Eleven Realtime v1 Max vs Gemini 3.8 Live: más rápido, más preciso en razonamiento y 5,7× el precio

Eleven Realtime v1 Max empieza a hablar en 0,57 segundos y acierta el 98,8% de Big Bench Audio. G​emini 3.8 Live empieza a hablar en 1,18 segundos y acierta el 92%. En los dos ejes que la gente cita cuando debate sobre modelos de voz, E​levenLabs gana en ambos —y luego pierde en casi todos los ejes que le importan a un equipo financiero, empezando por aquel en el que la misma tabla de referencia sitúa a G​emini en 0,84 $ por hora de audio y a Eleven Realtime Max en 4,80 $. Los incidentes documentados de IA y los fallos de agentes detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Los dos modelos también discrepan sobre qué es un agente de voz. G​emini 3.8 Live es una pieza de una plataforma: tiene una puntuación de índice, una tabla de tarifas documentada, 97 idiomas, marca de agua SynthID en cada segundo generado y dos variantes —estándar y Extended Thinking— que separan el razonamiento de la conversación. Eleven Realtime v1 Max es un único modelo comercializado con la promesa de que el reconocimiento, la toma de turnos, el pensamiento y la voz se ajustaron conjuntamente, y no tiene ningún Speech to Speech Index porque el benchmark agéntico que sustenta ese índice no se ha ejecutado en él.

Esa última frase es todo el argumento comprimido. Uno de estos modelos tiene una tarjeta de resultados pública completa; el otro tiene los mejores números en las dos filas de las que dispone, y un espacio en blanco donde debería ir la fila más difícil.

Lo que realmente dice el marcador

Todas las cifras que aparecen a continuación provienen de la clasificación Speech to Speech de Artificial Analysis, que prueba ambos modelos con el mismo arnés de pruebas en lugar de limitarse a reproducir las páginas de los proveedores. Cuando una cifra del proveedor difiere, se señala.

• Razonamiento del habla (Big Bench Audio) — Eleven Realtime v1 Max 98.8% vs Gemini 3.8 Live 92%

• Tiempo hasta el primer audio — Max 0.57 s frente a G​emini 1.18 s

• Tasa de éxito de tareas — Max 87,1 % frente a G​emini 93,2 %

• Rendimiento agéntico (τ-Voice) — Max no medido frente a G​emini 30,1%

• Dinámica conversacional (Full-Duplex-Bench) — Max 94,1 % frente a Gemini 96,1 %

• Preferencia en Arena (Elo) — Max 997 vs G​emini 1,078

• Índice de voz a voz — Max sin puntuación frente a G​emini 76.0

• Costo por hora de audio de entrada — Max $4.80 vs G​emini $0.84

El patrón no es «ElevenLabs es mejor en audio, Google es mejor en todo lo demás». Es más acotado y más interesante que eso. Max gana las dos mediciones tomadas sobre un conjunto fijo de preguntas de audio —responder correctamente, responder rápido— y pierde las tres que implican a un humano en el bucle o una llamada a herramienta para completarse. La preferencia de Arena se basa en personas que escuchan y eligen. El éxito de la tarea consiste en si se llamó a la función correcta. La dinámica conversacional consiste en si la toma de turnos se sintió adecuada. Esas son las métricas de producción, y Gemini se lleva las tres.

La fila τ-Voice merece una advertencia antes de que alguien la cite. El 30,1 % de G​emini 3.8 Live es una puntuación agéntica realmente mala: su propio hermano Extended Thinking obtiene el 68,6 % en la misma prueba, y G​PT-Live-1 (Astra, medium) obtiene el 74,5 %. Si tu agente tiene que cambiar una reserva dentro de una política, el 3.8 Live sin más no es el modelo que quieres. Pero el espacio en blanco de Max no es un cero y no debe interpretarse como tal. Significa que la prueba no se ha ejecutado.

De dónde viene la diferencia de precio y por qué puede que no importe tanto como parece

G​emini 3.8 Live cobra $0.005 por minuto de audio de entrada y $0.018 por minuto de salida, con texto a $0.75 y $4.50 por millón de tokens y entrada de imagen o vídeo a $1.00 por millón. Eleven Realtime no publica ninguna tarifa por modelo: en ElevenAgents pagas el cargo estándar por minuto del agente más los tokens a la tarifa del modelo Realtime, y a través de la API Realtime pagas por minuto de audio conectado más tokens, con los mismos precios de tokens en todos los planes. Artificial Analysis convierte ambos en coste por hora sobre un conjunto fijo de preguntas, que es la única forma de compararlos con honestidad, y llega a $0.84 frente a $4.80.

De esto se siguen dos cosas. Primera: si tu volumen se mide en miles de minutos al día, la diferencia es la que decide — 5,7× no es un error de redondeo, y E​levenLabs no tiene ninguna palanca publicada para cerrarla salvo la Mini más barata. Segunda: la comparación no es estática como lo es un precio de lista. G​oogle ya ha bajado antes las tarifas de audio de G​emini, y una rebaja llega a nuestro lado el mismo día en que un proveedor traslada el precio de lista, porque OrcaRouter no aplica ningún margen. Lo mismo vale a la inversa: si E​levenLabs publica una tarifa de Realtime, el número cambia sin que nadie tenga que reescribir una integración.

