
MAI Realtime 1 vs. Eleven Realtime Max: Ein achtfacher Preisunterschied – und die eine Zahl, die darüber entscheidet
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 920 tok/s
Die veröffentlichten Preise lassen die Sache geklärt aussehen. MAI Realtime 1 kostet 0,01 US-Dollar pro Audiominute. Eleven Realtime Max — ElevenLabs’ führendes Speech-to-Speech-Modell, aufgeführt als Realtime v1 Max — kostet bei der unabhängigen Normalisierung von Artificial Analysis rund 4,80 US-Dollar pro Stunde, also 0,08 US-Dollar pro Minute. Acht zu eins, bevor man irgendetwas anderes einrechnet. Dieser Vergleich ist zudem auf eine ganz bestimmte, arithmetische Weise irreführend, und diese Arithmetik macht den gesamten Artikel aus: MAI Realtime 1 stellt zusätzlich zu seinem Minutenpreis ein zweites, tokenbepreistes Reasoning-Modell in Rechnung, und niemand außerhalb von Microsoft hat veröffentlicht, wie oft dieser zweite Zähler läuft.
Die nützliche Frage ist also nicht, welche Schlagzeile kleiner ist. Sondern welche dieser beiden Sie vor der Unterzeichnung kalkulieren können und welche Sie zuerst messen müssen. Diese Antworten weisen in entgegengesetzte Richtungen, weshalb dies eine echte Entscheidung ist und keine Formalität.

Was jedes einzelne ist, in einer Zeile
• MAI Realtime 1 — Microsofts erstes Speech-to-Speech-Modell, angekündigt am 17. November 2026 auf der Ignite. Zwei Stufen: ein schneller Konversationspfad für einen Cent pro Minute und eine Reasoning-Engine für 1,00 USD pro Million Eingabe- und 5,00 USD pro Million Ausgabe-Tokens, an die schwierigere Turns übergeben werden. Vorschau mit begrenztem Zugriff über Foundry; Demo in MAI Labs. Spricht die OpenAI Realtime API.
• Eleven Realtime Max — ElevenLabs’ Sprach-zu-Sprach-Modell für Sprachagenten, die anspruchsvollere Aufgaben als Small Talk übernehmen. Ein abgestimmtes System, das Spracherkennung, Sprecherwechsel, ein LLM und Stimme vereint. Verfügbar in ElevenAgents und über eine OpenAI-kompatible Realtime-API, nur per WebSocket. Deckt über 90 Sprachen ab.
• Was keiner von beiden veröffentlicht — die von MAI Realtime 1 unterstützten Sprachen. Microsofts Launchmaterial führt keine auf, und für ein Contact-Center-Produkt ist das eine grundlegende Frage, keine Fußnote.
Die eine Seite mit echten Messungen
Eleven Realtime Max ist durch unabhängige Tests gut abgedeckt, und das Profil ist auf eine Weise einseitig, die für das Agentendesign relevant ist:
• Speech-to-Speech-Index — 77,3, von Artificial Analysis, auf Basis eines zusammengesetzten Werts aus Reasoning, Gesprächsdynamik und agentischen Fähigkeiten.
• Sprachliches Schlussfolgern (Big Bench Audio) — 98,8 %. Das ist einer der höchsten Werte in der Bestenliste und die Kennzahl, auf die das Modell ausgerichtet ist: Es beantwortet schwierige gesprochene Fragen präzise.
• Zeit bis zum ersten Ton — 570 Millisekunden, im direkten Vergleich die schnellste der beiden und schnell genug, um sofort zu wirken.
• Agentische Aufgabenbewältigung (τ-Voice) — 47,6 %. Das ist die Schwachstelle. Ein Modell, das noch so elegant über das Gehörte nachdenkt, erledigt trotzdem weniger als die Hälfte der mehrstufigen Aufgaben, die ihm die Testumgebung stellt.
• Gesprächsdynamik — 94,1 %.
