Eleven Realtime v1 Max vs GPT-Live-1 : l’écart de benchmark joue contre ElevenLabs

Le communiqué de presse d'Eleven Realtime v1 Max met en avant 98,8 % sur Big Bench Audio et une réponse en 0,57 seconde. Ces deux chiffres sont exacts, tous deux sont les meilleurs de leur catégorie, et tous deux passent à côté de l'essentiel lorsque la comparaison porte sur G​PT-Live-1 — car le benchmark décisif pour les agents vocaux en production n'est pas le raisonnement vocal, et sur ce point, le modèle d'O​penAI l'emporte avec une marge suffisamment large pour éclipser l'avance de 0,7 seconde dont se prévaut E​levenLabs.Les incidents d'IA et les défaillances d'agents documentés associés aux modèles de cette classe sont recensés dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Appliquez le même banc d’essai Artificial Analysis aux deux, et la séparation est nette. Eleven Realtime v1 Max arrive en tête sur le raisonnement vocal, 98,8 % contre 89 %, et sur la vitesse, 0,57 seconde contre 1,24. GPT-Live-1 arrive en tête sur l’accomplissement de tâches agentiques, 59,3 % contre non mesuré, sur la dynamique conversationnelle, 97,3 % contre 94,1 %, sur la préférence dans l’arène, 1 047 Elo contre 997, sur la réussite des tâches, 90,9 % contre 87,1 %, et sur l’indice composite, 80,1 contre rien du tout.

Ce dernier chiffre n’est pas rhétorique. Eleven Realtime v1 Max n’a pas de score Speech to Speech Index, car l’indice exige les quatre composants et l’exécution agentique τ-Voice n’a pas été publiée pour lui. G​PT-Live-1 a un indice. C’est le plus élevé du tableau.

Le tableau des scores complet, côte à côte

Toutes les lignes correspondent à des mesures d’Artificial Analysis réalisées sur son propre banc d’évaluation, sauf indication contraire. Les chiffres d’Eleven Realtime proviennent de l’annonce du 20 octobre 2026 ; la disponibilité de l’API de G​PT-Live-1 date du 10 septembre 2026, le modèle lui-même ayant été lancé dans ChatGPT le 8 juillet.

• Indice parole-à-parole — Eleven Realtime v1 Max non noté vs G​PT-Live-1 (Sol, faible) 80.1

• Raisonnement vocal (Big Bench Audio) — Max 98,8 % vs GPT-Live-1 89 %

• Performance agentique (τ-Voice) — Max non mesuré vs GPT-Live-1 59,3 %

• Dynamiques conversationnelles — Max 94,1 % vs G​PT-Live-1 97,3 %

• Taux de réussite des tâches — Max 87,1 % vs GPT-Live-1 90,9 %

• Préférence d’arène (Elo) — Max 997 vs G​PT-Live-1 1 047

• Délai avant le premier son — Max 0,57 s vs G​PT-Live-1 1,24 s

• Coût par heure d'audio d'entrée — Max 4,80 $ vs GPT-Live-1 4,47 $

• Transport — Max WebSocket uniquement au lancement vs G​PT-Live-1 WebRTC uniquement

Une ligne est plus proche que ne le suggère le titre : le coût. 4,80 $ contre 4,47 $ par heure d’audio place ces deux modèles dans la même tranche de prix, soit l’inverse de l’histoire que l’on obtient en comparant Eleven Realtime aux 0,84 $ de Gemini 3.8 Live. Dans la comparaison avec OpenAI, le surcoût d’ElevenLabs est de 7 %.

Pourquoi le score de raisonnement pointe dans la mauvaise direction

Big Bench Audio est un ensemble de 1 000 questions audio adaptées de Big Bench Hard, réparties en quatre catégories — sophismes formels, navigation, comptage d’objets et une série de problèmes booléens à énoncé. Le modèle entend une question et répond à voix haute, puis sa réponse est évaluée comme correcte ou incorrecte. Cela mesure la capacité d’un modèle à raisonner sur un contenu audio, ce qui n’est pas équivalent à sa capacité à mener une conversation ou à accomplir une tâche.

Avec 98,8 %, Max se classe troisième de ce tableau, derrière StepAudio 3 Realtime (100 %) et Q​wen Audio 3.0 Realtime Plus (99,2 %), et devant Qwen3.5 Omni Plus Realtime (98,7 %) et G​rok Voice 3.0 (98,5 %). Les 89 % de G​PT-Live-1 le placent douzième. Si le travail de votre agent consiste à écouter une longue description orale et à répondre à une question à son sujet, cet écart de neuf points est significatif et E​levenLabs est le meilleur choix.

