Eleven Realtime v1 Max 対 Gemini 3.8 Live：より高速で、推論はより鋭く、価格は5.7倍

Eleven Realtime v1 Max は 0.57 秒で話し始め、Big Bench Audio で 98.8% 正解する。Gemini 3.8 Live は 1.18 秒で話し始め、92% だ。音声モデルについて議論するときに人が引き合いに出す 2 つの軸では、ElevenLabs が両方で勝っている。だが、財務チームが気にするほとんどすべての軸では負けており、その最初が、同じベンチマーク表で Gemini が音声 1 時間あたり $0.84、Eleven Realtime Max が $4.80 とされている点だ。このクラスのモデルの背景にある、文書化された AI インシデントとエージェント障害は、OrcaRouter AI Incident Archiveにまとめられており、各項目には独自の出典、重大度、信頼度グレード、係争中フラグが付いている。

2つのモデルは、音声エージェントとは何かについても見解が一致していない。Gemini 3.8 Liveはプラットフォームの一部であり、インデックススコア、文書化された料金表、97言語、生成される毎秒へのSynthIDウォーターマーク、そして推論と会話を分離するstandardとExtended Thinkingの2つのバリアントを備えている。Eleven Realtime v1 Maxは、認識、ターンテイキング、思考、音声が一体で調整されているという約束で販売される単一モデルであり、そのインデックスの背後にあるエージェント型ベンチマークがまだ実行されていないため、Speech to Speech Indexをまったく持っていない。

その最後の一文は、議論全体を凝縮したものだ。これらのモデルの一方には完全な公開スコアカードがあり、もう一方には、持っている2行で最高の数値があるが、最も難しい行が入るべきところは空白になっている。

スコアボードが実際に示している内容

以下の数値はすべて、Artificial AnalysisのSpeech to Speechリーダーボードによるもので、ベンダーのページを転載するのではなく、同一のハーネス上で両モデルをテストしています。ベンダーの数値と異なる場合は、その旨を明記しています。

• 音声推論（Big Bench Audio）— Eleven Realtime v1 Max 98.8% 対 G​emini 3.8 Live 92%

• 初回音声までの時間 — 最大0.57秒 vs G​emini 1.18秒

• タスク成功率 — Max 87.1% 対 Gemini 93.2%

• エージェント性能（τ-Voice） — Max は未測定、Gemini は 30.1% との比較

• 会話のダイナミクス（Full-Duplex-Bench）— 最大94.1% 対 Gemini 96.1%

• アリーナ設定（Elo） — Max 997 対 G​emini 1,078

• 音声対音声インデックス — Maxは採点対象外、Geminiは76.0

• 入力音声1時間あたりのコスト — Max $4.80 対 Gemini $0.84

パターンは「ElevenLabsは音声に強く、Googleはそれ以外のすべてに強い」ということではない。それはもっと狭く、もっと興味深いものだ。Maxは固定の音声質問セットで行われる2つの測定——正しく答えること、速く答えること——では勝ち、人間がループに入るかツール呼び出しを必要とする3つでは負ける。Arena preferenceは人が聞いて選ぶこと。Task successは正しい関数が呼び出されたかどうか。Conversational dynamicsはターンテイキングが適切に感じられたかどうか。これらが本番指標であり、Geminiがその3つすべてを取る。

τ-Voiceの行は、誰かが引用する前に注意書きが必要だ。G​emini 3.8 Liveの30.1%は、エージェント性能としては本当に低いスコアだ。同じテストで、同系列のExtended Thinkingは68.6%を獲得しており、G​PT-Live-1（Astra、medium）は74.5%だ。エージェントがポリシー内で予約を変更する必要があるなら、通常の3.8 Liveは求めるモデルではない。しかしMaxの空欄はゼロではなく、ゼロとして読むべきではない。それはテストがまだ実行されていないことを意味する。

価格差はどこから生じるのか、そしてそれが見た目ほど重要ではないかもしれない理由

Gemini 3.8 Liveは、音声入力1分あたり$0.005、音声出力1分あたり$0.018で課金され、テキストは100万トークンあたり$0.75と$4.50、画像または動画入力は100万あたり$1.00です。Eleven Realtimeはモデル別の料金をまったく公表していません。ElevenAgentsでは、標準の1分あたりのエージェント料金に加えて、Realtimeモデルの料金でトークンが課金され、Realtime API経由では、接続された音声の1分あたりの料金に加えてトークンが課金され、トークン価格はどのプランでも同じです。Artificial Analysisは両方を固定の質問セットにおける1時間あたりのコストに換算しており、これが両者を公正に比較する唯一の方法で、$0.84対$4.80という結果になります。

二つのことが導かれます。第一に、利用量が1日あたり数千分単位で測られるなら、その差が判断を左右します — 5.7×は丸め誤差ではなく、E​levenLabs には、より安価な Mini 以外にそれを埋めるための公表された手段がありません。第二に、この比較は定価のように固定的ではありません。G​oogle はこれまで G​emini の音声料金を引き下げており、プロバイダーが定価をそのまま通せば、OrcaRouter は一切上乗せしないため、値下げは当日にこちら側へ反映されます。逆も同様です。E​levenLabs が Realtime の料金を公表すれば、誰も連携を書き換えることなく数値が変わります。

