Eleven Realtime v1 Max vs SeedRealtime: uno ha un prezzo e sei benchmark, l'altro ha una demo

Eleven Realtime v1 Max è un modello speech-to-speech invocabile con un endpoint documentato, sei risultati di benchmark pubblicati e un costo normalizzato di $4,80 per ora di audio. SeedRealtime è il modello audio-visivo full-duplex di B​yteDance Seed, annunciato il 5 agosto 2026, e non ha API, né pesi, né report tecnico, né numero di parametri, né prezzo. Il confronto sembra già deciso prima di iniziare — e poi si nota che anche al modello di E​levenLabs manca un benchmark, e che quello mancante è lo stesso tipo di evidenza che B​yteDance non ha mai pubblicato. Gli incidenti AI documentati e i guasti degli agenti alla base dei modelli di questa classe sono raccolti in l'Archivio degli incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, la gravità, il livello di confidenza e il flag di contestazione.

Questa è la vera forma di questo confronto. Entrambi i modelli vengono venduti sulla promessa che l'alternanza dei turni dovrebbe risiedere all'interno del modello anziché in un rilevatore di attività vocale aggiunto dall'esterno. Entrambi ti chiedono di fidarti di un comportamento che puoi giudicare solo parlando con loro. ElevenLabs ha risposto con un framework di valutazione di terze parti e un dato di costo orario. ByteDance ha risposto con un unico studio interno sulle preferenze. Uno dei due è utilizzabile; nessuno dei due è completo.

Cosa sostiene effettivamente ciascuno

Eleven Realtime v1 Max unisce quattro fasi in un'unica rete: riconoscimento, gestione dei turni, ragionamento e generazione vocale. La proposta di ElevenLabs è che ottimizzarle insieme elimina le giunture che una cascata lascia dietro di sé — il mezzo secondo morto dopo che un chiamante smette di parlare, l'agente che parla sopra un'interruzione, il divario tra ciò che è stato ascoltato e ciò che viene detto in risposta. Max aggiunge la fase di ragionamento a questo design ed è posizionato per compiti complessi e chiamate a strumenti multi-step; il suo fratello, Eleven Realtime v1 Mini, è la variante conversazionale economica, ed è quella che ogni nuovo agente ElevenAgents riceve per impostazione predefinita.

SeedRealtime spinge più a fondo sulle modalità e meno su tutto il resto. Il modello di B​yteDance unifica audio, video e testo in un'unica architettura end-to-end, il che significa che può guardare, ascoltare e parlare contemporaneamente invece di concatenare un modello di visione a un modello ASR, a un modello linguistico e a una voce. I comportamenti dimostrati sono quelli che un sistema bimodale non può produrre: associare una voce a un volto in una conversazione di gruppo rumorosa, così che il modello tenga traccia di chi ha detto cosa; prendere la parola senza essere sollecitato quando un oggetto bersaglio entra nell'inquadratura; scenari di guida museale e riparazione di dispositivi in cui il modello deve vedere ciò che stai guardando.

Audio più video è un problema più difficile di audio più testo, e SeedRealtime sta affrontando quello più difficile. Vale la pena dirlo chiaramente prima che il resto di questo articolo spieghi perché non puoi ancora usarlo.

Le prove, soppesate onestamente

Artificial Analysis esegue sia un test di ragionamento vocale sia un test di dinamica conversazionale sui modelli di questa categoria. Li ha eseguiti su Eleven Realtime v1 Max. Non li ha eseguiti su SeedRealtime, e non può farlo: non c'è alcun endpoint da chiamare.

• Ragionamento vocale (Big Bench Audio) — Eleven Realtime v1 Max 98,8% vs SeedRealtime non pubblicato

• Dinamiche conversazionali (Full-Duplex-Bench) — Max 94,1% vs SeedRealtime non pubblicato

• Tasso di successo delle attività — Max 87,1% contro SeedRealtime non pubblicato

• Preferenza Arena (Elo) — Max 997 vs SeedRealtime non pubblicato

• Prestazioni agentiche (τ-Voice) — Max non misurato vs SeedRealtime non pubblicato

• Tempo al primo audio — Massimo 0,57 s vs SeedRealtime: nessun dato di latenza in millisecondi

• Costo per ora di audio in ingresso — Max $4,80 vs SeedRealtime nessuna offerta commerciale

• Modalità supportate — Max audio e testo vs SeedRealtime audio, video e testo

L'unica riga in cui SeedRealtime è in testa è quella che nessuno può acquistare. L'unico numero pubblico che B​yteDance ha offerto è una valutazione umana end-to-end che sostiene che SeedRealtime dimezza i problemi di ritmo conversazionale dei sistemi a cascata ASR-plus-vision-plus-T​TS — meno interruzioni, meno falsi inneschi, risposte più lente e più naturali. Nessuna dimensione del campione, nessuna metodologia, nessun numero di annotatori, nessuna latenza in millisecondi. Un rapporto secondario cita un guadagno di fluidità del 12% rispetto ai modelli precedenti del team. Questa è l'intera base di prove.

Ora la parte onesta, dall'altra parte. La riga τ-Voice di Max è vuota, il che conta perché Max è il modello che ElevenLabs vende per il completamento delle attività. Il suo punteggio di ragionamento del 98,8% è misurato su 1.000 domande audio, non su una chiamata al servizio clienti con strumenti e un documento di policy. Quindi ElevenLabs ha sei numeri e un buco dove ByteDance ha un numero e nessun endpoint: modalità di fallimento diverse, stessa situazione di fondo: ciò su cui ciascun modello viene commercializzato non è ciò su cui ciascun modello è stato misurato.

