
MAI Realtime 1 vs Eleven Realtime Max: una diferencia de precio de ocho veces, y el único número que lo decide
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 920 tok/s
Las tarifas publicadas hacen que esto parezca resuelto. MAI Realtime 1 cuesta $0.01 por minuto de audio. Eleven Realtime Max —el modelo de voz a voz más avanzado de ElevenLabs, listado como Realtime v1 Max— cuesta aproximadamente $4.80 por hora según la normalización independiente de Artificial Analysis, lo que equivale a $0.08 por minuto. Ocho a uno, antes de contar cualquier otra cosa. Esa comparación también es engañosa de una forma específica y aritmética, y la aritmética es todo el artículo: MAI Realtime 1 cobra un segundo modelo de razonamiento con precio por token además de su tarifa por minuto, y nadie fuera de Microsoft ha publicado con qué frecuencia se ejecuta ese segundo medidor.
Así que la pregunta útil no es qué titular es más pequeño. Es a cuál de estos dos le puedes calcular el costo antes de firmar y cuál tienes que medir primero. Esas respuestas apuntan en direcciones opuestas, y por eso esto es una decisión real y no una formalidad.

Qué es cada uno, en una línea
• MAI Realtime 1 — el primer modelo de voz a voz de Microsoft, anunciado el 17 de noviembre de 2026 en Ignite. Dos niveles: una vía conversacional rápida a un centavo por minuto, y un motor de razonamiento a $1.00 por millón de tokens de entrada y $5.00 por millón de tokens de salida al que se derivan los turnos más difíciles. Vista previa de acceso limitado a través de Foundry; demo en MAI Labs. Habla la API Realtime de OpenAI.
• Eleven Realtime Max — el modelo de voz a voz de ElevenLabs para agentes de voz que realizan tareas más complejas que la charla informal. Un único sistema ajustado que abarca reconocimiento, gestión de turnos, un LLM y voz. Disponible en ElevenAgents y mediante una API Realtime compatible con OpenAI, solo WebSocket. Abarca más de 90 idiomas.
• Lo que ninguna de las dos publica: los idiomas compatibles con MAI Realtime 1. El material de lanzamiento de Microsoft no enumera ninguno y, para un producto de centro de contacto, esa es una cuestión de primer orden, no una nota a pie de página.
El único lado con medidas reales
Eleven Realtime Max está bien cubierto por pruebas independientes, y el perfil está desequilibrado de una manera que importa para el diseño de agentes:
• Índice de voz a voz — 77,3, de Artificial Analysis, sobre una combinación de razonamiento, dinámica conversacional y capacidad agéntica.
• Razonamiento del habla (Big Bench Audio) — 98,8 %. Esa es una de las cifras más altas de la tabla, y es el número en torno al cual se construye el modelo: responde con precisión a preguntas habladas difíciles.
• Tiempo hasta el primer audio: 570 milisegundos, el más rápido de los dos en una comparación directa y lo bastante rápido como para percibirse como inmediato.
• Finalización de tareas agénticas (τ-Voice) — 47,6 %. Ese es el punto débil. Un modelo que razona de maravilla sobre lo que escucha sigue completando menos de la mitad de las tareas de varios pasos que le plantea el sistema de evaluación.
• Dinámica conversacional — 94,1 %.
• Coste combinado — alrededor de $4.80 por hora de audio, según la normalización que hace Artificial Analysis de un subconjunto de 40 preguntas de Big Bench Audio a una base por hora. Se trata de una convención de medición, no de la tarifa de ElevenLabs, y no deben citarse de forma intercambiable.
MAI Realtime 1 casi no presenta ninguno de estos, y la diferencia entre «casi» y «ninguno» es lo interesante. Microsoft publica una sola cifra de precisión en la página del modelo: 98,8 % en Big Bench Audio. Es una cifra del proveedor —evaluación propia de Microsoft, sobre un benchmark elegido por Microsoft, sin metodología publicada junto a ella— y ningún organismo independiente la ha vuelto a ejecutar. Conviene señalar también que 98,8 % es aritméticamente idéntico a la cifra de Eleven Realtime Max indicada arriba, lo cual es una coincidencia de dos arneses de evaluación distintos que coinciden en el mismo porcentaje y no debe interpretarse como que los dos modelos empatan. Aparte de ese único número, la página incluye una tarjeta de P50 de tiempo hasta el primer audio y una leyenda «Latencia P50 en BigBench Audio», y nada más. Ni puntuación de τ-Voice, ni lista de idiomas, ni distribución que respalde el percentil. La afirmación más amplia de Microsoft —que el modelo se sitúa en la frontera de Pareto de rendimiento-precio para Big Bench Audio y τ-Voice— es una afirmación sobre dónde quedaría un punto en un gráfico que no se ha dibujado en público. Artificial Analysis no incluye el modelo en absoluto a fecha de 18 de noviembre.
