Eleven Realtime v1 Max vs Gemini 3.8 Live : plus rapide, plus affûté en raisonnement et un prix 5,7 fois plus élevé

Eleven Realtime v1 Max commence à parler en 0,57 seconde et obtient 98,8 % de réussite sur Big Bench Audio. Gemini 3.8 Live commence à parler en 1,18 seconde et obtient 92 %. Sur les deux axes que l'on cite lorsqu'on débat des modèles vocaux, ElevenLabs l'emporte sur les deux — puis perd sur presque tous les axes qui comptent pour une équipe financière, à commencer par celui où le même tableau de benchmarks place Gemini à 0,84 $ par heure d'audio et Eleven Realtime Max à 4,80 $. Les incidents d'IA documentés et les défaillances d'agents associés aux modèles de cette catégorie sont recueillis dans l'Archive des incidents d'IA d'OrcaRouter, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et un indicateur de contestation.

Les deux modèles ne sont pas non plus d’accord sur ce qu’est un agent vocal. Gemini 3.8 Live est un composant d’une plateforme : il dispose d’un score d’indice, d’une grille tarifaire documentée, de 97 langues, d’un filigrane SynthID sur chaque seconde générée, et de deux variantes — standard et Extended Thinking — qui séparent le raisonnement de la conversation. Eleven Realtime v1 Max est un modèle unique vendu sur la promesse que la reconnaissance, la gestion des tours de parole, le raisonnement et la voix ont été optimisés ensemble, et il ne dispose pas du tout de Speech to Speech Index, car le benchmark agentique derrière cet indice n’a pas été exécuté sur lui.

Cette dernière phrase résume tout l’argument. L’un de ces modèles dispose d’un tableau de scores public complet ; l’autre affiche les meilleurs chiffres sur les deux lignes dont il dispose, et une case vide là où devrait figurer la ligne la plus difficile.

Ce que le tableau d’affichage dit réellement

Chaque chiffre ci-dessous provient du classement Speech to Speech d’Artificial Analysis, qui évalue les deux modèles sur le même banc d’essai plutôt que de relayer les pages des fournisseurs. Lorsqu’un chiffre fourni par un fournisseur diffère, il est signalé.

• Raisonnement vocal (Big Bench Audio) — Eleven Realtime v1 Max 98,8 % vs Gemini 3.8 Live 92 %

• Délai avant le premier audio — Max 0,57 s contre G​emini 1,18 s

• Taux de réussite des tâches — Max 87,1 % vs Gemini 93,2 %

• Performance agentique (τ-Voice) — Max non mesuré vs G​emini 30,1 %

• Dynamique conversationnelle (Full-Duplex-Bench) — Max 94,1 % contre Gemini 96,1 %

• Préférence Arena (Elo) — Max 997 vs Gemini 1 078

• Indice parole-à-parole — Max non évalué, contre 76,0 pour G​emini

• Coût par heure d’audio en entrée — Max 4,80 $ vs Gemini 0,84 $

Le schéma n’est pas « ElevenLabs est meilleur en audio, Google est meilleur pour tout le reste ». Il est plus étroit et plus intéressant que cela. Max remporte les deux mesures effectuées sur un ensemble fixe de questions audio — répondre correctement, répondre rapidement — et perd les trois qui impliquent un humain dans la boucle ou un appel d’outil pour aboutir. La préférence dans l’arène, ce sont des personnes qui écoutent et qui choisissent. La réussite de la tâche, c’est de savoir si la bonne fonction a été appelée. La dynamique conversationnelle, c’est de savoir si l’alternance des tours de parole semblait juste. Ce sont les métriques de production, et Gemini les remporte toutes les trois.

La ligne τ-Voice mérite une mise en garde avant toute citation. Les 30,1 % de Gemini 3.8 Live constituent un score agentique vraiment médiocre — son homologue Extended Thinking obtient 68,6 % au même test, et GPT-Live-1 (Astra, medium) obtient 74,5 %. Si votre agent doit modifier une réservation dans le cadre d’une politique, 3.8 Live seul n’est pas le modèle qu’il vous faut. Mais la case vide de Max n’est pas un zéro et ne doit pas être interprétée comme telle. Cela signifie que le test n’a pas été exécuté.

D'où vient l'écart de prix, et pourquoi il pourrait ne pas avoir autant d'importance qu'il n'y paraît

Gemini 3.8 Live facture 0,005 $ par minute d'audio en entrée et 0,018 $ par minute en sortie, le texte à 0,75 $ et 4,50 $ par million de tokens et l'entrée image ou vidéo à 1,00 $ par million. Eleven Realtime ne publie pas du tout de tarif par modèle : dans ElevenAgents, vous payez les frais standard par minute de l'agent plus les tokens au tarif du modèle Realtime, et via l'API Realtime, vous payez par minute d'audio connecté plus les tokens, avec les mêmes prix de tokens sur tous les forfaits. Artificial Analysis convertit les deux en coût par heure sur un ensemble fixe de questions, ce qui est la seule façon de les comparer honnêtement, et arrive à 0,84 $ contre 4,80 $.

Deux choses en découlent. Premièrement, si votre volume se mesure en milliers de minutes par jour, c’est l’écart qui décide — 5,7× n’est pas une erreur d’arrondi, et E​levenLabs n’a aucun levier publié pour le combler, hormis le Mini moins cher. Deuxièmement, la comparaison n’est pas statique comme peut l’être un prix catalogue. G​oogle a déjà baissé les tarifs audio de G​emini, et une baisse se répercute de notre côté le jour même lorsqu’un fournisseur répercute le prix catalogue, car OrcaRouter ne prend aucune marge. L’inverse est vrai aussi : si E​levenLabs publie un tarif Realtime, le chiffre change sans que quiconque réécrive une intégration.

