Eleven Realtime v1 Max vs SeedRealtime: Yang Satu Punya Harga dan Enam Benchmark, yang Lain Punya Demo

Eleven Realtime v1 Max adalah model speech-to-speech yang dapat dipanggil dengan endpoint terdokumentasi, enam hasil benchmark yang dipublikasikan, dan biaya ternormalisasi $4,80 per jam audio. SeedRealtime adalah model full-duplex audio-visual dari B​yteDance Seed, diumumkan pada 5 Agustus 2026, dan tidak memiliki API, bobot, laporan teknis, jumlah parameter, maupun harga. Perbandingannya tampak sudah diputuskan sebelum dimulai — lalu Anda menyadari bahwa model E​levenLabs juga kehilangan satu benchmark, dan yang hilang itu adalah jenis bukti yang sama yang tidak pernah dipublikasikan B​yteDance. Insiden AI terdokumentasi dan kegagalan agen di balik model di kelas ini dikumpulkan dalam Arsip Insiden AI OrcaRouter, dengan setiap entri membawa sumbernya sendiri, tingkat keparahan, kelas keyakinan, dan penanda status diperdebatkan.

Itulah bentuk sebenarnya dari pertandingan ini. Kedua model dijual dengan klaim bahwa giliran bicara seharusnya berada di dalam model, bukan di detektor aktivitas suara yang ditempelkan di luarnya. Keduanya meminta Anda mempercayai perilaku yang hanya bisa Anda nilai dengan berbicara kepada mereka. E​levenLabs menjawabnya dengan kerangka evaluasi pihak ketiga dan angka biaya per jam. B​yteDance menjawabnya dengan satu studi preferensi internal. Salah satunya dapat digunakan; tidak ada yang lengkap.

Apa yang sebenarnya diklaim masing-masing

Eleven Realtime v1 Max menggabungkan empat tahap ke dalam satu jaringan: pengenalan, giliran bicara, penalaran, dan pembangkitan suara. Klaim E​levenLabs adalah bahwa menyetel semuanya secara bersamaan menghilangkan sambungan-sambungan yang tertinggal dari kaskade — setengah detik mati setelah penelepon berhenti, agen yang tetap berbicara saat ada interupsi, jarak antara apa yang terdengar dan apa yang dikatakan kembali. Max menambahkan langkah penalaran ke dalam desain itu dan diposisikan untuk tugas-tugas kompleks serta panggilan alat bertahap; saudaranya, Eleven Realtime v1 Mini, adalah varian percakapan yang murah, dan itulah yang diperoleh setiap agen ElevenAgents baru secara bawaan.

SeedRealtimeMelangkah lebih jauh dalam hal modalitas dan tidak sejauh itu dalam hal lainnya. Model B​yteDance menyatukan audio, video, dan teks dalam satu arsitektur end-to-end, yang berarti model ini dapat mengamati, mendengarkan, dan berbicara sekaligus alih-alih merangkai model visi ke model ASR ke model bahasa lalu ke suara. Perilaku yang didemonstrasikan adalah perilaku yang tidak dapat dihasilkan sistem dua modalitas: mengaitkan suara dengan wajah dalam percakapan kelompok yang bising sehingga model melacak siapa mengatakan apa, bersuara tanpa diminta saat objek target masuk ke bingkai, serta skenario pemandu museum dan perbaikan perangkat ketika model perlu melihat apa yang sedang Anda lihat.

Audio-plus-video adalah masalah yang lebih sulit daripada audio-plus-teks, dan SeedRealtime sedang mencoba yang lebih sulit. Hal itu layak dinyatakan secara terus terang sebelum sisa tulisan ini menjelaskan mengapa Anda masih belum bisa menggunakannya.

Bukti, ditimbang dengan jujur

Artificial Analysis menjalankan tes penalaran ucapan dan tes dinamika percakapan pada model-model di kategori ini. Artificial Analysis telah menjalankannya pada Eleven Realtime v1 Max. Artificial Analysis belum menjalankannya pada SeedRealtime, dan tidak bisa — tidak ada endpoint untuk dipanggil.

