
MAI Realtime 1 対 Eleven Realtime Max:8倍の価格差、そしてそれを決める一つの数値
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 89 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 88 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 134 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100万トークンあたり · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955知能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855知能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100万トークンあたり · 920 tok/s
公表されている料金を見る限り、これは決着済みに見える。MAI Realtime 1は音声1分あたり0.01ドル。Eleven Realtime Max——ElevenLabsの最高峰の音声対音声モデルで、Realtime v1 Maxとして掲載されている——は、Artificial Analysisによる独立した正規化では1時間あたり約4.80ドル、つまり1分あたり0.08ドルだ。ほかの何かを数に入れる前の時点で8対1。その比較もまた、ある特定の算術的な意味で誤解を招くもので、しかもその算術こそがこの記事の主題そのものだ。MAI Realtime 1は分単位の料金に加えて、2つ目の、トークン課金の推論モデルを別途請求し、Microsoft以外でその2つ目のメーターがどれだけの頻度で作動するのかを公表した者はいない。
だから有益な問いは、どちらの見出しが小さいかではない。この二つのうち、契約前にコストを見積もれるのはどちらで、先に測定しなければならないのはどちらかだ。その答えは相反する方向を指す。だからこそこれは形式的な手続きではなく、本当の意思決定なのだ。

それぞれが何かを1行で
• MAI Realtime 1 — Microsoft初のspeech-to-speechモデルで、2026年11月17日にIgniteで発表。2つのティア:1分1セントの高速会話パスと、より難しいターンを引き継ぐ推論エンジン(100万入力トークンあたり$1.00、100万出力トークンあたり$5.00)。Foundry経由の限定アクセスプレビュー。MAI Labsでデモを実施。OpenAI Realtime APIに対応。
• Eleven Realtime Max — 雑談よりも高度な作業をこなす音声エージェント向けの、ElevenLabsのspeech-to-speechモデル。認識、ターンテイキング、LLM、音声をカバーする単一のチューニング済みシステム。ElevenAgentsで、またOpenAI互換のRealtime API(WebSocketのみ)を通じて利用可能。90以上の言語に対応。
• どちらも公表していないもの — MAI Realtime 1 がサポートする言語。Microsoft の発表資料には一つも記載がなく、コンタクトセンター向け製品にとってこれは脚注ではなく最重要の問いである。
実測値がある唯一の側
Eleven Realtime Max は独立したテストで十分に検証されており、そのプロファイルはエージェント設計にとって重要な意味を持つ形で偏っています。
• 音声対音声インデックス — 77.3(Artificial Analysisによる、推論、会話のダイナミクス、エージェント能力を総合した指標)
• 音声推論(Big Bench Audio)— 98.8%。これはランキング上でも最高水準の数値の一つであり、モデルが中心に据えている数字です。難しい音声による質問に正確に答えます。
• 最初の音声が出力されるまでの時間 — 570ミリ秒。単純比較では2つのうち最速で、即座に感じられるほど十分に高速です。
• エージェント型タスク完了(τ-Voice)— 47.6%。ここが弱点です。聞こえた内容について見事に推論できるモデルでも、ハーネスが設定する多段階タスクの半分未満しか完了できません。
• 会話のダイナミクス — 94.1%。
• 混合コスト — 音声1時間あたり約4.80ドル。これは、Artificial Analysisが40問のBig Bench Audioサブセットを1時間単位に正規化したものに基づく。これは測定上の慣例であり、ElevenLabsの料金表ではないため、両者を互換的に引用すべきではない。
