Eleven Realtime v1 Max vs. SeedRealtime: uno tiene un precio y seis benchmarks, el otro tiene una demo

Eleven Realtime v1 Max es un modelo voz a voz invocable con un endpoint documentado, seis resultados de benchmark publicados y un coste normalizado de 4,80 dólares por hora de audio. SeedRealtime es el modelo audiovisual dúplex completo de B​yteDance Seed, anunciado el 5 de agosto de 2026, y no tiene API, ni pesos, ni informe técnico, ni número de parámetros ni precio. La comparación parece decidida antes de empezar —y entonces te das cuenta de que al modelo de ElevenLabs también le falta un benchmark, y de que el que falta es el mismo tipo de evidencia que B​yteDance nunca publicó.Los incidentes de IA documentados y los fallos de agentes que hay 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.

Esa es la verdadera naturaleza de esta comparativa. Ambos modelos se venden con la afirmación de que la toma de turnos debería residir dentro del modelo, y no en un detector de actividad de voz añadido por fuera. Ambos te piden que confíes en un comportamiento que solo puedes juzgar hablando con ellos. ElevenLabs respondió a eso con un arnés de evaluación de terceros y una cifra de coste por hora. ByteDance respondió con un único estudio interno de preferencias. Uno de esos es utilizable; ninguno está completo.

Lo que cada uno afirma en realidad

Eleven Realtime v1 Max fusiona cuatro etapas en una sola red: reconocimiento, toma de turnos, razonamiento y generación de voz. La propuesta de E​levenLabs es que ajustarlas conjuntamente elimina las costuras que deja una cascada: el medio segundo muerto tras la pausa de quien llama, el agente que habla por encima de una interrupción, la brecha entre lo que se oyó y lo que se responde. Max añade el paso de razonamiento a ese diseño y está orientado a tareas complejas y llamadas a herramientas de varios pasos; su hermano, Eleven Realtime v1 Mini, es la variante conversacional barata, y es la que recibe por defecto todo agente nuevo de ElevenAgents.

SeedRealtime va más lejos en modalidad y menos lejos en todo lo demás. El modelo de B​yteDance unifica audio, vídeo y texto en una única arquitectura de extremo a extremo, lo que significa que puede ver, escuchar y hablar a la vez en lugar de encadenar un modelo de visión con un modelo ASR, con un modelo de lenguaje y con una voz. Los comportamientos que demuestra son los que un sistema de dos modalidades no puede producir: vincular una voz a una cara en una conversación grupal ruidosa para que el modelo siga quién dijo qué, tomar la palabra sin que se le pida cuando un objeto objetivo entra en el encuadre, y escenarios de guía de museo y reparación de dispositivos en los que el modelo necesita ver lo que estás mirando.

Audio más vídeo es un problema más difícil que audio más texto, y SeedRealtime está intentando el más difícil. Vale la pena decirlo claramente antes de que el resto de este artículo explique por qué todavía no puedes usarlo.

La evidencia, sopesada con honestidad

Artificial Analysis realiza tanto una prueba de razonamiento del habla como una prueba de dinámica conversacional en los modelos de esta categoría. Las ha realizado en Eleven Realtime v1 Max. No las ha realizado en SeedRealtime, y no puede: no hay ningún endpoint al que llamar.

• Razonamiento del habla (Big Bench Audio) — Eleven Realtime v1 Max 98,8% frente a SeedRealtime no publicado

• Dinámicas conversacionales (Full-Duplex-Bench) — Máx. 94,1 % frente a SeedRealtime (no publicado)

• Tasa de éxito de las tareas — Max 87,1 % frente a SeedRealtime no publicado

• Preferencia de Arena (Elo) — Máx. 997 vs. SeedRealtime no publicado

• Rendimiento agéntico (τ-Voice) — Max no medido vs. SeedRealtime no publicado

• Tiempo hasta el primer audio — Máx. 0,57 s frente a SeedRealtime, sin cifra de latencia en milisegundos

• Coste por hora de audio de entrada — Max 4,80 $ frente a SeedRealtime, sin oferta comercial

• Modalidades de entrada — Max: audio y texto vs. SeedRealtime: audio, video y texto

La única fila en la que SeedRealtime lidera es la que nadie puede comprar. El único dato público que ByteDance ha ofrecido es una evaluación humana de extremo a extremo que afirma que SeedRealtime reduce a la mitad los problemas de ritmo conversacional de los sistemas en cascada de ASR más visión más TTS: menos cortes, menos activaciones falsas, respuestas más lentas y más naturales. Sin tamaño de muestra, sin metodología, sin número de anotadores, sin latencia en milisegundos. Un informe secundario cita una mejora de fluidez del 12 % con respecto a los modelos anteriores del equipo. Esa es toda la base de evidencia.

Ahora, la parte honesta del otro lado. La fila τ-Voice de Max está en blanco, lo cual importa porque Max es el modelo que ElevenLabs vende para completar tareas. Su puntuación de razonamiento del 98,8 % se mide con 1.000 preguntas de audio, no con una llamada de atención al cliente con herramientas y un documento de políticas. Así que ElevenLabs tiene seis números y un hueco donde ByteDance tiene un número y ningún endpoint —distintos modos de fallo, la misma situación de fondo: aquello por lo que se comercializa cada modelo no es aquello sobre lo que se ha medido cada modelo.