• Penalaran ucapan (Big Bench Audio) — Eleven Realtime v1 Max 98,8% vs SeedRealtime tidak dipublikasikan

• Dinamika percakapan (Full-Duplex-Bench) — Maks 94,1% vs SeedRealtime tidak dipublikasikan

• Tingkat keberhasilan tugas — Maks 87,1% vs SeedRealtime tidak dipublikasikan

• Preferensi Arena (Elo) — Max 997 vs SeedRealtime tidak dipublikasikan

• Performa agentik (τ-Voice) — Max tidak diukur vs SeedRealtime tidak dipublikasikan

• Waktu hingga audio pertama — Maks 0,57 dtk vs SeedRealtime tanpa angka latensi dalam milidetik

• Biaya per jam audio masukan — Max $4,80 vs SeedRealtime tanpa penawaran komersial

• Modalitas masukan — Max audio dan teks vs SeedRealtime audio, video, dan teks

Satu-satunya baris di mana SeedRealtime memimpin adalah baris yang tidak bisa dibeli siapa pun. Satu-satunya angka publik yang ditawarkan B​yteDance adalah evaluasi manusia end-to-end yang mengklaim SeedRealtime memangkas separuh masalah tempo percakapan pada sistem bertingkat ASR-plus-vision-plus-TTS — lebih sedikit pemutusan, lebih sedikit pemicu palsu, balasan yang lebih lambat dan lebih alami. Tidak ada ukuran sampel, tidak ada metodologi, tidak ada jumlah anotator, tidak ada latensi dalam milidetik. Sebuah laporan sekunder menyebutkan kenaikan kelancaran sebesar 12% dibandingkan model sebelumnya tim. Itulah seluruh basis buktinya.

Sekarang bagian jujurnya di sisi lain. Baris τ-Voice Max kosong, dan itu penting karena Max adalah model yang dijual ElevenLabs untuk penyelesaian tugas. Skor penalaran 98,8%-nya diukur pada 1.000 pertanyaan audio, bukan pada panggilan layanan pelanggan dengan alat dan dokumen kebijakan. Jadi ElevenLabs punya enam angka dan satu kekosongan, sementara ByteDance punya satu angka dan tanpa endpoint — mode kegagalan berbeda, situasi dasar sama: hal yang dipasarkan dari tiap model bukan hal yang diukur dari tiap model.

Mengapa arsitektur lebih penting daripada pertandingan

Setahun yang lalu, agen suara adalah pipeline dengan orkestrator di atasnya. Seseorang harus menentukan kapan pengguna selesai berbicara, mengarahkan transkrip ke model bahasa, menunggu token, lalu menyerahkan teks kepada sintesiser yang harus terdengar seakan-akan merupakan bagian dari percakapan itu. Setiap tahap menambah latensi dan setiap serah-terima menambah sambungan yang terasa.

Kedua model ini adalah taruhan bahwa sambunganlah masalahnya. Jawaban Eleven Realtime adalah menggabungkan tahap-tahap sisi audio — mendengarkan, giliran bicara, berpikir, berbicara — menjadi satu jaringan dan membuat model tetap hanya-audio. Jawaban SeedRealtime adalah menggabungkan semuanya dan menambahkan penglihatan, sehingga model dapat menentukan "yang ini" dari gerakan menunjuk, atau menyadari bahwa orang yang diajaknya bicara telah pergi menjauh.

Pertukaran itu terlihat jelas dalam spesifikasi. Eleven Realtime Max menjawab dalam 0,57 detik dan mencetak 98,8% pada tes penalaran dengan input hanya audio. Klaim SeedRealtime adalah input yang lebih luas dan, secara tersirat, lebih banyak konteks per giliran; biayanya adalah bahwa full-duplex visual mahal untuk dilayani, yang merupakan alasan masuk akal bahwa aplikasi konsumen adalah satu-satunya tempat produk itu dirilis. Kedua perusahaan belum menerbitkan angka latensi yang membuat perbandingan menjadi kuantitatif, dan hanya salah satu dari mereka yang telah menerbitkan apa pun yang dapat diperiksa oleh pihak ketiga.

