Eleven Realtime v1 Max 対 GPT-Live-1：ベンチマークの差はElevenLabsに不利に働く

Eleven Realtime v1 Max のプレスリリースは、Big Bench Audio での 98.8% と 0.57 秒の応答時間を前面に押し出している。どちらの数値も事実であり、どちらも同クラス最高だが、比較対象が GPT-Live-1 となるとどちらも要点を外している——なぜなら、本番環境で音声エージェントを決めるベンチマークは音声推論ではなく、そのベンチマークでは OpenAI のモデルが、ElevenLabs が売り込む 0.7 秒の先行優位を吹き飛ばすほど大きな差で勝っているからだ。このクラスのモデルの背後にある、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、各項目には独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付されています。

同じArtificial Analysisハーネスを両方に実行すると、差は明確に分かれる。Eleven Realtime v1 Maxは音声推論で98.8%対89%、速度で0.57秒対1.24でリードする。G​PT-Live-1はエージェント型タスク完了で59.3%対未測定、会話のダイナミクスで97.3%対94.1%、アリーナ選好で1,047 Elo対997、タスク成功率で90.9%対87.1%、総合指数で80.1対まったくのゼロでリードする。

最後に挙げた数値は、単なるレトリックではありません。Eleven Realtime v1 Max には Speech to Speech Index のスコアがありません。このインデックスには4つの構成要素すべてが必要で、それ向けの τ-Voice エージェント実行がまだ公開されていないためです。G​PT-Live-1 にはインデックスがあります。それはボード上で最高値です。

スコアボード全体を並べて表示

すべての行は、別段の表示がない限り、Artificial Analysisが自社ハーネス上で行った測定値です。Eleven Realtimeの数値は2026年10月20日の発表によるもので、G​PT-Live-1のAPI提供開始は2026年9月10日、モデル自体は7月8日にChatGPTで提供開始されました。

• Speech to Speech Index — Eleven Realtime v1 Max は採点なし、G​PT-Live-1（Sol、low）は 80.1

• 音声推論（Big Bench Audio） — Max 98.8% 対 G​PT-Live-1 89%

• エージェント性能（τ-Voice） — Maxは未測定、GPT-Live-1は59.3%

• 会話のダイナミクス — Max 94.1% 対 GPT-Live-1 97.3%

• タスク成功率 — Max 87.1% 対 G​PT-Live-1 90.9%

• Arenaの選好 (Elo) — Max 997 対 G​PT-Live-1 1,047

• 最初の音声までの時間 — Max 0.57秒 対 G​PT-Live-1 1.24秒

• 入力音声1時間あたりのコスト — Max $4.80 対 G​PT-Live-1 $4.47

• トランスポート — ローンチ時点では Max WebSocket のみ vs GPT-Live-1 は WebRTC のみ

1つの行は見出しが示唆するよりも差が小さい。それはコストだ。音声1時間あたり4.80ドル対4.47ドルで、この2つのモデルは同じ価格帯に位置する。これは、Eleven RealtimeをGemini 3.8 Liveの0.84ドルと比較して得られる話とは正反対だ。OpenAIとの比較では、ElevenLabsの割増は7%だ。

なぜ推論スコアは逆の方向を指すのか

Big Bench Audioは、Big Bench Hardから適応された1,000問の音声質問で、形式的誤謬、ナビゲーション、物体の数え上げ、ブール論理の文章題セットという4つのカテゴリにまたがります。モデルは質問を聞いて音声で回答し、回答は正誤で採点されます。これは、モデルが音声コンテンツについてどれだけうまく推論できるかを測るものであり、会話をどれだけうまく進められるか、またはタスクをどれだけうまく完了できるかとは同じではありません。