MAI Realtime 1 にはこれらがほとんど備わっておらず、「ほとんど」と「皆無」の間の差が興味深い点だ。Microsoft はモデルページで精度の数値を 1 つだけ公開している。Big Bench Audio で 98.8% だ。これはベンダー公表値であり、Microsoft 自身による評価で、Microsoft が選んだベンチマーク上で得られたもので、その横に方法論は公開されておらず、独立した第三者機関による再実行もない。また、98.8% は上記の Eleven Realtime Max の数値と算術的に同一だが、これは異なる 2 つの評価ハーネスが同じパーセンテージに到達した偶然であり、両モデルが同点だと読むべきではない。その 1 つの数値以外に、ページには P50 の初回音声出力までの時間を示すカードと「P50 Latency on BigBench Audio」というキャプションがあるだけで、ほかには何もない。τ-Voice スコアも、言語リストも、パーセンタイルの背後にある分布もない。Microsoft のより大きな主張、つまりこのモデルが Big Bench Audio と τ-Voice の性能対価格のパレートフロンティア上に位置するという主張は、まだ公開の場で描かれていないグラフ上で点がどこに置かれるかについての主張にすぎない。Artificial Analysis は 11 月 18 日時点でこのモデルをまったく扱っていない。
その非対称性はElevenLabsを支持する論拠ではない。それは、今日何を知り得るかについての論拠だ。一方のモデルには、計画の根拠にできる実測47.6%のエージェントスコアがあり、もう一方にはベンダー報告の精度数値とパーセンタイルがある。
数字が動き始める前の出典に関する注記:以下の Eleven Realtime Max の性能数値はすべて、Artificial Analysis による独立した測定です。この記事のどこかで引用されている MAI Realtime 1 の性能数値は1つだけ — Big Bench Audio での 98.8% — で、これは Microsoft 自身によるもので監査を受けておらず、掲載されるどこでもその旨が明記されています。その性能について、これ以外のことは一切公表されていません。
誰も終わらせていない算術
音声回線から始めよう。それが双方とも正直に公表している唯一のものだから。
• MAI Realtime 1 — 1分あたり$0.01 → 会話1時間あたり$0.60、高速パスのみ。
• Eleven Realtime Max — 約$0.08/分相当 → Artificial Analysisの基準で1時間あたり$4.80。
分単位のメーターで8倍の差。次に2つ目のメーターを加え、公開情報から何が欠けているかに注目してください。Microsoftは、ターンのうち何割が推論ティアにエスカレートするのかを明らかにしていません。したがって、構築するあらゆるコストモデルには、自分で考案しなければならない入力が存在します。その考案した入力が答えに与える影響は次のとおりです。5分間のサポート通話—音声時間で0.05ドル—を例に取り、エスカレートしたターン全体で推論エンジンが合計5,000個の入力トークンと1,500個の出力トークンを扱うと仮定します。Microsoftの100万トークンあたり1.00ドルおよび5.00ドルの料金では、通話全体を1回処理するのに0.0125ドルの推論コストがかかります。
• エスカレーションはゼロ — 通話1回あたり$0.050、ElevenLabsの$0.40に対して。宣伝どおり8対1。
• 完全な推論パス1回 — 1回の呼び出しあたり$0.063。それでもElevenLabsの数値の6分の1未満です。
• 完全な推論パス3回 — 1回あたり$0.088。5分の1を少し上回る。
• 完全な推論を10回実行して、1回の呼び出しあたり$0.175。ElevenLabsの数値の約44%であり、これはサポート会話では現実的に発生しないワークロードです。
もう一度読んでほしい。推論負荷が10倍になっても、音声ラインにおける8倍の差は埋まらない。つまり、この比較を正直に言い表すなら、実際の会話が想定しうるあらゆるエスカレーション仮定の下でも、MAI Realtime 1 の方がはるかに安い——そして、ためらう理由は価格ではない。まだ、そのモデルがその仕事に十分な性能かどうかを判断できないからだ。しかも Microsoft のプレビューはパブリックプレビューまで課金されないので、それを確かめるのにかかるのはエンジニアリング時間だけだ。
その算術には2つの注意点があり、どちらもこれを予測として扱うことには不利に働く。推論の見積もりは私によるもので、Microsoftのものではない——トークン数は、ツール呼び出しが1回で済む検索と、4回必要な例外の間で大きく変動する。そしてElevenLabs側は、ElevenLabs自身の料金表ではなくArtificial Analysisの時間単位の正規化を用いている。なぜならElevenLabsはRealtime Maxについて、分単位の定額ドル金額を公表しておらず、分数とLLMトークンをアプリ内の見積もりで価格設定しているからだ。したがって、この比較は方向性としては堅牢だが、数値としては両側とも不確かであり、これは音声では普通のことだし、声に出して言う価値がある。