ターンテイキングに関する2つの異なる賭け

両者のアーキテクチャは等価ではなく、その違いはあらゆる品質上の主張よりも、指標の分裂をうまく説明している。

G​emini 3.8 Live は、G​oogle が2年間提供し続けてきたファミリーの一つです。

ほぼリアルタイムで視覚入力を処理し、会話の途中で97言語を切り替え、ツールやAPI呼び出しをバックグラウンドで実行するため、エージェントはリクエストを確認して話を続けながら、検索の完了を待つことができます。その兄弟モデルであるG​emini 3.8 Live Extended Thinkingは、推論と発話を同時に行い、進行状況を語ります。どちらもSynthIDウォーターマークを備え、gemini-3-8-audioとして公開されたモデルカードを共有しており、どちらも文書化されたAPI ID（gemini-3.8-liveとgemini-3.8-live-extended-thinking）を持っています。

Eleven Realtimeは、スタックを連携させるのではなく統合します。

認識、ターンテイキング、推論ステップ、音声生成は一つの調整済みシステムであり、だからこそ、発信者が話し終えた時点を別個の音声アクティビティ検出器が判断しなくても、0.57秒で応答できる。E​levenLabs自身がその利点の例として挙げているのがバックチャネルだ。Miniは、話し手が話し終えたのか、それとも単に「mm-hmm」と相づちを挟んでいるだけなのかを検出すると文書化されている。これが、音声エージェントをトランシーバーのように感じさせなくする振る舞いであり、VADに何が割り込みなのかを教えなければならないため、カスケード型パイプラインが苦手とする類のものだ。

統合設計の代償は制御です。ElevenAgents で Realtime モデルを選ぶと、ElevenLabs が LLM、推論エフォート、思考バジェット、並列ツール呼び出し、カスケードタイムアウト、TTS モデル、エクスプレッシブモード、ASR プロバイダーを管理することになります。カスタム LLM を持ち込むことはできず、Amazon Bedrock も使用できず、ワークフローノードでこれらの設定を上書きすることもできません。Gemini ならモデルを提供しつつ、パイプラインを維持できます。

どの比較表にも載らない「統合」という問い

Gemini 3.8 Live は Gemini API のモデルです。Eleven Realtime は 2 つの方法で提供されています — ElevenAgents 内で、そして OpenAI のイベントプロトコルとワイヤ互換性のある Realtime API を通じて、wss://api.elevenlabs.io/v1/convai/realtime で。OpenAI Realtime クライアントをお持ちなら、エンドポイントとモデル名を変更するだけで移行の大部分は完了します。ドキュメントにはそのための 1 コマンドのスキルが含まれています。

その互換性のために犠牲になるのはプラットフォームです。Realtime APIとElevenAgentsは異なる接続プロトコル上の別製品であり、APIは電話やWhatsAppチャネル、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、会話モニタリングを提供しません。E​levenLabsも、Realtime APIにはローンチ時点でWebRTCがなく、WebSocketのみであると明言しています。

ルーティング層が適合するのはまさにその非対称性であり、それはE​levenLabs側よりもG​emini側のほうがよく当てはまります。OrcaRouterはeleven_realtime_v1_maxをホストしていません。それにはサードパーティのエンドポイントが存在せず、そうでないふりをするつもりもありません。OrcaRouterがホストするのは、G​emini型スタックの残りの部分です。すなわち、google/gemini-3.8-flashとその他のG​eminiモデルを1つのキーで利用でき、16社のプロバイダーから合計209モデルを、プロバイダー定価でマークアップなし、プロバイダーでエラーが発生した際の自動フェイルオーバー付きで提供します。G​eminiで音声レイヤーを構築するなら、その周囲の検索や通話後分析は、リーダーボードの結果で決め打ちするのではなく、自社トラフィックで差し替えてA/Bテストできます。

どちらを選ぶべきですか

Gemini 3.8 Live を選ぶべきなのは、エージェントが取引を完了しなければならない場合、1時間あたり1ドル未満の価格が必要な場合、視覚入力が必要な場合、あるいは97言語を1つの回線で対応する必要がある場合です。完全な公開スコアカード、文書化された料金表、そしてより安価な分単価を備えています。エージェント性能における弱点は現実のものですが測定可能であり、タスク完了がボトルネックなら Extended Thinking の兄弟モデルが解決策となります。

Pick Eleven Realtime v1 Maxは、会話そのものが製品である場合——家庭教師、キャラクター、途中で切られることが不満の的になるサポート窓口など——に選ぶべきであり、またワークロードが長時間の連続通話ではなく推論重視の音声である場合にも適しています。得られるのは、この分野で最速の強力な推論性能と、最も精度高く測定されたターン交代ですが、契約前に必ず試算しておくべき価格プレミアムが伴います。

インデックススコアだけで判断しないでください。Maxにはそれがありませんが、これはMaxの品質を貶すものではありません。Maxの振る舞いのうち、まだどれだけが測定されていないかを示しているだけです。この比較を変える唯一の数値は、Maxでτ-Voiceを実行した結果です。それがG​eminiの68.6%——標準版ではなくExtended Thinking版——を上回れば、E​levenLabsのプレミアムは「課税」ではなく「保険」のように見え始めます。それが実現するまでは、より速いモデルのほうが証明すべきことを多く抱えています。