Eleven Realtime v1 Max vs SeedRealtime : l'un a un prix et six benchmarks, l'autre a une démo

Eleven Realtime v1 Max est un modèle parole-à-parole invoquable, doté d'un point de terminaison documenté, de six résultats de benchmark publiés et d'un coût normalisé de 4,80 $ par heure d'audio. SeedRealtime est le modèle audio-visuel duplex intégral de B​yteDance Seed, annoncé le 5 août 2026, et il n'a ni API, ni poids, ni rapport technique, ni nombre de paramètres, ni prix. La comparaison semble jouée d'avance — puis vous remarquez que le modèle d'E​levenLabs a lui aussi un benchmark manquant, et que celui qui manque est le même type de preuve que B​yteDance n'a jamais publiée. Les incidents d'IA et les défaillances d'agents documentés derrière les modèles de cette classe sont recensés dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

C’est la vraie physionomie de ce duel. Les deux modèles sont vendus sur l’argument selon lequel la gestion des tours de parole doit résider dans le modèle plutôt que dans un détecteur d’activité vocale greffé à l’extérieur. Tous deux vous demandent de faire confiance à un comportement que l’on ne peut juger qu’en leur parlant. ElevenLabs y a répondu avec un dispositif d’évaluation tiers et un chiffre de coût horaire. ByteDance y a répondu avec une seule étude interne de préférences. L’une de ces réponses est exploitable ; aucune des deux n’est complète.

Ce que chacun affirme réellement

Eleven Realtime v1 Max fusionne quatre étapes en un seul réseau : reconnaissance, gestion des tours de parole, raisonnement et génération vocale. L'argument d'E​levenLabs est que les régler ensemble élimine les coutures que laisse une cascade — la demi-seconde morte après qu'un appelant s'arrête, l'agent qui parle par-dessus une interruption, l'écart entre ce qui a été entendu et ce qui est répondu. Max ajoute l'étape de raisonnement à cette conception et se destine aux tâches complexes et aux appels d'outils en plusieurs étapes ; son frère, Eleven Realtime v1 Mini, est la variante conversationnelle économique, et c'est ce que reçoit par défaut chaque nouvel agent ElevenAgents.

SeedRealtime va plus loin sur la modalité et moins loin sur tout le reste. Le modèle de B​yteDance unifie l'audio, la vidéo et le texte dans une seule architecture de bout en bout, ce qui signifie qu'il peut regarder, écouter et parler en même temps au lieu d'enchaîner un modèle de vision à un modèle ASR, puis à un modèle de langage, puis à une voix. Les comportements démontrés sont ceux qu'un système à deux modalités ne peut pas produire : associer une voix à un visage dans une conversation de groupe bruyante afin que le modèle suive qui a dit quoi, prendre la parole spontanément lorsqu'un objet cible entre dans le champ, des scénarios de guide de musée et de réparation d'appareils où le modèle doit voir ce que vous regardez.

L’audio et la vidéo constituent un problème plus difficile que l’audio et le texte, et SeedRealtime s’attaque à la version la plus difficile. Il vaut la peine de le dire clairement avant que le reste de cet article n’explique pourquoi vous ne pouvez toujours pas l’utiliser.

Les preuves, pesées honnêtement

Artificial Analysis réalise à la fois un test de raisonnement vocal et un test de dynamique conversationnelle sur les modèles de cette catégorie. Elle les a réalisés sur Eleven Realtime v1 Max. Elle ne les a pas réalisés sur SeedRealtime, et ne le peut pas — il n’y a aucun point de terminaison à appeler.

• Raisonnement vocal (Big Bench Audio) — Eleven Realtime v1 Max 98,8 % vs SeedRealtime non publié

• Dynamique conversationnelle (Full-Duplex-Bench) — Max 94,1 % contre SeedRealtime non publié

• Taux de réussite des tâches — Max 87,1 % vs SeedRealtime non publié

• Préférence Arène (Elo) — Max 997 vs SeedRealtime non publié

• Performance agentique (τ-Voice) — Max non mesuré vs SeedRealtime non publié

• Temps jusqu’au premier son — Max 0,57 s, contre aucune valeur de latence en millisecondes pour SeedRealtime

• Coût par heure d’audio en entrée — Max 4,80 $ contre SeedRealtime, aucune offre commerciale

• Modalités d’entrée — Max audio et texte vs SeedRealtime audio, vidéo et texte

La seule ligne où SeedRealtime est en tête est celle que personne ne peut acheter. Le seul chiffre public que B​yteDance a communiqué est une évaluation humaine de bout en bout affirmant que SeedRealtime réduit de moitié les problèmes de rythme conversationnel des systèmes en cascade ASR + vision + TTS : moins de coupures, moins de faux déclenchements, des réponses plus lentes et plus naturelles. Aucune taille d’échantillon, aucune méthodologie, aucun nombre d’annotateurs, aucune latence en millisecondes. Un rapport secondaire mentionne un gain de fluidité de 12 % par rapport aux modèles antérieurs de l’équipe. Voilà toute la base de preuves.

Maintenant, la partie honnête de l'autre côté. La ligne τ-Voice de Max est vide, ce qui compte parce que Max est le modèle qu'E​levenLabs vend pour l'accomplissement de tâches. Son score de raisonnement de 98,8 % est mesuré sur 1 000 questions audio, pas sur un appel au service client avec des outils et un document de politique. Ainsi, E​levenLabs a six chiffres et un trou là où B​yteDance a un chiffre et aucun point de terminaison — des modes de défaillance différents, une même situation sous-jacente : ce sur quoi chaque modèle est commercialisé n'est pas ce sur quoi chaque modèle a été mesuré.