Por qué la arquitectura importa más que el enfrentamiento

Hace un año, los agentes de voz eran un pipeline con un orquestador por encima. Alguien tenía que decidir cuándo el usuario había dejado de hablar, enviar la transcripción a un modelo de lenguaje, esperar los tokens y luego pasar el texto a un sintetizador que tenía que sonar como si hubiera formado parte de la conversación. Cada etapa añadía latencia y cada traspaso añadía una costura.

Ambos modelos son apuestas a que la costura es el problema. La respuesta de Eleven Realtime es fusionar las etapas del lado del audio —escuchar, tomar turnos, pensar, hablar— en una sola red y mantener el modelo solo de audio. La respuesta de SeedRealtime es fusionarlas y añadir visión, para que el modelo pueda resolver «este» a partir de un gesto de señalar, o darse cuenta de que la persona con la que está hablando se ha alejado.

El intercambio se aprecia en las especificaciones. Eleven Realtime Max responde en 0,57 segundos y obtiene un 98,8 % en una prueba de razonamiento con entrada solo de audio. La afirmación de SeedRealtime es una entrada más amplia y, por implicación, más contexto por turno; su costo es que el full-duplex visual es caro de servir, lo que es una razón plausible para que una aplicación de consumo sea el único lugar donde se distribuye. Ninguna de las dos empresas ha publicado una cifra de latencia que haga cuantitativa la comparación, y solo una de ellas ha publicado algo que pueda ser verificado por un tercero.

El endpoint de B​yteDance que existe pero que no es este modelo

Este es el error que vale la pena evitar, porque es fácil de cometer y caro de descubrir. Volcano Engine, el brazo en la nube de ByteDance, documenta un producto de voz en tiempo real independiente —el modelo de voz en tiempo real Doubao 3.0—, accesible a través de un endpoint WebSocket con una clave de API de la consola, PCM de 16 kHz u Opus de entrada y audio de 24 kHz de salida, mediante un protocolo de eventos en tiempo real.

Esa es una API para desarrolladores de la misma empresa en la misma área de producto, y no es SeedRealtime. Es solo de audio: sin vídeo, sin vinculación facial, sin fundamentación visual. Es un modelo distinto con su propio historial de lanzamientos. Los equipos que busquen la API de voz en tiempo real de ByteDance encontrarán esa documentación, se integrarán con ella y creerán que están usando el modelo del que trata la cobertura. Volcano Engine no ha publicado ninguna fecha para un endpoint del modelo audiovisual. Cualquier listado que te ofrezca acceso a SeedRealtime te está ofreciendo otra cosa.

Qué significa esto si tienes un producto que enviar

No hay ninguna decisión que tomar entre estos dos para el trabajo de producción de este trimestre. Eleven Realtime v1 Max se puede llamar ahora, mediante ElevenAgents o una API Realtime compatible con OpenAI en wss://api.elevenlabs.io/v1/convai/realtime, y SeedRealtime es un hito de investigación dentro de una aplicación móvil en China.

La decisión que sí existe es cómo construir en torno a eso. La Realtime API de ElevenLabs solo es compatible con WebSocket en su lanzamiento —no con WebRTC— y es un producto separado de ElevenAgents, por lo que teléfono, WhatsApp, bases de conocimiento, guardrails y monitorización solo vienen con la parte de la plataforma. Max tampoco se ofrece en los entornos de residencia de datos de India y Singapur, y requiere un límite de tokens de al menos 1.024; Mini, curiosamente, es compatible con India y Singapur, pero no con Zero Retention Mode ni HIPAA, lo que Max sí admite en EE. UU. y la UE.

El lugar de OrcaRouter no es la capa de voz. No alojamos eleven_realtime_v1_max y no existe un endpoint de terceros para él. Lo que alojamos es todo lo que un agente de este tipo invoca alrededor del modelo: 209 modelos de 16 proveedores upstream con una sola clave, al precio de lista del proveedor y sin margen, con conmutación por error automática cuando un proveedor falla o se agota el tiempo de espera. La mitad costosa y variable de un agente de voz es la recuperación y el razonamiento que delega; esa mitad es intercambiable sin tocar el bucle de audio, y es donde una semana de ajuste se amortiza.

¿Qué cambiaría esto?

Una API para SeedRealtime convertiría esto en una comparación real, y no solo por el vídeo. Un endpoint invocable permitiría a Artificial Analysis poner el modelo en el mismo arnés de cuatro partes que todos los demás, que es la única vía para obtener una cifra que signifique algo entre proveedores. Un informe técnico haría la mayor parte del mismo trabajo.

Del lado de E​levenLabs, la pieza que falta es una ejecución de τ-Voice en Max. Cuando eso llegue, el sector por fin dispondrá de una cifra agéntica comparable en igualdad de condiciones para el modelo que E​levenLabs promociona como el orientado a tareas. Hasta entonces, el resumen es poco glamuroso: a uno de estos modelos se le puede invocar, medir, poner precio y desplegar; al otro solo se le puede observar, y la distancia entre esas dos posiciones es mayor que la distancia entre sus arquitecturas.