• Mischkosten – etwa {{1}}$4.80{{/1}} pro Stunde Audio, gemäß der Normalisierung durch {{2}}Artificial Analysis{{/2}} eines {{3}}40-Fragen-Subsets von Big Bench Audio{{/3}} auf Stundenbasis. Das ist eine Messkonvention, nicht die Preisliste von {{4}}ElevenLabs{{/4}}, und die beiden sollten nicht austauschbar zitiert werden.
MAI Realtime 1 hat fast keine davon, und die Lücke zwischen „fast“ und „keinem“ ist der interessante Teil. Microsoft veröffentlicht auf der Modellseite eine Genauigkeitszahl: 98,8 % bei Big Bench Audio. Es ist eine Herstellerangabe – Microsofts eigene Bewertung, auf einem von Microsoft ausgewählten Benchmark, ohne daneben veröffentlichte Methodik – und kein unabhängiges Gremium hat sie erneut überprüft. Beachten Sie außerdem, dass 98,8 % arithmetisch identisch mit der oben genannten Zahl für Eleven Realtime Max ist; das ist ein Zufall, weil zwei verschiedene Testaufbauten auf denselben Prozentsatz kommen, und sollte nicht so gelesen werden, dass die beiden Modelle gleichauf liegen. Über diese eine Zahl hinaus enthält die Seite eine P50-Karte für Time-to-First-Audio und eine Beschriftung „P50 Latency on BigBench Audio“ – und sonst nichts. Kein τ-Voice-Wert, keine Sprachliste, keine Verteilung hinter dem Perzentil. Microsofts weitergehende Behauptung – dass das Modell auf der Preis-Leistungs-Pareto-Grenze für Big Bench Audio und τ-Voice liegt – ist eine Aussage darüber, wo ein Punkt in einem Diagramm liegen würde, das nicht öffentlich gezeichnet wurde. Artificial Analysis führt das Modell Stand 18. November überhaupt nicht.
Diese Asymmetrie ist kein Argument für ElevenLabs. Sie ist ein Argument dafür, was man heute wissen kann: Eines dieser Modelle hat einen gemessenen Agentic-Score von 47,6 %, auf den man planen kann, und das andere hat eine vom Anbieter gemeldete Genauigkeitskennzahl und einen Perzentilwert.
Bevor die Zahlen ins Spiel kommen, ein Hinweis zur Quellenlage: Jeder unten aufgeführte Leistungswert von Eleven Realtime Max stammt aus einer unabhängigen Messung von Artificial Analysis. Der einzige in diesem Beitrag überhaupt zitierte Leistungswert von MAI Realtime 1 – 98,8 % bei Big Bench Audio – ist Microsofts eigener, ungeprüfter Wert und wird überall, wo er erscheint, als solcher gekennzeichnet. Sonst wird über seine Leistung überhaupt nichts veröffentlicht.
Die Arithmetik, die niemand zu Ende gebracht hat
Beginne mit der Sprachleitung, denn sie ist das Einzige, was beide Seiten ehrlich veröffentlichen.
• MAI Realtime 1 — 0,01 $/Min. → 0,60 $ pro Stunde Konversation, nur schneller Pfad.
• Eleven Realtime Max — entspricht etwa 0,08 $/Min. → 4,80 $ pro Stunde, auf Basis von Artificial Analysis.
Eine achtfache Lücke beim Minuten-Zähler. Fügen Sie nun den zweiten Zähler hinzu und beachten Sie, was in den öffentlichen Informationen fehlt: Microsoft hat nicht gesagt, welcher Anteil der Turns in die Reasoning-Stufe eskaliert. Jedes Kostenmodell, das Sie erstellen, hat daher eine Eingangsgröße, die Sie erfinden müssen. Folgendes bewirkt die erfundene Eingangsgröße mit dem Ergebnis. Nehmen Sie einen fünfminütigen Support-Anruf – $0.05 an Sprachzeit – und nehmen Sie an, dass die Reasoning-Engine über seine eskalierten Turns hinweg insgesamt 5.000 Eingabe- und 1.500 Ausgabe-Tokens sieht. Bei Microsofts Sätzen von $1.00 und $5.00 pro Million sind das $0.0125 an Reasoning für einen vollständigen Durchlauf über den Anruf.
