Eleven Realtime v1 Max vs GPT-Live-1: la brecha en los benchmarks juega en contra de ElevenLabs

El comunicado de prensa de Eleven Realtime v1 Max abre con un 98,8 % en Big Bench Audio y una respuesta de 0,57 segundos. Ambas cifras son ciertas, ambas son las mejores de su clase y ambas no vienen al caso cuando la comparación es con GPT-Live-1 — porque el benchmark que determina el éxito de los agentes de voz en producción no es el razonamiento del habla, y en ese aspecto el modelo de OpenAI gana por un margen lo bastante amplio como para eclipsar la ventaja inicial de 0,7 segundos que comercializa ElevenLabs.Los incidentes de IA documentados y los fallos de agentes detrás de los modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Ejecuta el mismo arnés de Artificial Analysis en ambos y la división es clara. Eleven Realtime v1 Max lidera en razonamiento del habla, 98,8% frente a 89%, y en velocidad, 0,57 segundos frente a 1,24. GPT-Live-1 lidera en finalización de tareas agénticas, 59,3% frente a sin medir, en dinámica conversacional, 97,3% frente a 94,1%, en preferencia en arena, 1.047 Elo frente a 997, en éxito en tareas, 90,9% frente a 87,1%, y en índice compuesto, 80,1 frente a nada en absoluto.

Esa última cifra no es retórica. Eleven Realtime v1 Max no tiene puntuación en el Speech to Speech Index, porque el índice exige los cuatro componentes y la ejecución agéntica de τ-Voice aún no se ha publicado para él. G​PT-Live-1 tiene un índice. Es el más alto de la clasificación.

El marcador completo, lado a lado

Todas las filas son mediciones de Artificial Analysis en su propio entorno de pruebas, salvo que se indique lo contrario. Las cifras de Eleven Realtime provienen del anuncio del 20 de octubre de 2026; la disponibilidad de la API de G​PT-Live-1 data del 10 de septiembre de 2026, y el modelo en sí se lanzó en ChatGPT el 8 de julio.

• Índice de voz a voz — Eleven Realtime v1 Max sin puntuar frente a GPT-Live-1 (Sol, bajo) 80.1

• Razonamiento del habla (Big Bench Audio) — Max 98.8% frente a G​PT-Live-1 89%

• Rendimiento agéntico (τ-Voice) — Max no medido vs G​PT-Live-1 59.3%

• Dinámica conversacional — Max 94,1 % frente a G​PT-Live-1 97,3 %

• Tasa de éxito de la tarea — Max 87,1 % vs GPT-Live-1 90,9 %

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

• Tiempo hasta el primer audio: máx. 0,57 s frente a G​PT-Live-1 1,24 s

• Costo por hora de audio de entrada — Max $4.80 vs G​PT-Live-1 $4.47

• Transporte — Max WebSocket solo en el lanzamiento frente a GPT-Live-1 WebRTC solo

Una fila está más cerca de lo que sugiere el titular: el costo. $4.80 frente a $4.47 por hora de audio sitúa a estos dos modelos en la misma banda de precios, que es lo opuesto a la historia que se obtiene al comparar Eleven Realtime con los $0.84 de Gemini 3.8 Live. En la comparación con OpenAI, la prima de ElevenLabs es del 7%.

Por qué la puntuación de razonamiento apunta en la dirección equivocada

Big Bench Audio es un conjunto de 1.000 preguntas de audio adaptadas de Big Bench Hard en cuatro categorías: falacias formales, navegación, conteo de objetos y un conjunto de problemas verbales booleanos. El modelo escucha una pregunta y responde en voz alta, y la respuesta se califica como correcta o incorrecta. Mide qué tan bien razona un modelo sobre contenido de audio, lo cual no es lo mismo que qué tan bien mantiene una conversación o completa una tarea.

