Eleven Realtime v1 Max、速度と音声推論でボード首位 — インデックススコアなし

Eleven Realtime v1 Maxは0.57秒で応答し、Big Bench Audioで98.8%を記録します。Eleven Realtime v1 Miniは0.62秒で応答し、同じテストで76%を記録します。この2つの数値を並べて読むことが、ElevenLabsの2026年10月20日の発表で最も有用な点です。どちらか一方が単独で印象的なためではなく、両者の間に23ポイントの差があり、しかも弱い方がデフォルトで得られるものだからです。このクラスのモデルにまつわる、記録されたAIインシデントとエージェントの障害はthe OrcaRouter AI Incident Archiveに集められており、各項目には独自の出典、重大度、信頼度グレード、異議ありフラグが付いています。

同じリーダーボードには、さらに奇妙な事実がもう一つある。Artificial Analysis は両モデルについて、最初の音声までの時間、Big Bench Audio スコア、会話ダイナミクススコア、アリーナ Elo、タスク成功率を記載している——そして、Speech to Speech Index があるべき場所にはダッシュ記号を置いている。Max にはインデックススコアがない。低いのではない。皆無なのだ。

理由は機械的であり、それによって以下のことの大半が説明できる。この指数は4つの構成要素の等重み平均だ。音声推論（Big Bench Audio）、τ-Voiceカスタマーサービスベンチマークにおけるエージェント性能、アリーナ選好、タスク成功率である。モデルが採点されるには4つすべてが必要だ。Maxには3つしかない。E​levenLabsはMaxを「複雑なタスク」と「多段階のツール使用」向けに売り込んでいる——そして、ツール使用ベンチマークは、まだ誰もMaxで実行していないものだ。

E​levenLabsが実際に出荷したもの

Eleven Realtimeファミリーは、ElevenLabsが知られているテキスト読み上げモデルとは異なる種類の製品です。各Realtimeモデルは、音声認識、ターンテイキング、推論ステップ、音声生成を、オーケストレーターが音声認識・言語モデル・音声合成をつなぎ合わせるパイプラインではなく、ひとつのネットワークでまとめて処理します。ElevenLabsの訴求点は、これら4段階をひとつのシステムとして調整することで継ぎ目をなくすことです。たとえば、通話者が話し終えた後の0.5秒の無音、割り込みに対して被せて話してしまうエージェント、文字起こしが聞き取った内容と音声が返す内容の不一致などです。

両方のモデルには2つの方法でアクセスできます。ElevenAgents内でドロップダウンからモデルを選択するとプラットフォームが残りを設定する方法と、意図的にO​penAIのものとワイヤ互換になるよう作られたRealtime APIで、wss://api.elevenlabs.io/v1/convai/realtimeにあります。エンドポイントとモデル名を変更すれば、既存のO​penAI Realtimeクライアントはイベントハンドラをそのまま維持します。

10月20日に出たのは発表であり、サービス開始ではありません。ElevenLabs自身のドキュメントは今も、モデルが「段階的にロールアウト中」であると説明しており、Voiceモード設定のないワークスペースでは、APIが「Realtime models are not available for this workspace.」というエラーでrealtime_modelを完全に拒否すると述べています。モデル識別子も今回の報道サイクルより前から存在します。ElevenAgentsの8月3日の変更履歴には、リアルタイムエージェント設定がすでにeleven_realtime_v1_miniをデフォルトにし始めていたことが記されています。ローンチ日は、数値が公開された日と捉えるべきで、エンドポイントが開いた日ではありません。

その2つのモデルは、同じものの2つのサイズというわけではない

E​levenLabsはMiniとMaxをコストと品質の調整ダイヤルとして位置づけている。Miniはアシスタント、家庭教師、キャラクター向け、Maxはサポート、リードの適格性評価、ツールを利用するワークフロー向けだ。公表された測定値は、その枠組みが示唆する以上にダイヤルが大きく動くことを示している。これらは、E​levenLabsのページから引用したものではなく、同じハーネス上で独立して実行されたArtificial Analysisの数値である:

• 音声推論（Big Bench Audio）— Eleven Realtime v1 Max 98.8% 対 Eleven Realtime v1 Mini 76%

