Eleven Realtime v1 Max vs Gemini 3.8 Live: più veloce, più preciso nel ragionamento e 5,7 volte il prezzo

Eleven Realtime v1 Max inizia a parlare in 0,57 secondi e ottiene il 98,8% su Big Bench Audio. Gemini 3.8 Live inizia a parlare in 1,18 secondi e ottiene il 92%. Sui due assi che le persone citano quando discutono di modelli vocali, ElevenLabs vince entrambi — e poi perde su quasi ogni asse che interessa a un team finanziario, a cominciare da quello in cui la stessa classifica di benchmark mette Gemini a 0,84 $ all'ora di audio ed Eleven Realtime Max a 4,80 $.Gli incidenti AI documentati e i guasti degli agenti dietro ai modelli di questa classe sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e l'indicatore di contestazione.

I due modelli non sono d'accordo nemmeno su cosa sia un agente vocale. G​emini 3.8 Live è un pezzo di una piattaforma: ha un punteggio di indice, una rate card documentata, 97 lingue, watermarking SynthID su ogni secondo generato e due varianti — standard ed Extended Thinking — che separano il ragionamento dalla conversazione. Eleven Realtime v1 Max è un singolo modello venduto con la promessa che riconoscimento, gestione dei turni, pensiero e voce siano stati messi a punto insieme, e non ha affatto uno Speech to Speech Index perché il benchmark agentico alla base di quell'indice non è stato eseguito su di esso.

Quell'ultima frase è l'intero argomento compresso. Uno di questi modelli ha una scheda di valutazione pubblica completa; l'altro ha i numeri migliori nelle due righe che ha, e uno spazio vuoto dove va la riga più difficile.

Cosa dice effettivamente il tabellone

Ogni dato riportato di seguito proviene dalla classifica Speech to Speech di Artificial Analysis, che testa entrambi i modelli sullo stesso harness invece di limitarsi a riportare le pagine dei fornitori. Laddove un dato del fornitore differisce, viene segnalato.

• Ragionamento vocale (Big Bench Audio) — Eleven Realtime v1 Max 98.8% vs G​emini 3.8 Live 92%

• Tempo al primo audio — Max 0,57 s vs Gemini 1,18 s

• Tasso di successo delle attività — Max 87,1% vs G​emini 93,2%

• Prestazioni agentiche (τ-Voice) — Max non misurato vs G​emini 30,1%

• Dinamiche conversazionali (Full-Duplex-Bench) — Max 94,1% vs Gemini 96,1%

Preferenza Arena (Elo) — Max 997 vs Gemini 1.078

• Indice Speech to Speech — Max non valutato rispetto a Gemini 76,0

• Costo per ora di audio in input — Max $4,80 vs Gemini $0,84

Lo schema non è "E​levenLabs è migliore nell'audio, G​oogle è migliore in tutto il resto". È più circoscritto e più interessante di così. Max vince le due misurazioni effettuate su un set fisso di domande audio — rispondere correttamente, rispondere in fretta — e perde le tre che coinvolgono un essere umano nel ciclo o una chiamata a uno strumento da completare. La preferenza nell'Arena riguarda persone che ascoltano e scelgono. Il successo del compito riguarda se è stata chiamata la funzione giusta. Le dinamiche conversazionali riguardano se l'alternanza dei turni è risultata giusta. Queste sono le metriche di produzione, e G​emini si aggiudica tutte e tre.

La riga τ-Voice merita un'avvertenza prima che qualcuno la citi. Il 30,1% di G​emini 3.8 Live è un punteggio agentico davvero scarso — il suo stesso modello gemello Extended Thinking ottiene il 68,6% sullo stesso test, e G​PT-Live-1 (Astra, medium) ottiene il 74,5%. Se il tuo agente deve modificare una prenotazione all'interno di una policy, il semplice 3.8 Live non è il modello che ti serve. Ma il valore vuoto di Max non è uno zero e non va letto come tale. Significa che il test non è stato eseguito.

Da dove nasce il divario di prezzo e perché potrebbe non contare quanto sembra

Gemini 3.8 Live viene fatturato a 0,005 $ al minuto per l'audio in ingresso e 0,018 $ al minuto per quello in uscita, con il testo a 0,75 $ e 4,50 $ per milione di token e l'input di immagini o video a 1,00 $ per milione. Eleven Realtime non pubblica affatto una tariffa per modello: in ElevenAgents paghi la tariffa standard al minuto per agente più i token alla tariffa del modello Realtime, mentre tramite la Realtime API paghi al minuto per l'audio connesso più i token, con gli stessi prezzi per token su tutti i piani. Artificial Analysis converte entrambi in costo orario su un set fisso di domande, che è l'unico modo per confrontarli onestamente, e si attesta a 0,84 $ contro 4,80 $.

Ne conseguono due cose. Primo, se il tuo volume si misura in migliaia di minuti al giorno, il divario è la decisione — 5,7× non è un errore di arrotondamento, e ElevenLabs non ha alcuna leva pubblicata per colmarlo, tranne la Mini più economica. Secondo, il confronto non è statico come un prezzo di listino. Google ha già ridotto in passato le tariffe audio di Gemini, e una riduzione ricade su di noi lo stesso giorno in cui un fornitore trasferisce il prezzo di listino, perché OrcaRouter non applica alcun ricarico. Lo stesso vale al contrario: se ElevenLabs pubblica una tariffa Realtime, il numero cambia senza che nessuno debba riscrivere un'integrazione.

