter wss://api.elevenlabs.io/v1/convai/realtime, und SeedRealtime ist ein Forschungsmeilenstein in einer Telefon-App in China.

Die Entscheidung, die es tatsächlich gibt, ist, wie man darum herum baut. Die Realtime API von E​levenLabs ist zum Start ausschließlich WebSocket-basiert – kein WebRTC – und ein separates Produkt von ElevenAgents, daher gibt es Telefonie, WhatsApp, Wissensdatenbanken, Guardrails und Monitoring nur auf der Plattformseite. Max ist außerdem in den Data-Residency-Umgebungen für Indien und Singapur nicht verfügbar und erfordert ein Token-Limit von mindestens 1.024; Mini unterstützt seltsamerweise Indien und Singapur, aber nicht Zero Retention Mode oder HIPAA, was Max in den USA und der EU unterstützt.

OrcaRouter ist nicht in der Voice-Schicht angesiedelt. Wir hosten eleven_realtime_v1_max nicht, und es gibt keinen Drittanbieter-Endpunkt dafür. Was wir hosten, ist alles, was ein Agent dieser Form rund um das Modell aufruft: 209 Modelle von 16 Upstream-Anbietern hinter einem einzigen Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, wenn ein Anbieter einen Fehler zurückgibt oder ein Timeout auftritt. Die teure und variable Hälfte eines Voice-Agents sind Retrieval und Reasoning, an die er delegiert; diese Hälfte lässt sich austauschen, ohne die Audio-Schleife anzurühren, und genau dort zahlt sich eine Woche Feintuning aus.

Was würde das ändern?

Eine API für SeedRealtime würde daraus einen echten Vergleich machen, und nicht nur wegen des Videos. Ein aufrufbarer Endpunkt würde es Artificial Analysis ermöglichen, das Modell in denselben vierteiligen Testaufbau wie alle anderen zu integrieren, und das ist der einzige Weg zu einer Zahl, die über Anbieter hinweg etwas bedeutet. Ein technischer Bericht würde den Großteil derselben Arbeit leisten.

Auf der E​levenLabs-Seite fehlt der τ-Voice-Lauf auf Max. Sobald dieser vorliegt, wird das Feld endlich eine direkt vergleichbare agentische Kennzahl für das Modell haben, das E​levenLabs als das aufgabenorientierte vermarktet. Bis dahin ist die Zusammenfassung wenig glamourös: Eines dieser Modelle kann man aufrufen, messen, bepreisen und ausliefern, eines dieser Modelle kann man nur beobachten, und die Kluft zwischen diesen beiden Positionen ist größer als die Kluft zwischen ihren Architekturen.