一点だけは独立した行に値する。Foundryの限定アクセスプレビューは、パブリックプレビューが始まるまで顧客に課金しない。したがって、11月に書かれたコスト比較は、後で支払うことになる金額を、今ならゼロで実行できるプレビューと比べたものだ。合理的な行動は、交渉することではなく、測定することである。
ElevenLabsが価格面でまったく負けていない点
八重の図形が隠している二つのこと。
第一に、ElevenLabsは分単位の従量メーターを販売しているわけではありません。ElevenAgentsは1分あたりの料金にLLMトークンコストを加算し、アプリ内で1分あたりの見積もりを表示します。また、Realtime APIは接続音声1分あたりの料金に加えてトークンも課金し、トークン価格はすべてのプランで同一です。すでにElevenAgentsを利用しているチームは、$0.01と$0.08を比較しているのではありません。すでに統合済みのプラットフォームに対する限界的な変化を比較しており、そのプラットフォームには電話、Webウィジェット、WhatsApp、コンタクトセンターへの導入に加え、SOC 2、HIPAA、GDPR、EUデータレジデンシー、ゼロリテンションのオプションがあります。
第二に、コンプライアンス要件の一覧は、それ自体に価格が付く製品機能だということです。臨床用または金融用の音声エージェントにとって、EUデータレジデンシーとゼロリテンションは、安価なモデルで代替できる「あると嬉しい」機能ではありません。Microsoftの発表には、MAI Realtime 1のデータレジデンシー、リテンション、認証について何も触れられていません。しかもこのモデルは限定プレビュー段階にあり、まさにその段階では通常、これらの条件が未確定です。
つまり、分かれ目は「安いか高いか」ではない。「安くて未測定で、エンタープライズ向けの契約条件もまだ書かれていない」対「書類手続きが済み、47.6%のエージェントスコアが十分かどうかを自分で判断できる、4倍の価格」なのだ。

まだ選ばずに両方を実行する
両モデルはOpenAI Realtime APIを話す。これがこの比較で最も有用な事実だ。このインターフェースに対して書かれた音声スタックはどちらにも向けられるため、判断は書き直しではなく設定の問題になる。だからこそ、先に選んでから試すのではなく、評価中は両方を到達可能な状態に保つべきなのだ。
これはOrcaRouterがまさに想定しているケースであり、どちらの半分が当てはまるのかは正確に述べておく価値があります。MAI Realtime 1は当社のカタログには含まれていません。アクセスできるのはMicrosoftのMAI LabsデモとFoundryの限定アクセスプレビュー経由のみ、それだけです。当社がルーティングするのはその背後にあるレイヤー、すなわち音声エージェントがエスカレーションする先の推論モデルであり、プロバイダーの定価でマークアップ0%、そのためそのティアの料金改定は、更新時ではなく実施日にそのまま請求書に反映されます。自動フェイルオーバーは、音声においてはどこよりも重要です。なぜなら、止まったターンとは人間が無音を聞かされている状態にほかならず、数百ミリ秒で別のプロバイダーに切り替わるリクエストは耳に聞こえませんが、4秒間リトライし続けるものこそが顧客からの苦情の的になるからです。プレビューが終了しMAI Realtime 1が一般提供されれば、同じキーと同じルーティングルールがそのまま引き継ぎます——ただしそれがカタログに掲載された場合の話であり、現時点では掲載されていません。

今週は誰が何をすべきか
音声エージェントがサポートやスケジューリングの接点であり、ほとんどのターンが短く、難しいターンがルックアップであるなら、MAI Realtime 1の経済性は他を寄せ付けず、プレビューは無料です — 今すぐ評価を構築し、エスカレーション率をご自身で計測し、Microsoftが公開していないテールレイテンシは、あなた自身の測定が置き換えるものだと考えてください。
エージェントの価値が多段階の作業——3つのシステムに対する予約、本人確認、例外の解決——にあるのなら、Eleven Realtime Max のエージェントスコア47.6%は読むことのできるベンチマークであり、MAI Realtime 1 のそれは空白です。ここで価格だけで選ぶということは、仕事の中で最も難しい部分に対して、測定されていないモデルを買うことを意味します。
コンプライアンスがパフォーマンスより先にベンダーを決めるのであれば、Microsoftの発表によって今月の答えが変わることはありません。限定プレビューは保護対象データを稼働させる場所ではなく、それを可能にする利用条件も公開されていません。
8倍の差は現実のものであり、おそらく長く続くだろう。だがそれはここで最も興味を引く数字ではない。この対決の行方を決めるのは、1分1セントのモデルがタスクをやり遂げられるかどうかという問いであり、その答えをまだ我々に明かしていない唯一の当事者こそ、それを売っている側なのだから。