• Keine Preissteigerung — $0.050 pro Anruf gegenüber den $0.40 von ElevenLabs. Acht zu eins, wie beworben.
• Ein vollständiger Reasoning-Durchlauf — $0.063 pro Aufruf. Weiterhin unter einem Sechstel des ElevenLabs-Werts.
• Drei vollständige Reasoning-Durchläufe — 0,088 $ pro Aufruf. Knapp über ein Fünftel.
Zehn vollständige Reasoning-Durchläufe — 0,175 $ pro Aufruf. Etwa 44 % des ElevenLabs-Werts, und das ist eine Arbeitslast, die kein Support-Gespräch plausibel erzeugt.
Lesen Sie das noch einmal: Selbst eine zehnmal so hohe Reasoning-Last schließt eine achtfache Lücke auf der Voice-Linie nicht. Das heißt, die ehrliche Version dieses Vergleichs ist, dass MAI Realtime 1 unter jeder Eskalationsannahme, die ein echtes Gespräch hergibt, deutlich günstiger ist — und der Grund zu zögern ist nicht der Preis. Er liegt darin, dass Sie noch nicht sagen können, ob das Modell für die Aufgabe gut genug ist, und Microsofts Vorschau wird bis zur Public Preview nicht abgerechnet, sodass das Herausfinden nur Engineering-Zeit kostet.
Zwei Einschränkungen zu dieser Rechnung, die beide dagegen sprechen, sie als Prognose zu behandeln. Die Schätzung für das Reasoning stammt von mir, nicht von Microsoft – die Token-Zahlen variieren enorm zwischen einem Lookup, der einen Tool-Aufruf braucht, und einer Ausnahme, die vier braucht. Und auf der ElevenLabs-Seite wird die stündliche Normalisierung von Artificial Analysis zugrunde gelegt statt der eigenen Preisliste von ElevenLabs, weil ElevenLabs für Realtime Max keinen pauschalen Dollar-Betrag pro Minute veröffentlicht; es berechnet Minuten plus LLM-Tokens mit einer Schätzung in der App. Die Gegenüberstellung ist also in der Tendenz solide und zahlenmäßig auf beiden Seiten unscharf, was für Voice normal ist und ruhig offen gesagt werden sollte.
Ein Punkt verdient eine eigene Zeile. Die Foundry Limited-Access-Preview stellt Kunden erst ab Beginn der öffentlichen Vorschau in Rechnung. Ein im November verfasster Kostenvergleich ist daher ein Vergleich dessen, was Sie später zahlen würden, mit einer Vorschau, die Sie jetzt kostenlos nutzen können. Die vernünftige Vorgehensweise ist messen, nicht verhandeln.
Wo ElevenLabs beim Preis überhaupt nicht verliert
Zwei Dinge, die die achtfache Figur verbirgt.
Der erste Punkt ist, dass ElevenLabs keinen Minutenzähler verkauft. ElevenAgents berechnet pro Minute zuzüglich LLM-Token-Kosten, mit einer In-App-Schätzung pro Minute, und die Realtime API berechnet pro Minute verbundenen Audios zuzüglich Tokens zu denselben Token-Preisen in jedem Tarif. Ein Team, das bereits in ElevenAgents arbeitet, vergleicht nicht 0,01 $ mit 0,08 $ – es vergleicht eine marginale Änderung mit einer Plattform, die es bereits integriert hat, mit Bereitstellung für Telefon, Web-Widget, WhatsApp und Contact Center sowie SOC 2, HIPAA, GDPR, EU-Datenresidenz und Zero-Retention-Optionen.
Das Zweite ist, dass die Compliance-Liste ein Produktmerkmal mit einem eigenen Preis ist. Für einen klinischen oder finanziellen Voice-Agent sind EU-Datenresidenz und Zero Retention keine Nice-to-haves, die ein günstigeres Modell ersetzen kann. Microsofts Ankündigung sagt nichts über Datenresidenz, Aufbewahrung oder Zertifizierung für MAI Realtime 1 aus — und das Modell befindet sich in einer eingeschränkten Vorschau, genau der Phase, in der diese Bedingungen üblicherweise noch nicht festgelegt sind.