Esa asimetría no es un argumento a favor de ElevenLabs. Es un argumento sobre lo que puedes saber hoy: uno de estos modelos tiene una puntuación agéntica medida del 47,6 % sobre la que puedes planificar, y el otro tiene una cifra de precisión reportada por el proveedor y un percentil.
Una nota sobre las fuentes antes de que las cifras empiecen a moverse: cada dato de rendimiento de Eleven Realtime Max que aparece a continuación es una medición independiente de Artificial Analysis. El único dato de rendimiento de MAI Realtime 1 citado en cualquier parte de este texto —98,8 % en Big Bench Audio— es de Microsoft, no está auditado y se etiqueta como tal allí donde aparece. No se ha publicado absolutamente nada más sobre su rendimiento.
La aritmética que nadie ha terminado
Empieza por la línea de voz, porque es lo único que ambas partes publican con honestidad.
• MAI Realtime 1 — $0.01/min → $0.60 por hora de conversación, solo ruta rápida.
• Eleven Realtime Max — equivalente a unos $0.08/min → $4.80 por hora, según el criterio de Artificial Analysis.
Una brecha de ocho veces en el medidor de minutos. Ahora añade el segundo medidor y fíjate en lo que falta en la información pública: Microsoft no ha dicho qué fracción de los turnos se escala al nivel de razonamiento. Por lo tanto, todo modelo de costes que construyas tiene una entrada que debes inventar. Esto es lo que el dato inventado le hace a la respuesta. Toma una llamada de soporte de cinco minutos —0,05 $ de tiempo de voz— y supón que, en sus turnos escalados, el motor de razonamiento ve un total de 5.000 tokens de entrada y 1.500 de salida. Con las tarifas de Microsoft de 1,00 $ y 5,00 $ por millón, eso son 0,0125 $ de razonamiento por una pasada completa por la llamada.
• Cero escalado — $0.050 por llamada frente a los $0.40 de ElevenLabs. Ocho a uno, como se anuncia.
• Una pasada completa de razonamiento — $0.063 por llamada. Sigue estando por debajo de un sexto de la cifra de ElevenLabs.
• Tres pasadas completas de razonamiento: $0.088 por llamada. Un poco más de una quinta parte.
Diez pasadas completas de razonamiento: 0,175 $ por llamada. Alrededor del 44 % de la cifra de ElevenLabs, y esta es una carga de trabajo que ninguna conversación de soporte podría generar de forma plausible.
Léelo de nuevo: incluso diez veces la carga de razonamiento no cierra una brecha de ocho veces en la línea de voz. Lo que significa que la versión honesta de esta comparación es que MAI Realtime 1 es más económico por un amplio margen bajo cada supuesto de escalado que respalde una conversación real — y la razón para dudar no es el precio. Es que todavía no puedes saber si el modelo es suficientemente bueno para el trabajo, y la vista previa de Microsoft no se cobra hasta la vista previa pública, así que descubrirlo no cuesta nada más que tiempo de ingeniería.
Dos salvedades sobre esa aritmética, y ambas van en contra de tratarla como una previsión. La estimación de razonamiento es mía, no de Microsoft — los recuentos de tokens varían enormemente entre una consulta que necesita una llamada a herramienta y una excepción que necesita cuatro. Y el lado de ElevenLabs usa la normalización por hora de Artificial Analysis en lugar de la tarifa propia de ElevenLabs, porque ElevenLabs no publica una cifra plana en dólares por minuto para Realtime Max; cobra los minutos más los tokens del LLM con una estimación dentro de la aplicación. Así que la comparación es sólida en cuanto a dirección y blanda en lo numérico por ambos lados, lo cual es normal en voz y merece decirse en voz alta.
Un punto sí merece una línea aparte. La versión preliminar de acceso limitado de Foundry no factura a los clientes hasta que comience la versión preliminar pública. Por lo tanto, una comparación de costos escrita en noviembre es una comparación entre lo que pagaría más adelante y una versión preliminar que puede ejecutar ahora a coste cero. La decisión racional es medir, no negociar.
