Eleven Realtime v1 Max Memimpin Papan Peringkat dalam Kecepatan dan Penalaran Ucapan — dan Tidak Memiliki Skor Indeks

Eleven Realtime v1 Max menjawab dalam 0,57 detik dan mencetak 98,8% pada Big Bench Audio, sedangkan Eleven Realtime v1 Mini menjawab dalam 0,62 detik dan mencetak 76% pada tes yang sama. Kedua angka tersebut, jika dibaca bersama, adalah hal paling berguna dalam pengumuman ElevenLabs pada 20 Oktober 2026 — bukan karena salah satunya mengesankan secara sendiri, tetapi karena selisih 23 poin di antara keduanya dan fakta bahwa versi yang lebih lemah itulah yang Anda dapatkan secara default. Insiden AI dan kegagalan agen yang terdokumentasi di balik model di kelas ini dikumpulkan dalam OrcaRouter AI Incident Archive, dengan setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Ada fakta kedua yang lebih aneh di papan peringkat yang sama. Artificial Analysis mencantumkan kedua model dengan waktu hingga audio pertama, skor Big Bench Audio, skor dinamika percakapan, Elo arena, dan tingkat keberhasilan tugas — serta tanda pisah di tempat yang seharusnya berisi Speech to Speech Index. Max tidak memiliki skor indeks. Bukan skor yang rendah. Tidak ada sama sekali.

Alasannya bersifat mekanis, dan itu menjelaskan sebagian besar dari apa yang berikut. Indeks ini adalah rata-rata berbobot sama dari empat komponen: penalaran ucapan (Big Bench Audio), kinerja agentik pada tolok ukur layanan pelanggan τ-Voice, preferensi arena, dan tingkat keberhasilan tugas. Sebuah model memerlukan keempatnya untuk dinilai. Max memiliki tiga. ElevenLabs menjual Max secara khusus untuk "tugas kompleks" dengan "penggunaan alat multi-langkah" — dan tolok ukur penggunaan alat adalah yang belum pernah dijalankan pada Max oleh siapa pun.

Apa yang sebenarnya diluncurkan E​levenLabs

Keluarga Eleven Realtime adalah jenis produk yang berbeda dari model text-to-speech yang membuat E​levenLabs dikenal. Setiap model Realtime adalah satu jaringan tunggal yang menangani pengenalan, giliran bicara, langkah penalaran, dan pembuatan suara secara bersamaan, alih-alih pipeline speech-to-text, model bahasa, dan suara text-to-speech yang disatukan oleh orkestrator. Nilai jual E​levenLabs adalah bahwa menyetel keempat tahap tersebut sebagai satu sistem menghilangkan celah — setengah detik keheningan setelah penelepon berhenti berbicara, agen yang terus berbicara saat ada interupsi, ketidaksesuaian antara apa yang didengar transkripsi dan apa yang diucapkan kembali oleh suara.

Kedua model dapat diakses melalui dua cara: di dalam ElevenAgents, tempat Anda memilih model dari menu dropdown dan platform mengonfigurasi sisanya, atau melalui Realtime API yang memang sengaja dibuat kompatibel secara wire dengan milik O​penAI, di wss://api.elevenlabs.io/v1/convai/realtime. Ubah endpoint dan nama modelnya, dan klien O​penAI Realtime yang sudah ada akan tetap mempertahankan event handler-nya.

Yang dirilis pada 20 Oktober adalah pengumumannya, bukan pengaktifannya. Dokumentasi ElevenLabs sendiri masih menyebut model-model tersebut "diluncurkan secara bertahap," dan menyatakan bahwa workspace tanpa pengaturan mode Voice akan membuat API menolak realtime_model secara langsung dengan pesan "Realtime models are not available for this workspace." Pengenal modelnya juga lebih lama daripada siklus pers: entri changelog 3 Agustus untuk ElevenAgents mencatat bahwa konfigurasi agen realtime sudah mulai default ke eleven_realtime_v1_mini. Anggap tanggal peluncuran sebagai hari angka-angka itu menjadi publik, bukan hari endpoint dibuka.

Kedua model itu bukan dua ukuran dari hal yang sama

E​levenLabs memposisikan Mini dan Max sebagai penyetel biaya-kualitas: Mini untuk asisten, tutor, dan karakter; Max untuk dukungan, kualifikasi lead, dan alur kerja yang menggunakan alat. Pengukuran yang dipublikasikan menyatakan bahwa penyetel ini bergerak lebih jauh daripada yang disiratkan oleh kerangka tersebut. Ini adalah angka Artificial Analysis, yang dijalankan secara independen pada harness yang sama, bukan dikutip dari halaman E​levenLabs:

• Penalaran bicara (Big Bench Audio) — Eleven Realtime v1 Max 98.8% vs Eleven Realtime v1 Mini 76%