Die Trennlinie verläuft also nicht zwischen „billig versus teuer“. Sie verläuft zwischen „billig und ungemessen, während die Enterprise-Konditionen noch nicht schriftlich fixiert sind“ und „zum vierfachen Preis, mit erledigtem Papierkram und einem Agentic-Score von 47,6 %, bei dem Sie entscheiden können, ob er ausreicht oder nicht“.

Beide laufen lassen, ohne sich schon zu entscheiden
Beide Modelle sprechen die OpenAI Realtime API, und das ist der vielleicht nützlichste Fakt in diesem Vergleich. Ein Voice-Stack, der gegen diese Schnittstelle geschrieben wurde, kann auf jedes der beiden zeigen, wodurch die Entscheidung zu einer Konfigurationsfrage statt zu einer Neuimplementierung wird. Das ist auch der Grund, beide während der Evaluierung erreichbar zu halten, statt zuerst auszuwählen und dann zu testen.
Dies ist der Fall, für den OrcaRouter gebaut ist, und es lohnt sich, genau zu sein, welche Hälfte zutrifft. MAI Realtime 1 ist nicht in unserem Katalog – es ist über Microsofts MAI-Labs-Demo und die Foundry-Vorschau mit eingeschränktem Zugriff erreichbar, Punkt. Was wir routen, ist die Ebene dahinter: die Reasoning-Modelle, in die ein Voice-Agent eskaliert, zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preisänderung auf dieser Stufe Ihre Rechnung am Tag des Eintretens erreicht und nicht erst bei der Verlängerung. Automatisches Failover ist bei Voice wichtiger als überall sonst, denn ein stockender Turn bedeutet, dass ein Mensch Stille hört; eine Anfrage, die in wenigen hundert Millisekunden zu einem zweiten Anbieter wechselt, ist unhörbar, und eine, die vier Sekunden lang wiederholt wird, ist das, worüber sich Kunden beschweren. Wenn die Vorschau endet und MAI Realtime 1 allgemein verfügbar wird, wird es von demselben Schlüssel und denselben Routing-Regeln getragen – vorausgesetzt, es landet im Katalog, was heute nicht der Fall ist.

Wer sollte diese Woche was tun?
Wenn Ihr Voice-Agent eine Support- oder Terminplanungsoberfläche ist, bei der die meisten Turns kurz sind und die schwierigen Fälle Lookups sind, sind die wirtschaftlichen Vorteile von MAI Realtime 1 nicht annähernd vergleichbar, und die Preview ist kostenlos – bauen Sie jetzt die Evaluierung auf, messen Sie die Eskalationsrate selbst und behandeln Sie Microsofts nicht veröffentlichte Tail-Latency als das, was Ihre eigene Messung ersetzt.
Wenn der Wert Ihres Agenten in der mehrstufigen Arbeit liegt – Buchungen über drei Systeme hinweg, Identitätsprüfung, Klärung einer Ausnahme –, dann ist der Agentic-Score von 47,6 % bei Eleven Realtime Max ein Benchmark, den Sie lesen können, während der von MAI Realtime 1 ein leeres Blatt ist. Allein nach dem Preis zu kaufen bedeutet hier, ein ungemessenes Modell für den schwierigsten Teil der Aufgabe zu kaufen.
Und wenn Compliance über Ihren Anbieter entscheidet, bevor es die Performance tut, ändert nichts in Microsofts Ankündigung in diesem Monat Ihre Antwort. Eine eingeschränkte Vorschau ist kein Ort, um geschützte Daten zu betreiben, und die Bedingungen, die Ihnen das erlauben würden, sind nicht veröffentlicht.
Die achtfache Lücke ist real und wahrscheinlich von Dauer. Sie ist hier zugleich die uninteressanteste Zahl, denn die Frage, die dieses Duell entscheidet, ist, ob ein Cent-pro-Minute-Modell eine Aufgabe abschließen kann — und die einzige Partei, die uns das nicht gesagt hat, ist die, die es verkauft.