Mais E​levenLabs ne vend pas Max pour cela. Sa propre page positionne Max pour les « tâches complexes » avec « l'utilisation d'outils à plusieurs étapes » — support client, qualification des prospects, planification assistée. C'est le territoire de τ-Voice, et c'est sur τ-Voice que Max n'affiche aucun chiffre et que G​PT-Live-1 atteint 59,3 %.

Le chiffre d’O​penAI a lui aussi besoin de sa propre réserve, et la documentation d’O​penAI la fournit : les preuves de déploiement publiées sont minces. Le benchmark de support vocal bancaire qu’O​penAI a rapporté au lancement de l’API établissait le taux de réussite de G​PT-Live-1 à 32 %, contre 12,4 % pour G​PT-Realtime-2.1. Un taux de réussite de 32 % constitue une nette amélioration et signifie encore que le système échoue sur deux tiers d’un processus réglementé. Le chiffre τ-Voice d’Artificial Analysis est le plus utile, car il est obtenu sur un banc d’essai commun, mais c’est un score de milieu de tableau, pas un couronnement.

Là où l’avantage de G​PT-Live-1 est structurel, et non marginal

L’écart de 3,2 points en dynamique conversationnelle et l’écart de 50 points Elo dans l’arène proviennent d’un choix d’architecture que E​levenLabs n’a pas fait. G​PT-Live-1 est full-duplex au sens strict : il écoute et parle sur la même ligne temporelle, et lorsqu’un appelant demande quelque chose qui nécessite un vrai travail, il confie la tâche au-delà d’une frontière asynchrone à un modèle backend distinct qui continue de réfléchir pendant que la conversation vocale se poursuit. La couche vocale est un front-end. Le raisonnement a lieu ailleurs et revient s’intégrer lorsqu’il est prêt.

Cette conception explique pourquoi G​PT-Live-1 peut exécuter des appels d’outils sans que la ligne ne devienne silencieuse, et c’est aussi pourquoi son score de raisonnement est plus faible : le modèle qui répond à la question Big Bench n’est pas celui qui mène la réflexion approfondie lors d’une session réelle. Eleven Realtime Max fait le pari inverse. Un seul réseau assure la reconnaissance, la gestion des tours de parole, le raisonnement et la voix, ce qui permet de gagner 0,57 seconde — aucun transfert à attendre — et ce qui limite la quantité de raisonnement possible avant que l’appelant ne remarque la pause.

Lequel des deux est le bon choix dépend de ce qui est le plus serré chez vous : votre budget de latence ou votre budget d'achèvement des tâches. Pour un agent de planification qui doit consulter un calendrier, confirmer un créneau et écrire un enregistrement, le modèle avec passage de relais l'emporte sur l'achèvement. Pour un tuteur qui répond à une question orale le temps d'une respiration, le modèle fusionné l'emporte sur la sensation.

Les détails de facturation et de transport qui déterminent l’intégration

G​PT-Live-1 facture un tarif fixe de 0,05 $ par minute de voix, facturé à la seconde, l’initialisation de session étant facturée 15 secondes d’avance et imputée sur la durée ultérieure. Le modèle de raisonnement backend est facturé séparément à ses tarifs habituels, de sorte qu’une couche vocale bon marché peut tout de même entraîner un appel coûteux. OrcaRouter ne peut pas router la couche vocale — le point de terminaison Live Sessions à v1/live/sessions n’appartient qu’à O​penAI — mais la partie backend n’est qu’un autre appel de modèle, et sur OrcaRouter, cela représente 209 modèles de 16 fournisseurs sur une seule clé, au prix catalogue du fournisseur, sans marge, avec basculement si le backend que vous avez choisi renvoie une erreur en cours d’appel.

Eleven Realtime facture à l’inverse : le tarif à la minute standard d’ElevenAgents, plus les tokens d’entrée, d’entrée mise en cache et de sortie au tarif du modèle Realtime, Max coûtant plus cher au token que Mini. Le tarif à la minute d’aucun des deux modèles n’est publié sur la page tarifaire d’ElevenLabs ; le tableau de bord affiche une estimation, et les 4,80 $ d’Artificial Analysis sont un chiffre normalisé plutôt qu’un prix catalogue.