• Tingkat keberhasilan tugas — Max 87,1% vs Mini 60,3%

• Dinamika percakapan (Full-Duplex-Bench) — Max 94.1% vs Mini 95.8%

• Preferensi Arena (Elo) — Max 997 vs Mini 988

• Waktu hingga audio pertama — Max 0,57 dtk vs Mini 0,62 dtk

• Indeks Speech to Speech — Max tidak dinilai vs Mini tidak dinilai

Bacalah tiga baris terakhir sebelum dua baris pertama. Pada hal yang secara sadar dirasakan penelepon — apakah ini terdengar seperti percakapan — Mini adalah model yang lebih baik dan yang lebih cepat adalah Max, hanya berselisih 50 milidetik. Kesenjangan penalaran 23 poin dan kesenjangan keberhasilan tugas 27 poin itu nyata dan besar, tetapi keduanya muncul dalam apakah agen menyelesaikan pekerjaan, bukan dalam apakah terasa nyaman untuk diajak bicara. Itulah tepatnya trade-off yang dibuat antrean dukungan, dan tepatnya alasan mengapa nilai bawaan itu penting: setiap agen baru yang tidak pernah menyentuh pengaturan tersebut berjalan pada model yang menyelesaikan 60,3% tugas, bukan 87,1%.

Kesenjangan itu juga menjelaskan tanda pisah pada kolom indeks. Mini juga tidak memiliki skor agentic, yang tidak mengherankan untuk model yang diposisikan sebagai versi murah. Max juga tidak memilikinya meskipun diposisikan sebagai versi yang mumpuni.

Apa arti baris yang hilang itu dalam praktiknya

Tingkat keberhasilan tugas dan τ-Voice bukanlah pengukuran yang sama, dan mencampuradukkannya adalah kesalahan termudah yang bisa dilakukan pada rilis ini. Tingkat keberhasilan tugas menanyakan apakah percakapan berakhir dengan panggilan alat final yang benar. τ-Voice menempatkan model ke dalam skenario replika layanan pelanggan — perubahan penerbangan, sengketa biaya, masalah telekomunikasi — dengan alat domain dan dokumen kebijakan, lalu menilai apakah basis data berakhir dalam keadaan yang benar. Inilah perbedaan antara "agen memanggil fungsi yang benar" dan "agen menyelesaikan permintaan tanpa melanggar kebijakan."

ElevenLabs memasarkan Max justru untuk tugas kedua itu. Klaim di halaman produk adalah bahwa Max "menalar pertanyaan rumit dan memanggil alat untuk menyelesaikan pekerjaan tanpa memperlambat percakapan." Belum ada yang dipublikasikan sejauh ini yang menguji klaim tersebut secara menyeluruh. Tingkat keberhasilan tugas 87,1% adalah angka yang kuat; itu juga merupakan separuh evaluasi yang lebih mudah, dan angka itu berdampingan dengan skor dinamika percakapan 94,1% yang satu setengah poin di bawah Mini.

Bagi tim yang memutuskan hari ini, ringkasan jujurnya adalah bahwa Max adalah model penalaran ucapan dengan hasil pengukuran terbaik di bidang ini — 98,8% hanya tertinggal dari 100% StepAudio 3 Realtime dan 99,2% Q​wen Audio 3.0 Realtime Plus pada papan yang sama — dan bahwa perilaku agentiknya belum terukur sementara perilaku para pesaingnya sudah. G​emini 3.8 Live Extended Thinking memiliki skor τ-Voice 68,6%. G​PT-Live-1 (Astra, medium) memiliki 74,5%. Max memiliki tanda hubung.

Berapa biaya satu menitnya

ElevenLabs tidak mempublikasikan angka per model. Penagihan Realtime adalah tarif per menit ElevenAgents standar ditambah token input, input-cache, dan output dengan tarif milik model Realtime itu sendiri, dengan Max lebih mahal per token daripada Mini; dasbor menampilkan estimasi biaya per menit, dan Realtime API menagih per menit audio tersambung ditambah token. Halaman harga sama sekali tidak memiliki item baris Realtime.

Artificial Analysis menormalkan semua itu menjadi satu angka yang dapat dibandingkan — biaya menjalankan subset Big Bench Audio tetap yang terdiri atas 40 pertanyaan, dinyatakan per jam audio masukan. Kedua model ElevenLabs berada pada $4.80. Angka yang identik itulah bagian yang menarik: berapa pun premi per token Max, biaya agen per menit mendominasi tagihan pada volume percakapan, sehingga biaya untuk berbicara dengan model mahal dan model murah sama saja. Penghematan dari Mini muncul saat beban token besar, bukan saat audio panjang.

Sebagai perbandingan, pada ukuran yang sama: G​emini 3.8 Live $0,84 per jam, G​emini 3.8 Live Extended Thinking $3,50, G​PT-Live-1 (Sol, low) $4,47, dan G​rok Voice 3.0 $4,80. Eleven Realtime berada di kisaran tengah, bukan di bawah, dan sekitar 5,7 kali tarif standar G​emini Live.