El 98,8 % de Max lo sitúa en tercer lugar de esa tabla, por detrás de StepAudio 3 Realtime (100 %) y Q​wen Audio 3.0 Realtime Plus (99,2 %), y por delante de Qwen3.5 Omni Plus Realtime (98,7 %) y G​rok Voice 3.0 (98,5 %). El 89 % de G​PT-Live-1 ocupa el duodécimo puesto. Si la tarea de tu agente consiste en escuchar una descripción hablada extensa y responder a una pregunta sobre ella, esa diferencia de nueve puntos es significativa y E​levenLabs es la mejor compra.

Pero ElevenLabs no vende Max para eso. Su propia página posiciona a Max para «tareas complejas» con «uso de herramientas de varios pasos» —atención al cliente, cualificación de leads, programación asistida—. Ese es territorio de τ-Voice, y τ-Voice es donde Max no tiene ninguna cifra y GPT-Live-1 tiene 59,3%.

El dato de OpenAI también necesita su propia salvedad, y la propia documentación de OpenAI la proporciona: la evidencia de despliegue publicada es escasa. El benchmark de soporte de voz para banca que OpenAI reportó en el lanzamiento de la API situó la tasa de aprobación de GPT-Live-1 en el 32%, frente al 12,4% de GPT-Realtime-2.1. Una tasa de aprobación del 32% es una mejora considerable y aun así significa que el sistema falla en dos tercios de un flujo de trabajo regulado. La cifra τ-Voice de Artificial Analysis es la más útil porque se ejecuta en un marco de prueba común, pero es una puntuación de mitad de tabla, no una coronación.

Donde la ventaja de G​PT-Live-1 es estructural, no marginal

El desfase de 3,2 puntos en dinámica conversacional y el desfase de 50 puntos en el Elo de arena provienen de una decisión arquitectónica que ElevenLabs no tomó. GPT-Live-1 es dúplex completo en sentido estricto: escucha y habla en la misma línea temporal, y cuando quien llama pregunta algo que requiere trabajo real, pasa la tarea a través de un límite asíncrono a un modelo de backend separado que sigue pensando mientras la conversación hablada continúa. La capa de voz es una interfaz. El razonamiento ocurre en otro lugar y se reincorpora cuando está listo.

Ese diseño es la razón por la que G​PT-Live-1 puede ejecutar llamadas a herramientas sin que la línea se quede en silencio, y también es la razón por la que su puntuación de razonamiento es más baja: el modelo que responde a la pregunta de Big Bench no es el que hace el razonamiento profundo en una sesión real. Eleven Realtime Max apuesta por lo contrario. Una sola red realiza el reconocimiento, la gestión de turnos, el razonamiento y la voz, lo que permite ganar 0,57 segundos —no hay transferencia que esperar— y lo que limita cuánto razonamiento puede ocurrir antes de que la persona que llama note la pausa.

Qué apuesta es la correcta depende de si tu presupuesto de latencia o tu presupuesto de finalización de tareas es más ajustado. Para un agente de programación que tiene que consultar un calendario, confirmar un horario y escribir un registro, el modelo con traspaso gana en finalización. Para un tutor que responde una pregunta hablada de un solo aliento, el modelo unificado gana en sensación.

Los detalles de facturación y transporte que determinan la integración

GPT-Live-1 factura una tarifa plana de $0,05 por minuto de voz, cobrado por segundo, con la inicialización de la sesión facturando 15 segundos por adelantado y abonándolos a la duración posterior. El modelo de razonamiento del backend se factura por separado a sus propias tarifas normales, así que una capa de voz barata aún puede producir una llamada cara. OrcaRouter no puede enrutar la capa de voz —el endpoint Live Sessions en v1/live/sessions pertenece únicamente a OpenAI—, pero la mitad del backend es solo otra llamada al modelo, y en OrcaRouter eso es 209 modelos de 16 proveedores con una sola clave al precio de lista del proveedor y sin recargo, con conmutación por error si el backend que eliges da error a mitad de la llamada.

Eleven Realtime factura a la inversa: la tarifa estándar de ElevenAgents por minuto más los tokens de entrada, entrada en caché y salida a la tarifa del modelo Realtime, con Max costando más por token que Mini. La tarifa por minuto de ninguno de los dos modelos está publicada en la página de precios de E​levenLabs; el panel muestra una estimación, y los $4.80 de Artificial Analysis son una cifra normalizada en lugar de un precio de lista.