Pourquoi l’architecture compte plus que la confrontation

Il y a un an, les agents vocaux formaient un pipeline surmonté d’un orchestrateur. Quelqu’un devait décider quand l’utilisateur avait fini de parler, acheminer la transcription vers un modèle de langage, attendre les tokens, puis remettre le texte à un synthétiseur qui devait donner l’impression d’avoir participé à la conversation. Chaque étape ajoutait de la latence et chaque transfert ajoutait une couture.

Ces deux modèles parient que la jointure est le problème. La réponse d’Eleven Realtime consiste à fusionner les étapes côté audio — écoute, gestion des tours de parole, réflexion, parole — en un seul réseau et à garder le modèle uniquement audio. La réponse de SeedRealtime consiste à fusionner celles-ci et à ajouter la vision, afin que le modèle puisse résoudre « celui-ci » à partir d’un geste de pointage, ou remarquer que la personne à qui il parle s’est éloignée.

Le compromis est lisible dans les spécifications. Eleven Realtime Max répond en 0,57 seconde et obtient 98,8 % à un test de raisonnement avec une entrée audio uniquement. La promesse de SeedRealtime est une entrée plus large et, par implication, davantage de contexte par tour ; son coût est que le full-duplex visuel est cher à servir, ce qui explique plausiblement pourquoi une application grand public est le seul endroit où il est déployé. Aucune des deux entreprises n’a publié de chiffre de latence qui rende la comparaison quantitative, et une seule d’entre elles a publié quoi que ce soit qui puisse être vérifié par un tiers.

Le point de terminaison B​yteDance qui existe mais qui n’est pas ce modèle

C'est l'erreur qu'il vaut la peine d'éviter, car elle est facile à commettre et coûteuse à découvrir. Volcano Engine, la branche cloud de B​yteDance, documente un produit vocal en temps réel distinct — le modèle vocal en temps réel Doubao 3.0 — accessible via un point de terminaison WebSocket avec une clé API de console, entrée PCM ou Opus à 16 kHz et sortie audio à 24 kHz, à l'aide d'un protocole d'événements en temps réel.

Il s'agit d'une API destinée aux développeurs, issue de la même entreprise et du même domaine produit, et ce n'est pas SeedRealtime. Elle est uniquement audio : pas de vidéo, pas de liaison au visage, pas d'ancrage visuel. C'est un modèle distinct, avec son propre historique de publication. Les équipes qui recherchent l'API vocale en temps réel de ByteDance trouveront cette documentation, l'intégreront et croiront utiliser le modèle dont il est question dans la couverture médiatique. Volcano Engine n'a publié aucune date pour un point de terminaison du modèle audio-visuel. Toute offre qui vous propose un accès à SeedRealtime vous propose en réalité autre chose.

Ce que cela signifie si vous avez un produit à expédier

Il n'y a aucune décision à prendre entre ces deux options pour le travail de production ce trimestre. Eleven Realtime v1 Max est disponible dès maintenant, via ElevenAgents ou une API Realtime compatible OpenAI à wss://api.elevenlabs.io/v1/convai/realtime, tandis que SeedRealtime est un jalon de recherche au sein d'une application mobile en Chine.

La décision qui existe bel et bien porte sur la manière de bâtir autour de cela. Au lancement, la Realtime API d’ElevenLabs est uniquement basée sur WebSocket — pas de WebRTC — et il s’agit d’un produit distinct d’ElevenAgents ; la téléphonie, WhatsApp, les bases de connaissances, les garde-fous et la supervision ne sont donc disponibles qu’avec le côté plateforme. Max n’est par ailleurs pas proposé dans les environnements de résidence des données en Inde et à Singapour, et nécessite une limite d’au moins 1 024 jetons ; curieusement, Mini prend en charge l’Inde et Singapour, mais pas le Zero Retention Mode ni HIPAA, ce que Max fait aux États-Unis et dans l’UE.

La place d’OrcaRouter ne se situe pas dans la couche vocale. Nous n’hébergeons pas eleven_realtime_v1_max, et il n’existe aucun point de terminaison tiers pour ce modèle. Ce que nous hébergeons, c’est tout ce qu’un agent de ce type appelle autour du modèle : 209 modèles issus de 16 fournisseurs en amont derrière une seule clé, au prix catalogue du fournisseur sans marge, avec bascule automatique en cas d’erreur ou de délai d’expiration d’un fournisseur. La moitié coûteuse et variable d’un agent vocal, c’est la récupération et le raisonnement qu’il délègue ; cette moitié est interchangeable sans toucher à la boucle audio, et c’est là qu’une semaine de réglages rentabilise l’effort.

Qu’est-ce qui changerait cela ?

Une API pour SeedRealtime ferait de cette comparaison une véritable comparaison, et pas seulement à cause de la vidéo. Un point de terminaison appelable permettrait à Artificial Analysis de placer le modèle sur le même banc d’essai en quatre parties que tous les autres, ce qui est la seule façon d’obtenir un chiffre qui ait du sens d’un fournisseur à l’autre. Un rapport technique ferait l’essentiel du même travail.

Du côté d’ElevenLabs, la pièce manquante est une exécution de τ-Voice sur Max. Quand ce sera disponible, le domaine disposera enfin d’un chiffre agentique comparable pour le modèle qu’ElevenLabs présente comme celui orienté tâches. D’ici là, le constat est peu glamour : l’un de ces modèles, on peut l’appeler, le mesurer, le tarifer et le déployer ; l’autre, on ne peut que le regarder ; et l’écart entre ces deux positions est plus grand que l’écart entre leurs architectures.