Eleven Realtime v1 Max vs SeedRealtime：一方には価格と6つのベンチマークがあり、もう一方にはデモがある

Eleven Realtime v1 Max は、文書化されたエンドポイント、公開済みの6件のベンチマーク結果、音声1時間あたり4.80ドルの正規化コストを備えた、呼び出し可能な音声対音声モデルです。SeedRealtime は ByteDance Seed の音声視覚フルデュプレックスモデルで、2026年8月5日に発表され、API、重み、技術レポート、パラメータ数、価格のいずれもありません。この比較は始まる前から決着しているように見えます——そして、ElevenLabs のモデルにもベンチマークが1つ欠けていること、しかもその欠けているものが ByteDance が決して公開しなかったのと同じ種類の証拠であることに気づきます。 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 に収集されており、各エントリには独自の情報源、重大度、信頼度グレード、異議ありフラグが付いています。

これがこの対決の実像だ。両モデルとも、ターンテイキングは外部に後付けされた音声活動検出器ではなくモデル内部にあるべきだという主張を売り文句にしている。どちらも、実際に話しかけてみなければ判断できない振る舞いを信じてほしいと求めている。E​levenLabsはそれに対して、第三者による評価ハーネスと1時間あたりのコスト数値で答えた。B​yteDanceは社内の選好調査1件で答えた。そのうち一方は使えるが、どちらも完全ではない。

それぞれが実際に主張していること

Eleven Realtime v1 Maxは、認識、ターンテイキング、推論、音声生成という4つの段階を1つのネットワークに統合します。ElevenLabsの訴求点は、これらをまとめて調整することで、カスケード型が残す継ぎ目——発話者が話し終えた後の空白の0.5秒、割り込みをまたいで話し続けるエージェント、聞き取った内容と返答の間のずれ——を取り除けるというものです。Maxはこの設計に推論ステップを追加したもので、複雑なタスクや多段階のツール呼び出し向けに位置づけられています。その兄弟分であるEleven Realtime v1 Miniは低コストの会話型バリアントで、新しいElevenAgentsエージェントはすべてデフォルトでこれを利用します。

SeedRealtimeはモダリティではより踏み込み、それ以外のすべてではより控えめだ。B​yteDanceのモデルは音声、映像、テキストを単一のエンドツーエンドアーキテクチャに統合しており、つまり視覚モデルをASRモデルに、ASRモデルを言語モデルに、言語モデルを音声に鎖状につなぐのではなく、見る・聞く・話すを同時に行える。実演される挙動は、2モダリティのシステムでは生み出せないものだ。騒がしいグループ会話の中で声を顔に結び付け、モデルが誰が何を言ったかを追跡できるようにすること、対象物体がフレーム内に入ると促されることなく発言すること、モデルがあなたが見ているものを見る必要がある美術館ガイドや機器修理のシナリオなどである。

音声＋映像は音声＋テキストよりも難しい問題であり、SeedRealtimeはその難しい方に取り組んでいる。この記事の残りで、それでもなぜまだ使えないのかを説明する前に、そのことは率直に述べておく価値がある。

証拠を誠実に吟味すれば

Artificial Analysisは、このカテゴリのモデルに対して音声推論テストと会話ダイナミクステストの両方を実施しています。Eleven Realtime v1 Maxでは両方とも実施済みです。SeedRealtimeでは実施しておらず、実施できません。呼び出せるエンドポイントが存在しないためです。

• 音声推論（Big Bench Audio） — Eleven Realtime v1 Max 98.8% 対 SeedRealtime は未公表

• 会話のダイナミクス（Full-Duplex-Bench）— 最大94.1%、SeedRealtimeは未公開

• タスク成功率 — 最大87.1%、SeedRealtimeは未公開

• アリーナの優先設定（Elo） — 最大997 対 SeedRealtime は未公開

• エージェント性能（τ-Voice）— Maxは未測定、SeedRealtimeは未公開

• 初回音声までの時間 — 最大0.57秒、SeedRealtimeはミリ秒単位のレイテンシ値なし

• 入力音声1時間あたりのコスト — 最大$4.80 対 SeedRealtime：商用提供なし

• 入力モダリティ — Max は音声とテキスト、SeedRealtime は音声・映像・テキスト

SeedRealtimeがリードしている唯一の行は、誰も購入できない行だ。ByteDanceが公表した唯一の数値は、SeedRealtimeがASR＋視覚＋TTSのカスケード型システムにおける会話のテンポの問題を半減させる——途切れが少なく、誤発動が少なく、応答はより遅く自然になる——と主張するエンドツーエンドの人手評価だ。サンプルサイズも、手法も、アノテーター数も、ミリ秒単位のレイテンシーもない。二次報告では、チームの従来モデル比で流暢性が12%向上したと引用されている。それが証拠基盤のすべてだ。

では、もう一方の側の正直な部分だ。Maxのτ-Voice行は空欄で、これは重要だ。なぜならMaxはElevenLabsがタスク完了向けに販売しているモデルだからだ。その98.8%の推論スコアは、ツールとポリシー文書を伴うカスタマーサービス通話ではなく、1,000件の音声質問で測定されている。つまり、ElevenLabsには6つの数値と穴があるのに対し、ByteDanceには1つの数値とエンドポイントがない。失敗の様式は異なるが、根底にある状況は同じだ。各モデルが売り込む際に前面に出しているものと、各モデルが実際に測定されているものは一致しない。