Endpoint B​yteDance yang ada tetapi bukan model ini

Ini adalah kesalahan yang layak dihindari, karena mudah dilakukan dan mahal untuk ditemukan. Volcano Engine, unit cloud B​yteDance, mendokumentasikan produk suara real-time terpisah — model suara real-time Doubao 3.0 — yang dapat diakses melalui endpoint WebSocket dengan kunci API konsol, masukan PCM 16 kHz atau Opus dan keluaran audio 24 kHz, menggunakan protokol peristiwa real-time.

Itu adalah API pengembang dari perusahaan yang sama di area produk yang sama, dan itu bukan SeedRealtime. API tersebut hanya audio: tidak ada video, tidak ada pengikatan wajah, tidak ada grounding visual. Itu adalah model tersendiri dengan riwayat rilisnya sendiri. Tim yang mencari API suara real-time milik B​yteDance akan menemukan dokumentasi itu, melakukan integrasi terhadapnya, dan percaya bahwa mereka menggunakan model yang sedang dibahas dalam pemberitaan. Volcano Engine belum menerbitkan tanggal untuk endpoint bagi model audio-visual tersebut. Daftar apa pun yang menawarkan akses SeedRealtime kepada Anda menawarkan sesuatu yang lain.

Apa artinya ini jika Anda memiliki produk untuk dikirim

Tidak ada keputusan yang perlu dibuat antara keduanya untuk pekerjaan produksi kuartal ini. Eleven Realtime v1 Max sudah dapat dipanggil sekarang, melalui ElevenAgents atau API Realtime yang kompatibel dengan OpenAI di wss://api.elevenlabs.io/v1/convai/realtime, dan SeedRealtime adalah tonggak riset di dalam aplikasi ponsel di Tiongkok.

Keputusan yang memang ada adalah bagaimana membangun di sekitarnya. Realtime API E​levenLabs hanya berbasis WebSocket saat peluncuran — tanpa WebRTC — dan merupakan produk terpisah dari ElevenAgents, sehingga telepon, WhatsApp, basis pengetahuan, guardrail, dan pemantauan hanya tersedia di sisi platform. Max juga tidak ditawarkan di lingkungan residensi data India dan Singapura, serta memerlukan batas token minimal 1.024; Mini, anehnya, mendukung India dan Singapura tetapi tidak mendukung Zero Retention Mode atau HIPAA, yang didukung Max di AS dan UE.

Posisi OrcaRouter bukanlah di lapisan suara. Kami tidak menghosting eleven_realtime_v1_max, dan tidak ada endpoint pihak ketiga untuknya. Yang kami hosting adalah semua yang dipanggil agen dengan bentuk ini di sekitar model: 209 model dari 16 penyedia upstream di balik satu kunci, dengan harga daftar penyedia tanpa markup, dengan failover otomatis saat penyedia mengalami error atau timeout. Separuh bagian agen suara yang mahal dan bervariasi adalah retrieval dan penalaran yang didelegasikannya; bagian itu dapat ditukar tanpa menyentuh loop audio, dan di situlah sepekan penyetelan membuahkan hasil.

Apa yang akan mengubah ini

API untuk SeedRealtime akan menjadikan ini perbandingan yang sesungguhnya, dan bukan hanya karena videonya. Endpoint yang dapat dipanggil akan memungkinkan Artificial Analysis menempatkan model pada harness empat bagian yang sama seperti yang digunakan semua pihak lain, yang merupakan satu-satunya jalan menuju angka yang bermakna lintas vendor. Laporan teknis akan melakukan sebagian besar pekerjaan yang sama.

Di sisi E​levenLabs, bagian yang hilang adalah pengujian τ-Voice pada Max. Saat itu tersedia, bidang ini akhirnya akan memiliki angka agentik yang sebanding untuk model yang dipasarkan E​levenLabs sebagai model berorientasi tugas. Sampai saat itu, ringkasannya tidak glamor: salah satu model ini dapat Anda panggil, ukur, beri harga, dan kirimkan, yang satu lagi hanya dapat Anda amati, dan jarak antara kedua posisi itu lebih besar daripada jarak antara arsitektur keduanya.