Maxの98.8%は同ボードで3位となり、StepAudio 3 Realtime（100%）とQ​wen Audio 3.0 Realtime Plus（99.2%）の後ろ、Qwen3.5 Omni Plus Realtime（98.7%）とG​rok Voice 3.0（98.5%）の前に位置する。G​PT-Live-1の89%は12位だ。エージェントの仕事が長い音声の説明を聞いてそれについての質問に答えることなら、この9ポイントの差は意味を持ち、E​levenLabsのほうが買いだ。

しかし、E​levenLabsはその用途でMaxを売っているわけではない。自社ページでは、Maxを「複雑なタスク」と「マルチステップのツール利用」向けに位置づけている——カスタマーサポート、リードの適格性評価、予約支援などだ。それはτ-Voiceの領域であり、τ-VoiceではMaxには数値がなく、G​PT-Live-1は59.3%だ。

OpenAIの数値にも独自の注意書きが必要であり、それをOpenAI自身のドキュメントが示している。公表されている導入実績の根拠は薄い。APIローンチ時にOpenAIが報告した銀行業向け音声サポートのベンチマークでは、GPT-Live-1の合格率は32%で、GPT-Realtime-2.1の12.4%に対する結果だった。32%という合格率は大きな改善ではあるが、それでも規制対象のワークフローの3分の2ではシステムが失敗することを意味する。Artificial Analysisのτ-Voiceの数値のほうが有用だ。共通の評価ハーネスで実行されているからだ。ただしそれは中位のスコアであり、王座を宣言するものではない。

G​PT-Live-1 の優位性が限界的ではなく構造的であるところ

3.2ポイントの会話ダイナミクスの差と50ポイントのアリーナEloの差は、E​levenLabsが行わなかったアーキテクチャ上の選択に由来しています。G​PT-Live-1は厳密な意味で全二重です。同じタイムライン上で聞きながら話し、通話者が実際の処理を要する質問をした場合、そのタスクを非同期の境界を越えて別のバックエンドモデルに渡し、そのモデルは音声会話が続く間も考え続けます。音声レイヤーはフロントエンドです。推論は別の場所で行われ、準備ができると再び折り返し統合されます。

その設計により、G​PT-Live-1 は通話が無音にならずにツール呼び出しを実行できる。また、その推論スコアが低い理由もそこにある。Big Bench の質問に答えているモデルと、実際のセッションで深く考えているモデルは別だからだ。Eleven Realtime Max は逆の賭けに出る。単一のネットワークが認識、ターン交代、推論、音声を担う。これが 0.57 秒を実現し——待つべき引き継ぎが存在しない——通話者が間（沈黙）に気づく前にどれだけ推論できるかの上限にもなる。

どちらの賭けが正しいかは、レイテンシ予算とタスク完了予算のどちらがより厳しいかによって決まる。カレンダーを確認し、枠を確定し、記録を書き込む必要があるスケジューリングエージェントなら、完了面ではハンドオフモデルが勝る。一息で話された質問に答えるチューターなら、体感では統合モデルが勝る。

統合を左右する請求と転送の詳細

G​PT-Live-1 は音声1分あたり一律 $0.05 で、秒単位で課金されます。セッション初期化では先に15秒分が課金され、その分は後の通話時間から相殺されます。バックエンドの推論モデルは別途、それ自体の通常料金で課金されるため、安価な音声レイヤーでも高額な通話になり得ます。OrcaRouter は音声レイヤーをルーティングできません — v1/live/sessions の Live Sessions エンドポイントは O​penAI 専用です — しかしバックエンド側は単なる別のモデル呼び出しにすぎず、OrcaRouter ではそれが16プロバイダーの209モデルを1つのキーで、プロバイダーの定価のままマークアップなしで利用でき、選択したバックエンドが通話中にエラーを起こした場合のフェイルオーバーも備えています。

Eleven Realtime は逆の課金体系です。標準の ElevenAgents は分単位の料金に加えて、入力・キャッシュ入力・出力トークンが Realtime モデルの料金で課金され、Max は Mini よりトークンあたりのコストが高くなります。どちらのモデルの分単位料金も E​levenLabs の料金ページには公開されていません。ダッシュボードには見積もりが表示され、Artificial Analysis の 4.80 ドルは定価ではなく正規化された数値です。