Le transport est l'asymétrie la plus marquée. L'API d'Eleven Realtime est compatible avec OpenAI-Realtime via WebSocket — l'exemple fourni dans la documentation importe OpenAIRealtimeWebSocket depuis @openai/agents-realtime et le pointe vers wss://api.elevenlabs.io/v1/convai/realtime. GPT-Live-1 ne fonctionne qu'en WebRTC, et sonder l'ancien chemin Realtime avec un identifiant de modèle GPT-Live renvoie une erreur indiquant que les sessions nécessitent WebRTC. La compatibilité ne va donc que dans un sens : un client OpenAI Realtime peut migrer vers ElevenLabs moyennant un changement d'endpoint, mais un client OpenAI Realtime ne peut pas migrer vers GPT-Live-1 sans réécrire la couche de transport. Les équipes qui migrent vers GPT-Live-1 doivent écrire une poignée de main RTCPeerConnection, un canal de données oai-events et un échange d'offre côté serveur ; celles qui migrent vers Eleven Realtime modifient deux chaînes de caractères.

Les réserves concernant le déploiement du côté d’E​levenLabs

La documentation d’ElevenLabs ajoute des contraintes qu’aucune couverture du lancement ne mentionne :

• Disponibilité — Les modèles Realtime sont « déployés progressivement » ; un espace de travail sans le paramètre Voice mode reçoit de l’API le message « Les modèles Realtime ne sont pas disponibles pour cet espace de travail »

• Résidence des données — Max est disponible aux États-Unis et dans l’UE, mais pas en Inde ni à Singapour, où seule l’offre Mini est proposée

• Conformité — Le mode Zéro rétention et la prise en charge de HIPAA sont disponibles sur Max aux États-Unis et dans l’UE ; Mini ne prend en charge ni l’un ni l’autre.

• Paramètres gérés — le LLM, l’effort de raisonnement, le budget de réflexion, les appels d’outils parallèles, le modèle TTS, le mode expressif et le fournisseur ASR sont tous contrôlés par ElevenLabs lorsqu’un modèle Realtime est défini, et les nœuds de workflow ne peuvent pas les surcharger

• LLM personnalisés — Le mode temps réel est indisponible lorsqu’un agent utilise un LLM personnalisé ou Amazon Bedrock

Les contraintes propres à G​PT-Live-1 sont plus strictes sur un point et plus souples sur un autre : il n’a ni Chat Completions, ni Responses, ni couche de compatibilité Realtime, ni fine-tuning, ni entrée d’images ou de vidéos, mais ses limites de niveau sont exprimées en sessions simultanées — 25 au niveau 1, jusqu’à 500 au niveau 5 — plutôt qu’en requêtes par minute.

Qui devrait choisir lequel

Choisissez G​PT-Live-1 lorsque l'agent doit mener à bien une tâche : réservations, modifications, remboursements, tout ce qui se termine par une écriture en base de données. Il affiche le meilleur taux de réussite des tâches, la préférence d'arène la plus élevée, l'indice composite le plus élevé et le coût horaire le plus faible, et c'est le seul des deux à disposer d'un score agentique publié. Prévoyez un budget pour la réécriture WebRTC et pour la facture distincte du modèle backend.

Choisissez Eleven Realtime v1 Max lorsque la conversation est le produit et que le raisonnement reste superficiel : un tuteur, un personnage, une ligne d’assistance où l’on coupe la parole à la personne qui se plaint. Vous obtenez le raisonneur performant le plus rapide du tableau, la migration la plus simple depuis une intégration O​penAI Realtime existante, et un surcoût de 7 % par rapport à G​PT-Live-1 plutôt qu’un surcoût de 5,7 × par rapport à G​emini. Vous acceptez que son comportement agentique ne soit pas mesuré et que le lancement soit encore partiel.

Le résultat qui ferait basculer cet article, c'est un score τ-Voice pour Max. ElevenLabs demande qu'on lui fasse confiance en tant que modèle capable d'accomplir des tâches, sur la foi d'un benchmark de raisonnement ; le benchmark de tâches existe, il a été exécuté sur dix autres modèles vocaux, et il ne l'a pas été sur celui-ci. C'est une lacune dans les preuves, pas dans le modèle — mais c'est la lacune qui détermine lequel de ces deux modèles vous devriez présenter à un client payant.