Due diverse scommesse sull'alternanza dei turni

Le architetture non sono equivalenti, e la differenza spiega la divergenza delle metriche meglio di qualsiasi affermazione sulla qualità.

G​emini 3.8 Live è una delle proposte di una famiglia che G​oogle distribuisce ormai da due anni.

Elabora input visivi quasi in tempo reale, cambia lingua a metà conversazione tra 97 lingue ed esegue chiamate a strumenti e API in background, così che l'agente possa confermare una richiesta e continuare a parlare mentre la ricerca viene completata. Il suo gemello, G​emini 3.8 Live Extended Thinking, ragiona e parla allo stesso tempo, narrando i progressi. Entrambi hanno watermark SynthID e condividono una model card pubblicata come gemini-3-8-audio, ed entrambi hanno ID API documentati: gemini-3.8-live e gemini-3.8-live-extended-thinking.

Eleven Realtime unifica lo stack invece di coordinarlo.

Riconoscimento, alternanza dei turni, la fase di ragionamento e la generazione vocale sono un unico sistema calibrato, ed è per questo che può rispondere in 0,57 secondi senza un rilevatore separato di attività vocale che decida quando chi parla ha finito. L'esempio che E​levenLabs stessa fornisce del vantaggio è il backchannel: è documentato che Mini rileva se chi parla ha finito o si sta semplicemente inserendo con un "mm-hmm". È questo il comportamento che fa smettere un agente vocale di sembrare un walkie-talkie, ed è il tipo di cosa con cui una pipeline a cascata fatica, perché al VAD va detto cos'è un'interruzione.

Il costo della progettazione unificata è il controllo. In ElevenAgents, scegliere un modello Realtime significa che ElevenLabs gestisce l'LLM, lo sforzo di ragionamento, il budget di pensiero, le chiamate parallele agli strumenti, il timeout della cascata, il modello TTS, la modalità espressiva e il provider ASR. Non puoi usare un LLM personalizzato, non puoi usare Amazon Bedrock e un nodo del flusso di lavoro non può sovrascrivere nessuna di queste impostazioni. Gemini ti dà il modello e ti consente di mantenere la pipeline.

La domanda sull'integrazione che nessuno mette nella tabella di confronto

Gemini 3.8 Live è un modello dell'API Gemini. Eleven Realtime è venduto in due modi — all'interno di ElevenAgents e tramite un'API Realtime compatibile a livello di protocollo con il protocollo di eventi di OpenAI, su wss://api.elevenlabs.io/v1/convai/realtime. Se disponi di un client OpenAI Realtime, cambiare l'endpoint e il nome del modello costituisce la maggior parte della migrazione; la documentazione include una skill da un solo comando per farlo.

Quello a cui rinunci per quella compatibilità è la piattaforma. La Realtime API e ElevenAgents sono prodotti separati su protocolli di connessione diversi, e l'API non include canali telefonici o WhatsApp, basi di conoscenza, guardrail, test scriptati o monitoraggio delle conversazioni. E​levenLabs è inoltre esplicita sul fatto che la Realtime API non dispone di WebRTC al lancio — solo WebSocket.

È in questa asimmetria che si inserisce un livello di routing, e si inserisce meglio dal lato Gemini che dal lato ElevenLabs. OrcaRouter non ospita eleven_realtime_v1_max; non esiste un endpoint di terze parti per quel modello, e non intendiamo far finta del contrario. Ciò che OrcaRouter ospita è il resto di uno stack modellato su Gemini: google/gemini-3.8-flash e gli altri modelli Gemini dietro un'unica chiave, 209 modelli da 16 provider in totale, al prezzo di listino del provider senza alcun ricarico, con failover automatico quando un provider genera un errore. Se costruisci il livello vocale su Gemini, il retrieval e l'analisi post-chiamata che lo circondano possono essere sostituiti e testati A/B sul tuo traffico reale invece di essere scelti in base a una classifica.

Quale scegliere?

Scegli G​emini 3.8 Live se l'agente deve completare una transazione, se ti serve un prezzo inferiore a un dollaro all'ora, se hai bisogno di input visivo o se ti servono 97 lingue su un'unica riga. Ha la scorecard pubblica completa, il listino prezzi documentato e il minuto meno caro. La sua debolezza agentica è reale ma misurabile, e il suo modello gemello Extended Thinking è la soluzione se il completamento delle attività è il collo di bottiglia.

Scegli Eleven Realtime v1 Max se la conversazione stessa è il prodotto — un tutor, un personaggio, una linea di supporto in cui essere interrotti è il motivo della lamentela — e se il tuo carico di lavoro è costituito da audio con un forte peso del ragionamento anziché da lunghe chiamate continue. Stai acquistando il ragionatore forte più veloce disponibile e il turn-taking meglio misurato, a un prezzo premium che dovresti valutare prima di impegnarti.

Non basarti solo sul punteggio dell'indice. Max non ne ha uno, e questo non è un attacco alla qualità di Max; è una constatazione di quanto del comportamento di Max sia ancora non misurato. L'unico numero che cambierebbe questo confronto è un'esecuzione di τ-Voice su Max. Se si colloca sopra il 68,6% di G​emini — la variante Extended Thinking, non quella standard — il premium di E​levenLabs inizia a sembrare una polizza assicurativa piuttosto che una tassa. Fino a quel momento, il modello più veloce è quello che ha più da dimostrare.