トランスポートの非対称性はより鮮明です。Eleven Realtime の API は WebSocket 経由で OpenAI-Realtime 互換であり、ドキュメント自体の例では @openai/agents-realtime から OpenAIRealtimeWebSocket をインポートし、wss://api.elevenlabs.io/v1/convai/realtime を指しています。GPT-Live-1 は WebRTC 専用で、GPT-Live のモデル ID を使って古い Realtime パスを試すと、セッションには WebRTC が必要というエラーが返ります。つまり互換性は一方向です。OpenAI Realtime クライアントはエンドポイントを変えるだけで ElevenLabs に移行できますが、OpenAI Realtime クライアントはトランスポートを書き換えなければ GPT-Live-1 に移行できません。GPT-Live-1 に移行するチームは RTCPeerConnection のハンドシェイク、oai-events データチャネル、サーバー側のオファー交換を書くことになり、Eleven Realtime に移行するチームは2つの文字列を編集するだけです。

ElevenLabs側のロールアウトに関する注意事項

E​levenLabsのドキュメントは、どのローンチ報道でも言及されていない制約を追加している：

• 可用性 — Realtime モデルは「段階的に展開中」です。Voice mode 設定のないワークスペースでは、API から Realtime models are not available for this workspace が返されます

• データレジデンシー — Max は米国および EU で利用できますが、インドとシンガポールでは利用できず、そこでは Mini のみが提供されています

• コンプライアンス — 米国とEUでは、Maxがゼロ保持モードとHIPAAをサポート。Miniはどちらもサポートしていません

• 管理設定 — LLM、推論エフォート、思考バジェット、並列ツール呼び出し、TTSモデル、表現モード、ASRプロバイダーは、Realtimeモデルが設定されている間はすべてElevenLabsによって制御され、ワークフローノードはこれらを上書きできません

• カスタムLLM — 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

GPT-Live-1 自体の制約は、ある点ではより厳しく、別の点ではより緩い。Chat Completions も Responses も Realtime 互換レイヤーもなく、ファインチューニングや画像・動画入力にも対応していないが、その階層制限は毎分リクエスト数ではなく同時セッション数で表され、Tier 1 では 25、Tier 5 では 500 までとなる。

誰がどれを選ぶべきか

GPT-Live-1は、エージェントが作業を完了する必要がある場合——予約、変更、返金、データベース書き込みで終わるあらゆるもの——に選んでください。タスク成功率が高く、アリーナ選好が高く、総合指数が高く、1時間あたりのコストが低く、また2つのうち公開されたエージェントスコアを持つ唯一のものです。WebRTCの書き換えと、バックエンドモデルの別途請求分を予算に組み込んでください。

Eleven Realtime v1 Max を選ぶのは、会話そのものが製品であり、推論が浅い場合だ。家庭教師、キャラクター、苦情を言っている人が話を遮られるサポート窓口などがそうだ。ラインナップ中で最速の強力な推論モデルが得られ、既存の O​penAI Realtime 統合からの移行が最も簡単で、G​emini に対する 5.7 倍の価格プレミアムではなく、G​PT-Live-1 に対する 7% の価格プレミアムで済む。そのエージェントとしての挙動が未測定であり、ローンチがまだ部分的であることは受け入れることになる。

この記事の結論を覆すのは、Maxのτ-Voiceスコアだ。ElevenLabsは推論ベンチマークの強さを根拠に、タスクを完遂するモデルとして信頼してほしいと求めている。タスクベンチマークは存在し、他の10の音声モデルでは実行されているが、このモデルでは実行されていない。それはモデルの欠陥ではなく証拠の欠落だ。しかし、有料顧客の前にどちらを出すべきかを決めるのは、まさにその欠落なのだ。