Donde ElevenLabs no está perdiendo en precio en absoluto
Dos cosas que oculta la figura óctuple.
La primera es que ElevenLabs no vende un medidor por minutos. ElevenAgents cobra por minuto más los costes de tokens del LLM, con una estimación por minuto dentro de la aplicación, y la Realtime API cobra por minuto de audio conectado más tokens a los mismos precios de tokens en todos los planes. Un equipo que ya está dentro de ElevenAgents no está comparando 0,01 $ con 0,08 $, sino un cambio marginal frente a una plataforma que ya ha integrado, con despliegue en teléfono, widget web, WhatsApp y centros de contacto, además de SOC 2, HIPAA, GDPR, residencia de datos en la UE y opciones de retención cero.
El segundo es que la lista de cumplimiento es una característica del producto con un precio propio. Para un agente de voz clínico o financiero, la residencia de datos en la UE y la retención cero no son extras prescindibles que un modelo más barato pueda sustituir. El anuncio de Microsoft no dice nada sobre la residencia de datos, la retención ni la certificación de MAI Realtime 1, y el modelo está en versión preliminar limitada, que es exactamente la etapa en la que esos términos suelen estar sin definir.
Así que la división no es «barato versus caro». Es «barato y sin medir, con términos empresariales aún sin escribir» frente a «cuatro veces el precio con el papeleo hecho y una puntuación agéntica del 47,6% que puedes decidir si es o no suficiente».

Ejecutando ambos sin elegir todavía
Ambos modelos hablan la API Realtime de OpenAI, que es el dato más útil de esta comparación. Un stack de voz escrito contra esa interfaz puede apuntar a cualquiera de los dos, lo que convierte la decisión en una cuestión de configuración en lugar de una reescritura. Esa es también la razón para mantener ambos accesibles durante la evaluación en lugar de elegir primero y probar después.
Este es el caso para el que se ha creado OrcaRouter, y merece la pena precisar a cuál de las dos mitades se aplica. MAI Realtime 1 no está en nuestro catálogo: se puede acceder a él mediante la demostración de MAI Labs de Microsoft y la versión preliminar de acceso limitado de Foundry, y punto. Lo que enrutamos es la capa que hay detrás: los modelos de razonamiento a los que escala un agente de voz, al precio de lista del proveedor con 0% de margen, de modo que un cambio de tarifa en ese nivel llega a tu factura el día en que se produce y no en la renovación. La conmutación por error automática importa más en la voz que en cualquier otro contexto, porque un turno atascado es una persona escuchando silencio; una solicitud que pasa a un segundo proveedor en unos cientos de milisegundos resulta inaudible, y una que reintenta durante cuatro segundos es lo que provoca las quejas de los clientes. Cuando termine la versión preliminar y MAI Realtime 1 esté disponible de forma general, la misma clave y las mismas reglas de enrutamiento se encargan de ello — siempre que llegue al catálogo, cosa que hoy no ha sucedido.

¿Quién debería hacer qué esta semana?
Si tu agente de voz es una interfaz de soporte o de programación de citas en la que la mayoría de los turnos son cortos y los difíciles son búsquedas, las condiciones económicas de MAI Realtime 1 no tienen rival, y la vista previa es gratuita: pon en marcha la evaluación ahora, instrumenta tú mismo la tasa de escalamiento y trata la latencia de cola no publicada de Microsoft como aquello que tu propia medición reemplaza.
Si el valor de tu agente está en el trabajo de varios pasos —reservar contra tres sistemas, verificar la identidad, resolver una excepción—, entonces el 47,6 % de puntuación agéntica de Eleven Realtime Max es un benchmark que puedes leer, y el de MAI Realtime 1 está en blanco. Comprar solo por precio aquí significa comprar un modelo sin medir para la parte más difícil del trabajo.
Y si el cumplimiento normativo decide cuál es tu proveedor antes que el rendimiento, nada de lo que Microsoft anunció cambia tu respuesta este mes. La vista previa limitada no es un lugar para ejecutar datos protegidos, y las condiciones que te permitirían hacerlo no están publicadas.
La brecha de ocho veces es real y probablemente duradera. También es la cifra menos interesante aquí, porque la pregunta que decide este enfrentamiento es si un modelo de un centavo por minuto puede completar una tarea, y la única parte que no nos lo ha dicho es quien lo vende.
