Eleven Realtime v1 Max kontra Gemini 3.8 Live: szybszy, bystrzejszy w rozumowaniu i 5,7× wyższa cena

Eleven Realtime v1 Max zaczyna mówić w 0,57 sekundy i uzyskuje 98,8% poprawnych odpowiedzi w Big Bench Audio. Gemini 3.8 Live zaczyna mówić w 1,18 sekundy i uzyskuje 92%. Na dwóch osiach, które ludzie przytaczają, kiedy spierają się o modele głosowe, ElevenLabs wygrywa na obu — a potem przegrywa na niemal każdej osi, na której zależy zespołowi finansowemu, począwszy od tej, na której ten sam ranking benchmarków wycenia Gemini na 0,84 USD za godzinę audio, a Eleven Realtime Max na 4,80 USD.Udokumentowane incydenty AI i awarie agentów związane z modelami tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i oznaczenie sporu.

Te dwa modele nie zgadzają się także co do tego, czym jest agent głosowy. G​emini 3.8 Live jest elementem platformy: ma wynik w indeksie, udokumentowany cennik stawek, 97 języków, znak wodny SynthID na każdej wygenerowanej sekundzie oraz dwa warianty — standardowy i Extended Thinking — które oddzielają rozumowanie od rozmowy. Eleven Realtime v1 Max to pojedynczy model sprzedawany z obietnicą, że rozpoznawanie, zarządzanie kolejką mówienia, myślenie i głos były wspólnie dostrajane, i nie ma on w ogóle wyniku w Speech to Speech Index, ponieważ stojący za tym indeksem benchmark agentowy nie został na nim uruchomiony.

To ostatnie zdanie to cały argument w pigułce. Jeden z tych modeli ma kompletną publiczną kartę wyników; drugi ma najlepsze liczby w dwóch wierszach, które posiada, i puste pole tam, gdzie przypada najtrudniejszy wiersz.

Co tak naprawdę mówi tablica wyników

Wszystkie poniższe wartości pochodzą z rankingu Speech to Speech Artificial Analysis, który testuje oba modele w tym samym środowisku testowym, zamiast przekazywać dane ze stron dostawców. Jeśli wartość podana przez dostawcę się różni, jest to oznaczone.

• Rozumowanie głosowe (Big Bench Audio) — Eleven Realtime v1 Max 98,8% vs G​emini 3.8 Live 92%

• Czas do pierwszego dźwięku — Max 0,57 s vs G​emini 1,18 s

• Wskaźnik skuteczności zadań — Max 87,1% w porównaniu z G​emini 93,2%

• Wydajność agentowa (τ-Voice) — Max: nie zmierzono vs Gemini 30,1%

• Dynamika konwersacyjna (Full-Duplex-Bench) — maks. 94,1% vs G​emini 96,1%

• Preferencja na arenie (Elo) — Max 997 vs G​emini 1,078

• Indeks Speech to Speech — Max bez oceny vs Gemini 76.0

• Koszt za godzinę audio wejściowego — Max 4,80 USD vs G​emini 0,84 USD

Nie chodzi o wzorzec: „ElevenLabs jest lepszy w audio, Google jest lepszy we wszystkim innym”. Jest węższy i ciekawszy niż to. Max wygrywa w dwóch pomiarach przeprowadzonych na stałym zestawie pytań audio — poprawna odpowiedź, szybka odpowiedź — a przegrywa w trzech, w których do ukończenia potrzebny jest człowiek w pętli lub wywołanie narzędzia. Preferencja w Arena to ludzie, którzy słuchają i wybierają. Sukces zadania to to, czy wywołano właściwą funkcję. Dynamika konwersacji to to, czy naprzemienność mówienia wydawała się właściwa. To są metryki produkcyjne, a Gemini zdobywa wszystkie trzy.

Wiersz τ-Voice zasługuje na zastrzeżenie, zanim ktokolwiek go zacytuje. Wynik 30,1% modelu G​emini 3.8 Live to naprawdę słaby wynik w zadaniach agentowych — jego własny wariant Extended Thinking uzyskuje 68,6% w tym samym teście, a G​PT-Live-1 (Astra, medium) uzyskuje 74,5%. Jeśli Twój agent musi zmienić rezerwację zgodnie z polityką, zwykły 3.8 Live nie jest modelem, którego chcesz użyć. Ale puste miejsce przy Maxie nie jest zerem i nie należy go tak odczytywać. Oznacza, że test nie został przeprowadzony.