• タスク成功率 — Max 87.1% 対 Mini 60.3%

• 会話のダイナミクス（Full-Duplex-Bench）— Max 94.1% 対 Mini 95.8%

• アリーナ優先設定（Elo） — Max 997 対 Mini 988

• 初回音声までの時間 — Max 0.57秒 対 Mini 0.62秒

• Speech to Speech Index — Max は未採点、Mini は未採点

最初の2行より先に、最後の3行を読んでほしい。電話をかけた人が意識的に感じる点——これは会話のように聞こえるか——では、Mini のほうが優れたモデルであり、速いのは Max だが、その差はわずか50ミリ秒だ。23ポイントの推論差と27ポイントのタスク成功率差は現実のもので大きくもあるが、それらはエージェントが仕事を成し遂げるかどうかに現れ、会話していて気持ちいいかどうかには現れない。それこそがサポートキューが行うトレードオフであり、デフォルトが重要な理由そのものだ。設定に一切触れない新しいエージェントは皆、タスクの87.1%ではなく60.3%を解決するモデルで動くのだから。

その差は、インデックス列にダッシュが入っている理由でもある。Miniにはエージェントスコアも欠けているが、安価なモデルとして位置づけられていることを考えれば不思議ではない。Maxは、高性能なモデルとして位置づけられているにもかかわらず、それが欠けている。

欠けている行が実際に何を意味するか

タスク成功率とτ-Voiceは同じ指標ではなく、両者を混同することが今回のリリースで最も陥りやすい誤りです。タスク成功率は、会話が正しい最終ツール呼び出しで終了したかどうかを問います。τ-Voiceは、モデルを再現されたカスタマーサービスシナリオ——フライト変更、請求に関する異議、通信関連の問題——にドメイン固有のツールとポリシー文書とともに投入し、データベースが正しい状態で終わるかを採点します。これは「エージェントが正しい関数を呼び出した」ことと「エージェントがポリシーに違反せずにリクエストを解決した」ことの違いです。

ElevenLabsはMaxをまさにその第2の仕事向けに売り込んでいる。製品ページの主張は、Maxが「複雑な質問を推論し、会話のテンポを落とすことなくツールを呼び出して物事をやり遂げる」というものだ。これまで公表されたものの中で、その主張をエンドツーエンドで検証したものはない。87.1%というタスク成功率は強い数字だ。しかしそれは評価の易しい半分でもあり、Miniより1.5ポイント低い94.1%という会話ダイナミクスのスコアと隣り合わせに置かれている。

今日決断するチームにとって、正直な要約はこうだ。Max はこの分野で最も測定が進んだ音声推論モデルであり——98.8% は同じボード上で StepAudio 3 Realtime の 100% と Qwen Audio 3.0 Realtime Plus の 99.2% に次ぐだけ——、そのエージェント的行動は未測定だが、競合他社のそれは測定済みだ。Gemini 3.8 Live Extended Thinking の τ-Voice スコアは 68.6%。GPT-Live-1（Astra、medium）は 74.5%。Max はダッシュだ。

その1分にいくらかかるのか

ElevenLabsはモデルごとの料金数値を公表していません。リアルタイム課金は、標準のElevenAgentsの1分あたり料金に加え、Realtimeモデル自体の料金で入力・キャッシュ入力・出力トークンが課金されます。MaxはMiniよりトークンあたりの料金が高くなります。ダッシュボードには1分あたりの推定コストが表示され、Realtime APIは接続音声の1分あたりとトークンに対して課金されます。料金ページにはRealtimeの項目がまったくありません。

Artificial Analysis はそれらすべてを、固定の40問からなる Big Bench Audio サブセットを実行するコストを入力音声1時間あたりで表した、1つの比較可能な数値に正規化します。ElevenLabs の両モデルはどちらも $4.80 になります。この同一の数字が興味深い点です。Max のトークンあたりの割増がいくらであっても、会話量では分あたりのエージェント課金が請求額を支配するため、高価なモデルも安価なモデルも会話するコストは同じです。Mini による節約が現れるのは、トークンが多いところであり、音声が長いところではありません。

比較のため、同じ指標で見ると、G​emini 3.8 Live は 1 時間 $0.84、G​emini 3.8 Live Extended Thinking は $3.50、G​PT-Live-1（Sol, low）は $4.47、G​rok Voice 3.0 は $4.80 です。Eleven Realtime は最安値ではなく中位の価格帯にあり、標準の G​emini Live 料金の約 5.7 倍です。