なぜアーキテクチャはマッチアップよりも重要なのか

1年前、音声エージェントは最上層にオーケストレーターを置いたパイプラインでした。ユーザーが話し終えたタイミングを誰かが判断し、文字起こしを言語モデルに渡し、トークンを待ってから、そのテキストを、会話の一部だったかのように聞こえなければならない音声合成器へ渡す必要がありました。各段階がレイテンシを増やし、各引き継ぎが継ぎ目を増やしていました。

これらのモデルはどちらも、継ぎ目こそが問題だという賭けに出ている。Eleven Realtimeの答えは、音声側の各段階——聞く、ターンを取る、考える、話す——を一つのネットワークに統合し、モデルは音声のみに保つことだ。SeedRealtimeの答えは、それらを統合したうえで視覚を加えることで、モデルが指差しのジェスチャーから「これ」を特定したり、会話している相手が立ち去ったことに気づいたりできるようにする。

そのトレードオフはスペックから読み取れる。Eleven Realtime Maxは0.57秒で応答し、音声のみを入力とする推論テストで98.8%を記録する。SeedRealtimeの主張はより広範な入力、ひいてはターンあたりのより多くのコンテキストであり、その代償は視覚的な全二重の提供コストが高いことだ。コンシューマー向けアプリでしか提供されていないのも、もっともな理由である。両社とも比較を定量的にできるレイテンシ値を公開しておらず、第三者による検証が可能な情報を公開しているのは一方のみである。

存在するがこのモデルではないB​yteDanceのエンドポイント

これは避ける価値のある間違いだ。なぜなら、犯すのは簡単で、発見するのは高くつくからだ。B​yteDanceのクラウド部門であるVolcano Engineは、別個のリアルタイム音声製品——Doubao realtime voice model 3.0——をドキュメントに記載している。これはコンソールのAPIキーを使ってWebSocketエンドポイント経由でアクセスでき、入力は16 kHz PCMまたはOpus、出力は24 kHz音声で、リアルタイムイベントプロトコルを使用する。

それは同じ企業による同じ製品領域の開発者向けAPIであり、SeedRealtimeではありません。音声専用で、動画も、顔のバインディングも、視覚的グラウンディングもありません。独自のリリース履歴を持つ別個のモデルです。B​yteDanceのリアルタイム音声APIを探しに行ったチームは、そのドキュメントを見つけてそれに統合し、報道で取り上げられているモデルを使っていると信じ込むでしょう。Volcano Engineは、音声映像モデルのエンドポイントについて日付を公表していません。SeedRealtimeへのアクセスを提供するとしている掲載は、別のものを提供しています。

出荷する製品がある場合、これが意味すること

今四半期の本番作業において、この2つの間で下すべき判断はありません。Eleven Realtime v1 Max は現在、ElevenAgents または wss://api.elevenlabs.io/v1/convai/realtime の OpenAI 互換 Realtime API を通じて呼び出し可能であり、SeedRealtime は中国のスマートフォンアプリ内にある研究上のマイルストーンです。

実際に存在する判断は、それをどう踏まえて構築するかです。ElevenLabsのRealtime APIはローンチ時点ではWebSocket専用で、WebRTCはありません。またElevenAgentsとは別製品のため、電話、WhatsApp、ナレッジベース、ガードレール、モニタリングはプラットフォーム側でのみ利用できます。Maxはインドおよびシンガポールのデータレジデンシー環境では提供されておらず、トークン上限を少なくとも1,024に設定する必要があります。奇妙なことに、Miniはインドとシンガポールに対応していますが、Zero Retention ModeやHIPAAには対応していません。一方、Maxは米国とEUでこれらに対応しています。

OrcaRouterが担うのは音声レイヤーではありません。当社はeleven_realtime_v1_maxをホストしておらず、それに対するサードパーティのエンドポイントも存在しません。当社がホストするのは、この形のエージェントがモデルの周辺で呼び出すすべてです：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モデルを、プロバイダーの定価でマークアップなし、プロバイダーがエラーやタイムアウトを起こした際の自動フェイルオーバー付きで。音声エージェントの高コストで変動しやすい半分は、検索と委任される推論です。その半分はオーディオループに触れずに差し替え可能であり、1週間のチューニングが報われるのはそこです。

何がこれを変えるでしょうか

SeedRealtime向けのAPIがあれば、これが本格的な比較になる。しかもそれは動画のためだけではない。呼び出し可能なエンドポイントがあれば、Artificial Analysisはこのモデルを他社と同じ4部構成のハーネスに載せられる。それが、ベンダー間で意味を持つ数値を得る唯一の道だ。技術レポートでもほぼ同じ役割を果たせる。

E​levenLabs側で欠けているのは、Maxでのτ-Voice実行だ。それが実現すれば、この分野はようやく、E​levenLabsがタスク指向モデルとして売り込むモデルについて、条件を揃えたエージェント性能の数値を得られる。それまでは要約は地味なものになる。これらのモデルの一方は呼び出し、測定し、価格を付け、出荷できるが、もう一方は眺めることしかできず、この二つの立場の差は、両者のアーキテクチャ間の差よりも大きい。