Skąd bierze się różnica cen i dlaczego może nie mieć tak dużego znaczenia, jak się wydaje

Gemini 3.8 Live pobiera opłatę w wysokości 0,005 USD za minutę dźwięku wejściowego i 0,018 USD za minutę dźwięku wyjściowego, a tekst jest rozliczany po 0,75 USD i 4,50 USD za milion tokenów, natomiast obrazy lub wideo na wejściu po 1,00 USD za milion. Eleven Realtime w ogóle nie publikuje stawki za model: w ElevenAgents płacisz standardową opłatę za minutę pracy agenta plus tokeny według stawki modelu Realtime, a przez Realtime API płacisz za minutę podłączonego dźwięku plus tokeny, przy takich samych cenach tokenów w każdym planie. Artificial Analysis przelicza oba na koszt za godzinę na stałym zestawie pytań, co jest jedynym sposobem na uczciwe porównanie ich, i otrzymuje 0,84 USD wobec 4,80 USD.

Wynikają z tego dwie rzeczy. Po pierwsze, jeśli Twój wolumen jest mierzony w tysiącach minut dziennie, to różnica jest rozstrzygająca — 5,7× to nie błąd zaokrąglenia, a E​levenLabs nie ma opublikowanego mechanizmu, by ją zamknąć, poza tańszym Mini. Po drugie, porównanie nie jest statyczne w taki sposób, w jaki jest cena katalogowa. G​oogle już wcześniej obniżał stawki za audio G​emini, a obniżka trafia na naszą stronę tego samego dnia, gdy dostawca przekazuje cenę katalogową, ponieważ OrcaRouter nie dolicza żadnej marży. Odwrotnie jest tak samo: jeśli E​levenLabs opublikuje stawkę Realtime, liczba się zmieni, bez konieczności przepisywania integracji przez kogokolwiek.

Dwa różne zakłady dotyczące naprzemiennego zabierania głosu

Te architektury nie są równoważne, a ta różnica wyjaśnia rozbieżność w metrykach lepiej niż jakiekolwiek twierdzenie o jakości.

G​emini 3.8 Live to jedna z pozycji w rodzinie modeli, którą G​oogle wydaje od dwóch lat.

Przetwarza dane wejściowe wizualne w niemal czasie rzeczywistym, przełącza języki w trakcie rozmowy — w sumie 97 — oraz wykonuje wywołania narzędzi i API w tle, dzięki czemu agent może potwierdzić żądanie i mówić dalej, podczas gdy wyszukiwanie się kończy. Jego odpowiednik, Gemini 3.8 Live Extended Thinking, rozumuje i mówi jednocześnie, opowiadając o postępach. Oba zawierają znaki wodne SynthID i mają wspólną kartę modelu opublikowaną jako gemini-3-8-audio, a oba mają udokumentowane identyfikatory API: gemini-3.8-live i gemini-3.8-live-extended-thinking.

Eleven Realtime scala stos, zamiast go koordynować.

Rozpoznawanie mowy, zarządzanie turami rozmowy, etap rozumowania i generowanie głosu tworzą jeden dostrojony system — dlatego potrafi odpowiedzieć w 0,57 sekundy bez osobnego detektora aktywności głosowej, który decydowałby, kiedy dzwoniący skończył mówić. Sam E​levenLabs jako przykład korzyści podaje backchannel: zgodnie z dokumentacją Mini wykrywa, czy mówiący skończył, czy tylko wtrąca „mm-hmm”. To zachowanie sprawia, że agent głosowy przestaje przypominać walkie-talkie, a jednocześnie jest to coś, z czym kaskadowy potok przetwarzania ma trudności, ponieważ VAD trzeba z góry zdefiniować, czym jest przerwanie.