Dos apuestas distintas sobre la toma de turnos

Las arquitecturas no son equivalentes, y la diferencia explica la divergencia entre las métricas mejor que cualquier afirmación sobre la calidad.

Gemini 3.8 Live es una de las versiones de una familia que Google lleva dos años lanzando.

Procesa entrada visual casi en tiempo real, cambia de idioma a mitad de conversación entre 97 idiomas y ejecuta llamadas a herramientas y API en segundo plano para que el agente pueda acusar recibo de una solicitud y seguir hablando mientras termina la consulta. Su modelo hermano, Gemini 3.8 Live Extended Thinking, razona y habla al mismo tiempo, narrando el progreso. Ambos llevan marcas de agua SynthID y comparten una ficha del modelo publicada como gemini-3-8-audio, y ambos tienen ID de API documentados: gemini-3.8-live y gemini-3.8-live-extended-thinking.

Eleven Realtime fusiona el stack en lugar de coordinarlo.

El reconocimiento, la alternancia de turnos, el paso de razonamiento y la generación de voz forman un único sistema ajustado, y por eso puede responder en 0,57 segundos sin que un detector de actividad de voz independiente decida cuándo ha terminado quien llama. El propio ejemplo de ElevenLabs sobre las ventajas es el backchannel: se documenta que Mini detecta si un hablante ha terminado o simplemente está intercalando un «mm-hmm». Ese es el comportamiento que hace que un agente de voz deje de sentirse como un walkie-talkie, y es justo el tipo de cosa con la que una canalización en cascada tiene dificultades, porque al VAD hay que decirle qué es una interrupción.

El coste del diseño fusionado es el control. En ElevenAgents, elegir un modelo Realtime significa que E​levenLabs gestiona el LLM, el esfuerzo de razonamiento, el presupuesto de pensamiento, las llamadas a herramientas en paralelo, el tiempo de espera en cascada, el modelo T​TS, el modo expresivo y el proveedor de ASR. No puedes aportar un LLM personalizado, no puedes usar Amazon Bedrock y un nodo de flujo de trabajo no puede anular ninguna de esas configuraciones. G​emini te da el modelo y te permite mantener el pipeline.

La pregunta sobre la integración que nadie pone en la tabla comparativa

G​emini 3.8 Live es un modelo de la API de G​emini. Eleven Realtime se vende de dos formas: dentro de ElevenAgents y mediante una API Realtime que es compatible a nivel de conexión con el protocolo de eventos de O​penAI, en wss://api.elevenlabs.io/v1/convai/realtime. Si tienes un cliente de O​penAI Realtime, cambiar el endpoint y el nombre del modelo es la mayor parte de la migración; la documentación incluye una skill de un solo comando para ello.

Lo que sacrificas por esa compatibilidad es la plataforma. La Realtime API y ElevenAgents son productos separados con protocolos de conexión distintos, y la API no incluye canales telefónicos ni de WhatsApp, bases de conocimiento, guardrails, pruebas guionizadas ni monitoreo de conversaciones. ElevenLabs también aclara explícitamente que la Realtime API no tiene WebRTC en su lanzamiento —solo WebSocket.

Esa asimetría es donde encaja una capa de enrutamiento, y encaja mejor del lado de G​emini que del lado de E​levenLabs. OrcaRouter no aloja eleven_realtime_v1_max; no existe un endpoint de terceros para él, y no vamos a fingir lo contrario. Lo que OrcaRouter sí aloja es el resto de un stack con forma de G​emini: google/gemini-3.8-flash y los demás modelos de G​emini detrás de una sola clave, 209 modelos de 16 proveedores en total, a precio de lista del proveedor sin margen, con conmutación por error automática cuando un proveedor falla. Si construyes la capa de voz sobre G​emini, la recuperación y el análisis posterior a la llamada a su alrededor se pueden intercambiar y someter a pruebas A/B con tu propio tráfico en lugar de comprometerte con ellos a partir de una tabla de clasificación.

¿Cuál elegir?

Elige G​emini 3.8 Live si el agente tiene que completar una transacción, si necesitas un precio inferior a un dólar por hora, si necesitas entrada visual o si necesitas 97 idiomas en una sola línea. Tiene la tabla de resultados pública completa, la lista de precios documentada y el minuto más económico. Su debilidad como agente es real pero medible, y su modelo hermano Extended Thinking es la solución si la finalización de tareas es el cuello de botella.

Elige Eleven Realtime v1 Max si la conversación en sí es el producto —un tutor, un personaje, una línea de soporte en la que la queja es que te corten— y si tu carga de trabajo es audio con mucho razonamiento en lugar de llamadas largas y conectadas. Estás comprando el razonador potente más rápido del mercado y la alternancia de turnos mejor medida, a un sobreprecio que deberías modelar antes de comprometerte.

No te bases solo en la puntuación del índice. Max no tiene una, y eso no es una crítica a la calidad de Max; es una afirmación sobre cuánto del comportamiento de Max sigue sin medirse. El único número que cambiaría esta comparación es una ejecución de τ-Voice sobre Max. Si queda por encima del 68.6% de G​emini —la variante Extended Thinking, no la estándar—, lo premium de E​levenLabs empieza a parecer una póliza de seguro en lugar de un impuesto. Hasta que llegue, el modelo más rápido es el que más tiene que demostrar.