Eleven Realtime v1 Max vs SeedRealtime: jeden ma cenę i sześć benchmarków, drugi ma demo

Eleven Realtime v1 Max to wywoływalny model mowy na mowę z udokumentowanym punktem końcowym, sześcioma opublikowanymi wynikami benchmarków i znormalizowanym kosztem 4,80 USD za godzinę audio. SeedRealtime to audiowizualny model pełnodupleksowy od ByteDance Seed, ogłoszony 5 sierpnia 2026 r., i nie ma interfejsu API, wag, raportu technicznego, liczby parametrów ani ceny. Porównanie wydaje się rozstrzygnięte, zanim się zacznie — a potem zauważasz, że w przypadku modelu ElevenLabs również brakuje jednego benchmarku i że ten brakujący jest tego samego rodzaju dowodem, którego ByteDance nigdy nie opublikował. Udokumentowane incydenty AI i awarie agentów związane z modelami tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, poziom istotności, stopień pewności i oznaczenie sporności.

Taki jest prawdziwy kształt tego starcia. Oba modele są promowane twierdzeniem, że przejmowanie tur powinno odbywać się wewnątrz modelu, a nie w doczepionym z zewnątrz detektorze aktywności głosowej. Oba wymagają zaufania do zachowania, które można ocenić wyłącznie w rozmowie z nimi. ElevenLabs odpowiedział na to zestawem testów ewaluacyjnych strony trzeciej i kosztem za godzinę. ByteDance odpowiedział na to jednym wewnętrznym badaniem preferencji. Jedno z tych rozwiązań jest użyteczne; żadne nie jest kompletne.

Co każde z nich faktycznie twierdzi

Eleven Realtime v1 Max łączy cztery etapy w jedną sieć: rozpoznawanie, przejmowanie tury, rozumowanie i generowanie głosu. Hasło E​levenLabs brzmi, że dostrojenie ich razem usuwa szwy, które pozostawia kaskada — martwe pół sekundy po tym, jak dzwoniący przestanie mówić, agenta mówiącego w trakcie przerwania, lukę między tym, co zostało usłyszane, a tym, co odsyła się w odpowiedzi. Max dodaje do tego projektu etap rozumowania i jest pozycjonowany jako rozwiązanie do złożonych zadań i wieloetapowych wywołań narzędzi; jego bliźniak, Eleven Realtime v1 Mini, to tani wariant konwersacyjny i to on jest domyślnie przydzielany każdemu nowemu agentowi ElevenAgents.

SeedRealtime idzie dalej w kwestii modalności, a mniej daleko we wszystkim innym. Model firmy B​yteDance łączy dźwięk, wideo i tekst w jednej kompleksowej architekturze end-to-end, co oznacza, że potrafi jednocześnie patrzeć, słuchać i mówić, zamiast łączyć model wizyjny z modelem ASR, modelem językowym i głosem. Demonstrowane zachowania to te, których system dwumodalny nie jest w stanie wygenerować: przypisanie głosu do twarzy w hałaśliwej rozmowie grupowej, tak by model śledził, kto co powiedział, odzywanie się bez zachęty, gdy w kadrze pojawi się docelowy obiekt, scenariusze przewodnika po muzeum i naprawy urządzeń, w których model musi widzieć to, na co patrzysz.

Audio plus wideo to trudniejszy problem niż audio plus tekst, a SeedRealtime podejmuje się tego trudniejszego. Warto powiedzieć to wprost, zanim dalsza część tego tekstu wyjaśni, dlaczego wciąż nie możesz z tego korzystać.

Dowody, zważone uczciwie

Artificial Analysis przeprowadza zarówno test rozumowania mowy, jak i test dynamiki konwersacji na modelach w tej kategorii. Przeprowadziła je na Eleven Realtime v1 Max. Nie przeprowadziła ich na SeedRealtime i nie może — nie ma punktu końcowego, który można wywołać.