Ceną scalonego projektu jest utrata kontroli. W ElevenAgents wybór modelu Realtime oznacza, że ElevenLabs zarządza LLM, wysiłkiem rozumowania, budżetem myślenia, równoległymi wywołaniami narzędzi, limitem czasu kaskady, modelem TTS, trybem ekspresyjnym i dostawcą ASR. Nie możesz wprowadzić własnego LLM, nie możesz używać Amazon Bedrock, a węzeł przepływu pracy nie może zastąpić żadnego z tych ustawień. Gemini daje Ci model i pozwala zachować pipeline.

Pytanie o integrację, którego nikt nie umieszcza w tabeli porównawczej

Gemini 3.8 Live to model API Gemini. Eleven Realtime jest sprzedawany na dwa sposoby — w ramach ElevenAgents oraz poprzez Realtime API zgodne na poziomie protokołu transmisji z protokołem zdarzeń OpenAI, pod adresem wss://api.elevenlabs.io/v1/convai/realtime. Jeśli masz klienta OpenAI Realtime, zmiana punktu końcowego i nazwy modelu to większość migracji; dokumentacja zawiera jednokomendową umiejętność, która to umożliwia.

Ceną, jaką płacisz za tę kompatybilność, jest platforma. Realtime API i ElevenAgents to osobne produkty oparte na różnych protokołach połączeń, a API nie obejmuje kanałów telefonicznych ani WhatsApp, baz wiedzy, guardrails, testów skryptowych ani monitorowania rozmów. E​levenLabs również wyraźnie zaznacza, że Realtime API nie ma WebRTC na start — tylko WebSocket.

Ta asymetria to miejsce, w którym pasuje warstwa routingu, i pasuje ona po stronie Gemini lepiej niż po stronie ElevenLabs. OrcaRouter nie hostuje eleven_realtime_v1_max; nie istnieje dla niego zewnętrzny endpoint innej firmy i nie będziemy udawać inaczej. To, co OrcaRouter hostuje, to reszta stosu w kształcie Gemini: google/gemini-3.8-flash i pozostałe modele Gemini za jednym kluczem, łącznie 209 modeli od 16 dostawców, w cenie katalogowej dostawcy bez marży, z automatycznym przełączaniem awaryjnym, gdy dostawca zwróci błąd. Jeśli zbudujesz warstwę głosową na Gemini, otaczające ją wyszukiwanie i analiza po rozmowie mogą być podmieniane i testowane A/B na Twoim własnym ruchu, zamiast być wybierane na podstawie leaderboardu.

Który wybrać?

Wybierz G​emini 3.8 Live, jeśli agent musi sfinalizować transakcję, jeśli potrzebujesz ceny poniżej dolara za godzinę, jeśli potrzebujesz danych wizualnych lub jeśli potrzebujesz 97 języków w jednej linii. Ma kompletny publiczny scorecard, udokumentowany cennik i tańszą minutę. Jego słabość w działaniach agentowych jest realna, ale mierzalna, a jego wariant Extended Thinking jest rozwiązaniem, jeśli ukończenie zadania jest wąskim gardłem.

Wybierz Eleven Realtime v1 Max, jeśli sama rozmowa jest produktem — korepetytor, postać, infolinia, w której skarga dotyczy przerywania — oraz jeśli Twoje obciążenie to audio wymagające rozumowania, a nie długie połączone rozmowy. Kupujesz najszybszy mocny model rozumujący dostępny na rynku i najlepiej zmierzone zarządzanie turami rozmowy — za premię cenową, którą powinieneś skalkulować, zanim podejmiesz decyzję.

Nie oceniaj wyłącznie na podstawie wyniku indeksu. Max nie ma takiego wyniku, i nie jest to przytyk do jakości Maxa; to stwierdzenie, jak duża część zachowania Maxa wciąż pozostaje niezmierzona. Jedyną liczbą, która zmieniłaby to porównanie, jest przebieg τ-Voice na Maxie. Jeśli wypadnie powyżej 68,6% Gemini — wariantu Extended Thinking, a nie standardowego — premium ElevenLabs zaczyna wyglądać jak polisa ubezpieczeniowa, a nie podatek. Dopóki to nie nastąpi, to szybszy model ma więcej do udowodnienia.