Perché l'architettura conta più dell'abbinamento

Un anno fa, gli agenti vocali erano una pipeline con un orchestratore al di sopra. Qualcuno doveva decidere quando l’utente aveva smesso di parlare, instradare la trascrizione a un modello linguistico, attendere i token, quindi passare il testo a un sintetizzatore che doveva suonare come se fosse stato parte della conversazione. Ogni fase aggiungeva latenza e ogni passaggio di consegne creava una giuntura.

Entrambi questi modelli sono scommesse sul fatto che il problema sia la giuntura. La risposta di Eleven Realtime è fondere le fasi lato audio — ascolto, gestione dei turni, pensiero, parlato — in un'unica rete e mantenere il modello solo audio. La risposta di SeedRealtime è fondere quelle fasi e aggiungere la vista, così che il modello possa identificare "questo" da un gesto di indicazione, o notare che la persona con cui sta parlando si è allontanata.

Il compromesso è leggibile nelle specifiche. Eleven Realtime Max risponde in 0,57 secondi e ottiene il 98,8% in un test di ragionamento con input solo audio. La promessa di SeedRealtime è un input più ampio e, di conseguenza, più contesto per turno; il suo costo è che il full-duplex visivo è costoso da servire, il che è una ragione plausibile per cui un'app consumer è l'unico posto in cui viene distribuito. Nessuna delle due aziende ha pubblicato un dato di latenza che renda quantitativo il confronto, e solo una di esse ha pubblicato qualcosa che possa essere verificato da terze parti.

L'endpoint B​yteDance che esiste ma non è questo modello

Questo è l'errore che vale la pena evitare, perché è facile commetterlo e costoso scoprirlo. Volcano Engine, il ramo cloud di B​yteDance, documenta un prodotto vocale in tempo reale separato — il modello vocale in tempo reale Doubao 3.0 — raggiungibile tramite un endpoint WebSocket con una chiave API della console, PCM o Opus a 16 kHz in ingresso e audio a 24 kHz in uscita, utilizzando un protocollo di eventi in tempo reale.

Si tratta di un'API per sviluppatori della stessa azienda e nello stesso ambito di prodotto, e non è SeedRealtime. È solo audio: nessun video, nessun binding facciale, nessun grounding visivo. È un modello distinto, con una propria cronologia di rilascio. I team che cercano la vera API vocale in tempo reale di B​yteDance troveranno quella documentazione, integreranno su di essa e crederanno di stare usando il modello oggetto della copertura. Volcano Engine non ha pubblicato alcuna data per un endpoint del modello audio-visivo. Qualsiasi annuncio che ti offra accesso a SeedRealtime ti sta proponendo qualcos'altro.

Cosa significa se hai un prodotto da spedire

Non c'è alcuna decisione da prendere tra questi due per il lavoro di produzione di questo trimestre. Eleven Realtime v1 Max è invocabile ora, tramite ElevenAgents o un'API Realtime compatibile con OpenAI all'indirizzo wss://api.elevenlabs.io/v1/convai/realtime, mentre SeedRealtime è una pietra miliare della ricerca all'interno di un'app telefonica in Cina.

La decisione che esiste davvero è come costruire attorno a questo. L'API Realtime di ElevenLabs è solo WebSocket al lancio — niente WebRTC — ed è un prodotto separato da ElevenAgents, quindi telefono, WhatsApp, basi di conoscenza, guardrail e monitoraggio arrivano solo con il lato piattaforma. Max inoltre non è offerto negli ambienti di residenza dei dati in India e Singapore, e richiede un limite di token di almeno 1.024; Mini, stranamente, supporta India e Singapore ma non Zero Retention Mode o HIPAA, che Max supporta invece negli Stati Uniti e nell'UE.

Il punto in cui si inserisce OrcaRouter non è il livello vocale. Non ospitiamo eleven_realtime_v1_max e non esiste un endpoint di terze parti per questo. Quello che ospitiamo è tutto ciò che un agente di questo tipo chiama attorno al modello: 209 modelli da 16 provider upstream dietro un'unica chiave, al prezzo di listino del provider senza alcun ricarico, con failover automatico quando un provider genera un errore o va in timeout. La metà costosa e variabile di un agente vocale è il retrieval e il reasoning che delega; quella metà è sostituibile senza toccare il loop audio, ed è lì che una settimana di messa a punto ripaga.

Cosa cambierebbe questo

Un'API per SeedRealtime renderebbe questo un vero confronto, e non solo per via del video. Un endpoint richiamabile permetterebbe ad Artificial Analysis di mettere il modello sullo stesso harness a quattro parti usato da tutti gli altri, che è l'unica via per ottenere un numero che significhi qualcosa tra i fornitori. Un rapporto tecnico farebbe gran parte dello stesso lavoro.

Sul fronte E​levenLabs, il pezzo mancante è una run di τ-Voice su Max. Quando arriverà, il settore avrà finalmente una metrica agentica confrontabile per il modello che E​levenLabs commercializza come quello orientato ai task. Fino ad allora il bilancio è prosaico: di questi modelli, uno lo puoi chiamare, misurare, prezzare e distribuire, l'altro lo puoi solo guardare, e il divario tra queste due posizioni è più grande del divario tra le loro architetture.