• Rozumowanie głosowe (Big Bench Audio) — Eleven Realtime v1 Max 98,8% vs SeedRealtime – nie opublikowano

• Dynamika konwersacji (Full-Duplex-Bench) — maks. 94,1% w porównaniu z SeedRealtime: nieopublikowane

• Wskaźnik skuteczności zadań — maks. 87,1% w porównaniu z SeedRealtime – brak publikacji

• Preferencja areny (Elo) — maks. 997 vs SeedRealtime nieopublikowane

• Wydajność agentowa (τ-Voice) — Max: nie zmierzono vs SeedRealtime: nie opublikowano

• Czas do pierwszego dźwięku — maks. 0,57 s w porównaniu z SeedRealtime, brak wartości opóźnienia w milisekundach

Koszt za godzinę wejściowego audio — Max $4.80 vs SeedRealtime brak oferty komercyjnej

• Modalności wejściowe — Max: dźwięk i tekst vs SeedRealtime: dźwięk, wideo i tekst

Jedynym wierszem, w którym SeedRealtime prowadzi, jest ten, którego nikt nie może kupić. Jedyną publiczną liczbą, jaką B​yteDance podało, jest ewaluacja end-to-end z udziałem ludzi, według której SeedRealtime o połowę zmniejsza problemy z tempem prowadzenia rozmowy w kaskadowych systemach ASR-plus-vision-plus-TTS — mniej przerwań, mniej fałszywych wyzwalaczy, wolniejsze i bardziej naturalne odpowiedzi. Żadnej wielkości próby, żadnej metodologii, żadnej liczby adnotatorów, żadnego opóźnienia w milisekundach. Dodatkowy raport podaje 12% wzrost płynności względem wcześniejszych modeli zespołu. To cała podstawa dowodowa.

Teraz uczciwa część po drugiej stronie. Wiersz τ-Voice dla Maxa jest pusty, co ma znaczenie, ponieważ Max to model, który E​levenLabs sprzedaje do realizacji zadań. Jego wynik rozumowania 98,8% jest mierzony na 1000 pytań audio, a nie na rozmowie z obsługi klienta z narzędziami i dokumentem polityki. Tak więc E​levenLabs ma sześć liczb i dziurę tam, gdzie B​yteDance ma jedną liczbę i brak punktu końcowego — różne tryby awarii, ta sama sytuacja leżąca u podstaw: to, na czym opiera się marketing każdego modelu, nie jest tym, co w przypadku każdego modelu poddano pomiarowi.

Dlaczego architektura ma większe znaczenie niż samo zestawienie przeciwników

Rok temu agenci głosowi byli potokiem z orkiestratorem na szczycie. Ktoś musiał decydować, kiedy użytkownik przestał mówić, kierować transkrypcję do modelu językowego, czekać na tokeny, a następnie przekazywać tekst do syntezatora, który musiał brzmieć, jakby był częścią rozmowy. Każdy etap dodawał opóźnienie, a każde przekazanie dodawało szew.

Oba te modele to zakłady, że problem tkwi w szwie. Odpowiedzią Eleven Realtime jest połączenie etapów po stronie dźwięku — słuchania, przejmowania tury, myślenia i mówienia — w jedną sieć i pozostawienie modelu wyłącznie audio. Odpowiedzią SeedRealtime jest połączenie ich i dodanie wzroku, dzięki czemu model może na podstawie gestu wskazania ustalić, co znaczy „ten”, albo zauważyć, że osoba, z którą rozmawia, odeszła.

Kompromis jest czytelny w specyfikacjach. Eleven Realtime Max odpowiada w 0,57 sekundy i uzyskuje 98,8% w teście rozumowania z wejściem wyłącznie audio. Twierdzenie SeedRealtime dotyczy szerszego zakresu danych wejściowych i, w domyśle, większego kontekstu na turę; jego koszt polega na tym, że wizualny pełny dupleks jest kosztowny w obsłudze, co jest prawdopodobnym powodem, dla którego aplikacja konsumencka jest jedynym miejscem, w którym jest udostępniana. Żadna z firm nie opublikowała wartości opóźnienia, która czyniłaby porównanie ilościowym, a tylko jedna z nich opublikowała cokolwiek, co może zostać zweryfikowane przez stronę trzecią.