Deux paris différents sur l’alternance des tours de parole

Les architectures ne sont pas équivalentes, et cette différence explique la divergence des métriques mieux que ne le ferait n'importe quelle affirmation sur la qualité.

G​emini 3.8 Live est une déclinaison d’une famille que G​oogle commercialise depuis deux ans.

Il traite les entrées visuelles en quasi-temps réel, change de langue en pleine conversation parmi 97 langues, et exécute des appels d’outils et d’API en arrière-plan afin que l’agent puisse accuser réception d’une demande et continuer à parler pendant que la recherche se termine. Son homologue, Gemini 3.8 Live Extended Thinking, raisonne et parle en même temps, en narrant sa progression. Tous deux portent des filigranes SynthID et partagent une fiche modèle publiée sous gemini-3-8-audio, et tous deux ont des ID d’API documentés : gemini-3.8-live et gemini-3.8-live-extended-thinking.

Eleven Realtime fusionne la stack plutôt que de la coordonner.

La reconnaissance, la gestion des tours de parole, l’étape de raisonnement et la génération vocale forment un système unique et calibré, ce qui lui permet de répondre en 0,57 seconde sans qu’un détecteur d’activité vocale distinct doive décider quand l’appelant a fini de parler. L’exemple que donne ElevenLabs du bénéfice apporté est le backchannel : la documentation de Mini indique qu’il détecte si un locuteur a fini de parler ou s’il ne fait que s’intercaler avec un « mm-hmm ». C’est ce comportement qui fait qu’un agent vocal ne donne plus l’impression d’être un talkie-walkie, et c’est le genre de chose avec laquelle un pipeline en cascade a du mal, car il faut indiquer au VAD ce qu’est une interruption.

Le coût de la conception fusionnée est le contrôle. Dans ElevenAgents, choisir un modèle Realtime signifie qu’ElevenLabs gère le LLM, l’effort de raisonnement, le budget de réflexion, les appels d’outils parallèles, le délai d’attente de la cascade, le modèle TTS, le mode expressif et le fournisseur ASR. Vous ne pouvez pas apporter un LLM personnalisé, vous ne pouvez pas utiliser Amazon Bedrock, et un nœud de workflow ne peut surcharger aucun de ces paramètres. Gemini vous donne le modèle et vous permet de conserver le pipeline.

La question de l’intégration que personne ne met dans le tableau comparatif

G​emini 3.8 Live est un modèle de l’API G​emini. Eleven Realtime est vendu de deux manières — au sein d’ElevenAgents, et via une API Realtime compatible au niveau du protocole avec le protocole d’événements d’O​penAI, à l’adresse wss://api.elevenlabs.io/v1/convai/realtime. Si vous disposez d’un client O​penAI Realtime, le changement du point de terminaison et du nom du modèle représente l’essentiel de la migration ; la documentation inclut un skill en une seule commande pour cela.

Ce à quoi vous renoncez pour cette compatibilité, c’est la plateforme. La Realtime API et ElevenAgents sont des produits distincts reposant sur des protocoles de connexion différents, et l’API ne prend pas en charge les canaux téléphoniques ni WhatsApp, les bases de connaissances, les garde-fous, les tests scriptés ou la surveillance des conversations. E​levenLabs précise également explicitement que la Realtime API ne propose pas WebRTC au lancement — uniquement WebSocket.

C’est dans cette asymétrie qu’une couche de routage trouve sa place, et elle s’intègre mieux du côté de G​emini que du côté de E​levenLabs. OrcaRouter n’héberge pas eleven_realtime_v1_max ; il n’existe aucun point de terminaison tiers pour ce modèle, et nous ne prétendrons pas le contraire. Ce qu’OrcaRouter héberge, c’est le reste d’une pile façonnée pour G​emini : google/gemini-3.8-flash et les autres modèles G​emini derrière une seule clé, 209 modèles issus de 16 fournisseurs au total, au prix catalogue des fournisseurs sans marge, avec bascule automatique en cas d’erreur d’un fournisseur. Si vous construisez la couche vocale sur G​emini, la récupération et l’analyse post-appel qui l’entourent peuvent être remplacées et testées en A/B sur votre propre trafic plutôt que choisies à partir d’un classement.

Lequel choisir

Choisissez G​emini 3.8 Live si l’agent doit finaliser une transaction, si vous avez besoin d’un prix inférieur à un dollar de l’heure, si vous avez besoin d’une entrée visuelle, ou si vous avez besoin de 97 langues sur une seule ligne. Il dispose du tableau de scores public complet, de la grille tarifaire documentée et de la minute la moins chère. Sa faiblesse agentique est réelle mais mesurable, et son homologue Extended Thinking est la solution si l’achèvement des tâches est le goulot d’étranglement.

Choisissez Eleven Realtime v1 Max si la conversation elle-même est le produit — un tuteur, un personnage, une ligne d’assistance où l’on se plaint d’être coupé — et si votre charge de travail est de l’audio à forte intensité de raisonnement plutôt que de longs appels connectés. Vous achetez le raisonneur puissant le plus rapide du marché et la gestion des tours de parole la mieux mesurée, à un prix premium que vous devriez modéliser avant de vous engager.

Ne vous arrêtez pas au seul score de l’indice. Max n’en a pas, et ce n’est pas une critique de la qualité de Max ; c’est une façon de dire qu’une grande partie du comportement de Max reste encore non mesurée. Le seul chiffre qui changerait cette comparaison est une évaluation τ-Voice sur Max. S’il se situe au-dessus des 68,6 % de G​emini — la variante Extended Thinking, pas la version standard —, le supplément d’E​levenLabs commence à ressembler à une police d’assurance plutôt qu’à une taxe. D’ici là, c’est le modèle le plus rapide qui a le plus à prouver.