Itulah titik di mana lapisan routing membuktikan nilainya meskipun tidak dapat menyentuh model suara itu sendiri. Eleven Realtime hanya tersedia melalui API milik E​levenLabs sendiri dan tidak di tempat lain — tidak ada host pihak ketiga yang menyediakan eleven_realtime_v1_max, dan OrcaRouter juga tidak, jadi tidak ada yang perlu dirutekan untuk lapisan suara. Yang dapat Anda rutekan adalah semua yang dipanggil agen: layanan pencarian, penulisan CRM, peringkas yang berjalan setelah panggilan, dan model cadangan yang menjadi fallback cascade saat model realtime mengalami error. Di OrcaRouter, itu adalah 209 model dari 16 penyedia upstream di balik satu kunci, dengan harga daftar penyedia tanpa markup, jadi separuh tagihan yang meningkat seiring seberapa keras pengguna Anda berpikir adalah separuh yang benar-benar dapat Anda optimalkan.

Detail integrasi yang menentukan minggu Anda

E​levenLabs mengambil taruhan yang tidak diambil sebagian besar vendor realtime: API-nya menggunakan protokol event Realtime milik O​penAI. Contoh tujuh baris dalam dokumentasi mengimpor OpenAIRealtimeWebSocket, RealtimeAgent dan RealtimeSession dari @openai/agents-realtime, mengarahkan transport ke URL WebSocket E​levenLabs, dan meneruskan model: "eleven_realtime_v1_mini". Semua hal lainnya — client secret, konfigurasi sesi, modalitas output audio, suara — tidak berubah.

Biaya dari kemudahan itu adalah transport. Tidak ada WebRTC saat peluncuran; dokumentasinya menyatakannya secara langsung, dan integrasi WebRTC apa pun harus beralih ke WebSocket terlebih dahulu. Bagi tim yang sudah menggunakan integrasi WebSocket Realtime, itu bukan masalah besar. Bagi tim yang membangun di atas WebRTC karena WebRTC menangani jitter dan jaringan seluler dengan lebih baik, itu adalah penulisan ulang lapisan transport, bukan penggantian model.

Batasan lainnya bersifat arsitektural: Model realtime berjalan di ElevenAgents dan di Realtime API sebagai produk terpisah. Jika Anda memerlukan nomor telepon, WhatsApp, basis pengetahuan, guardrail, pengujian terskrip, atau pemantauan percakapan, Anda berada di ElevenAgents, dan alat serta prompt agen Anda ikut bersamanya. Jika Anda menggunakan Realtime API, Anda mendapatkan model dan event-nya, bukan platform di sekitarnya. Anda tidak dapat memiliki keduanya pada satu koneksi.

Di tempat yang tidak dijangkauinya

Peluncuran ini tidak merata dalam hal-hal yang lebih penting bagi tim Eropa dan India dibandingkan tim AS:

• Residensi data — kedua model tersedia di AS dan UE; India dan Singapura hanya mendapat Mini, sehingga Max bukan pilihan bagi agen yang dipatok ke lingkungan tersebut

• Kepatuhan — Mode Zero Retention dan dukungan HIPAA untuk Max di AS dan UE, serta sama sekali tidak mendukung Mini

• Batas token — Max memerlukan batas minimal 1.024 token, atau tanpa batas, dan node alur kerja tidak dapat menimpanya

• Backend kustom — Mode real-time tidak tersedia saat agen menggunakan LLM kustom atau Amazon Bedrock; Anda harus beralih ke LLM bawaan terlebih dahulu

• Transfer agen — agen mode Realtime hanya dapat mentransfer ke dan dari agen mode Realtime lain, meskipun transfer Mini-ke-Max diizinkan

Setiap aturan tersebut diberlakukan pada saat publikasi, bukan pada saat penyimpanan. Draf yang melanggar salah satunya tetap tersimpan; publikasi gagal dan menyebutkan pengaturan yang dimaksud.

Apa yang harus ditonton

Dua hasil akan menyelesaikan rilis ini. Yang pertama adalah skor τ-Voice untuk Max — satu angka yang akan menguji klaim yang sebenarnya dijual E​levenLabs. Yang kedua adalah dukungan WebRTC, yang menjadi pembeda antara model yang dapat Anda demokan dan model yang dapat Anda pasang pada panggilan seluler. Sampai saat itu, posisi yang dapat dipertahankan bersifat sempit dan berguna: Mini adalah default yang baik untuk agen percakapan yang tidak perlu menyelesaikan tugas, Max adalah penalar kuat tercepat di papan dan secara masuk akal merupakan agen dukungan yang lebih baik, dan belum ada yang menerbitkan tes yang akan membuktikan paruh kedua.