El transporte es la asimetría más acusada. La API de Eleven Realtime es compatible con OpenAI-Realtime sobre WebSocket: el propio ejemplo de la documentación importa OpenAIRealtimeWebSocket desde @openai/agents-realtime y lo apunta a wss://api.elevenlabs.io/v1/convai/realtime. GPT-Live-1 solo funciona con WebRTC, y al sondear la ruta Realtime anterior con un ID de modelo GPT-Live se devuelve un error que indica que las sesiones requieren WebRTC. Así que la compatibilidad funciona en un solo sentido: un cliente de OpenAI Realtime puede pasarse a ElevenLabs con un cambio de endpoint, pero un cliente de OpenAI Realtime no puede pasarse a GPT-Live-1 sin reescribir el transporte. Los equipos que migran a GPT-Live-1 están escribiendo un handshake de RTCPeerConnection, un canal de datos oai-events y un intercambio de ofertas del lado del servidor; los equipos que migran a Eleven Realtime están editando dos cadenas.

Las salvedades del despliegue en el lado de E​levenLabs

La documentación de ElevenLabs añade restricciones que ninguna cobertura del lanzamiento menciona:

Disponibilidad — Los modelos Realtime se están "implementando gradualmente"; un espacio de trabajo sin el ajuste de modo de voz recibe de la API el mensaje "Los modelos Realtime no están disponibles para este espacio de trabajo"

• Residencia de datos — Max está disponible en EE. UU. y la UE, pero no en India ni Singapur, donde solo se ofrece Mini

• Cumplimiento — Modo de retención cero y compatibilidad con HIPAA: Max en EE. UU. y la UE; Mini no admite ninguno de los dos

• Configuración administrada: el LLM, el esfuerzo de razonamiento, el presupuesto de pensamiento, las llamadas paralelas a herramientas, el modelo TTS, el modo expresivo y el proveedor de ASR están controlados por ElevenLabs mientras haya un modelo Realtime configurado, y los nodos del flujo de trabajo no pueden anularlos.

• LLMs personalizados — El modo en tiempo real no está disponible mientras un agente usa un LLM personalizado o Amazon Bedrock

Las propias restricciones de G​PT-Live-1 son más estrictas en un aspecto y más laxas en otro: no tiene Chat Completions, ni Responses, ni capa de compatibilidad con Realtime, ni ajuste fino, ni entrada de imágenes o vídeo, pero sus límites de nivel se expresan en sesiones concurrentes —25 en el Nivel 1, aumentando a 500 en el Nivel 5— en lugar de solicitudes por minuto.

¿Quién debería elegir cuál?

Elige GPT-Live-1 cuando el agente tenga que completar trabajo: reservas, cambios, reembolsos, cualquier cosa que termine en una escritura en la base de datos. Tiene la mayor tasa de éxito en las tareas, la mayor preferencia en la arena, el mayor índice compuesto y el menor coste por hora, y es el único de los dos con una puntuación agéntica publicada. Presupuesta la reescritura de WebRTC y la factura aparte del modelo de backend.

Elige Eleven Realtime v1 Max cuando la conversación es el producto y el razonamiento es superficial: un tutor, un personaje, una línea de soporte en la que se habla por encima de la queja. Obtienes el razonador potente más rápido del mercado, la migración más sencilla desde una integración existente de OpenAI Realtime y un sobreprecio del 7 % frente a GPT-Live-1 en lugar del sobreprecio de 5,7× frente a Gemini. Aceptas que su comportamiento agéntico no está medido y que el lanzamiento aún es parcial.

El resultado que daría un vuelco a este artículo es una puntuación τ-Voice de Max. E​levenLabs pide que se confíe en ella como modelo capaz de completar tareas basándose en un benchmark de razonamiento; el benchmark de tareas existe, se ha ejecutado con otros diez modelos de voz y no se ha ejecutado con este. Eso es una laguna en la evidencia, no en el modelo, pero es la laguna que determina cuál de estos dos deberías poner delante de un cliente que paga.