音声モデルそのものには触れられなくても、ルーティング層が存在価値を発揮するのはまさにこの点です。Eleven Realtime は ElevenLabs 自身の API 経由でしか利用できず、他のどこでも提供されていません。サードパーティのホストが eleven_realtime_v1_max を扱うことも、OrcaRouter が扱うこともないため、音声レイヤーにはルーティングする対象がありません。ルーティングできるのは、エージェントが呼び出すすべてです。参照系サービス、CRM への書き込み、通話後に実行される要約処理、そしてリアルタイムモデルがエラーになったときにカスケードがフォールバックするバックアップモデルです。OrcaRouter ではそれらは 1つのキーの背後にある16の上流プロバイダーからの209モデルで、プロバイダーの定価のままでマークアップはありません。つまり、請求額のうち、通話者がどれだけ頭を働かせるかに比例して増える半分こそ、実際に最適化できる半分なのです。

あなたの1週間を左右する連携の細部

ElevenLabsは、ほとんどのリアルタイムベンダーがしなかった賭けに出ました。つまり、そのAPIがOpenAIのRealtimeイベントプロトコルを話すという賭けです。ドキュメントにある7行の例では、OpenAIRealtimeWebSocket、RealtimeAgent と RealtimeSession を次の場所からインポートします: @openai/agents-realtime、トランスポートをElevenLabsのWebSocket URLに向け、次を渡します: model: "eleven_realtime_v1_mini"。それ以外 — クライアントシークレット、セッション設定、音声出力モダリティ、ボイス — は変更されていません。

その利便性の代償はトランスポートです。起動時点ではWebRTCはなく、ドキュメントにもそう明記されており、WebRTC統合はまずWebSocketへ移行する必要があります。すでにWebSocketのRealtime統合を利用しているチームにとっては、大した問題ではありません。ジッターやモバイルネットワークをよりうまく扱えるという理由でWebRTC上に構築したチームにとっては、モデルの差し替えではなく、トランスポート層の書き換えになります。

もう一つの制約はアーキテクチャ上のものです。Realtimeモデルは、ElevenAgentsとRealtime APIでは別々の製品として動作します。電話番号、WhatsApp、ナレッジベース、ガードレール、スクリプト化されたテスト、会話モニタリングが必要な場合はElevenAgentsを使用することになり、エージェントのツールとプロンプトもそれに伴って引き継がれます。Realtime APIを使用する場合は、モデルとイベントは利用できますが、それらを取り巻くプラットフォームは利用できません。両方を1つの接続で使用することはできません。

それが移動しない場所

ロールアウトは、米国のチームよりも欧州やインドのチームにとってより重要となる点で{{1}}不均一{{/1}}です：

• データレジデンシー — 両モデルは米国とEUで利用可能です。インドとシンガポールではMiniのみの提供となるため、これらの環境に固定されたエージェントにとってMaxは選択肢になりません

• コンプライアンス — {{1}}ゼロ保持モード{{/1}}および{{2}}MaxでのHIPAAサポート{{/2}}は米国とEUで提供され、{{3}}Mini{{/3}}は一切サポートされていません。

• トークン上限 — Max では少なくとも 1,024 トークンの上限、または上限なしが必要で、ワークフローノードではこれを上書きできません

• カスタムバックエンド — エージェントがカスタムLLMまたはAmazon Bedrockを使用している間はリアルタイムモードを利用できません。先に組み込みLLMに切り替える必要があります

• エージェント転送 — Realtimeモードのエージェントは、他のRealtimeモードのエージェントとの間でのみ転送できますが、Mini-to-Max転送は許可されています

それらのルールはすべて、保存時ではなく公開時に適用されます。1つに違反している下書きでも保存はできますが、公開は失敗し、該当する設定名が示されます。

何を観るべきか

このリリースについては、2つの結果が出れば決着する。1つ目はMaxのτ-Voiceスコア——E​levenLabsが実際に売り込んでいる主張を検証できる唯一の数値だ。2つ目はWebRTC対応で、これはデモできるモデルとモバイル通話に載せられるモデルの違いになる。それまでは、擁護可能な立場は狭くても有用だ。Miniはタスクを完了する必要のない会話エージェントの適切なデフォルトであり、Maxはボード上で最速の強力な推論者であり、サポートエージェントとしてはおそらくより優れている。そして、後半を証明するテストはまだ誰も公開していない。