Endpoint B​yteDance, który istnieje, ale nie jest tym modelem

To błąd, którego warto unikać, ponieważ łatwo go popełnić, a drogo odkryć. Volcano Engine, chmurowe ramię {{1}}B​yteDance{{/1}}, dokumentuje osobny produkt głosowy czasu rzeczywistego — model głosu czasu rzeczywistego Doubao 3.0 — dostępny przez punkt końcowy WebSocket z kluczem API konsoli, wejście PCM lub Opus 16 kHz i wyjście audio 24 kHz, z użyciem protokołu zdarzeń czasu rzeczywistego.

To deweloperskie API tej samej firmy w tym samym obszarze produktowym i nie jest to SeedRealtime. Obsługuje wyłącznie dźwięk: bez wideo, bez wiązania twarzy, bez ugruntowania wizualnego. To odrębny model z własną historią wydań. Zespoły, które zaczną szukać API głosowego w czasie rzeczywistym B​yteDance, znajdą tę dokumentację, zintegrują się z nią i będą przekonane, że korzystają z modelu, o którym mowa w publikacjach. Volcano Engine nie podał daty udostępnienia punktu końcowego dla modelu audiowizualnego. Każda oferta dająca dostęp do SeedRealtime oferuje coś innego.

Co to oznacza, jeśli masz produkt do wysłania

Nie ma żadnej decyzji do podjęcia między tymi dwoma na potrzeby prac produkcyjnych w tym kwartale. Eleven Realtime v1 Max można już wywoływać przez ElevenAgents lub kompatybilne z OpenAI Realtime API pod wss://api.elevenlabs.io/v1/convai/realtime, a SeedRealtime to kamień milowy badawczy wewnątrz aplikacji telefonicznej w Chinach.

Decyzja, która faktycznie istnieje, dotyczy tego, jak zbudować wokół tego rozwiązanie. API Realtime firmy ElevenLabs w momencie premiery obsługuje wyłącznie WebSocket — bez WebRTC — i jest osobnym produktem niż ElevenAgents, więc telefon, WhatsApp, bazy wiedzy, mechanizmy zabezpieczające i monitorowanie są dostępne tylko po stronie platformy. Max nie jest też oferowany w środowiskach rezydencji danych w Indiach i Singapurze i wymaga limitu tokenów wynoszącego co najmniej 1,024; Mini, co dziwne, obsługuje Indie i Singapur, ale nie obsługuje trybu Zero Retention ani HIPAA, które Max obsługuje w USA i UE.

Miejsce OrcaRouter to nie warstwa głosowa. Nie hostujemy eleven_realtime_v1_max i nie istnieje dla niego endpoint zewnętrzny. Hostujemy natomiast wszystko, co agent o takiej budowie wywołuje wokół modelu: 209 modeli od 16 dostawców upstream za jednym kluczem, w cenie katalogowej dostawcy bez marży, z automatycznym przełączaniem awaryjnym, gdy dostawca zwróci błąd lub przekroczy limit czasu. Kosztowną i zmienną połową agenta głosowego jest wyszukiwanie i delegowane rozumowanie; tę połowę można wymienić bez dotykania pętli audio i właśnie tam tydzień dostrajania się zwraca.

Co by to zmieniło

API dla SeedRealtime uczyniłoby to prawdziwym porównaniem, i nie tylko ze względu na wideo. Wywoływalny endpoint pozwoliłby Artificial Analysis umieścić model w tym samym czteroczęściowym zestawie testowym co wszystkich innych, co jest jedyną drogą do liczby, która cokolwiek znaczy w porównaniu między dostawcami. Raport techniczny zrobiłby większość tej samej pracy.

Po stronie E​levenLabs brakującym elementem jest uruchomienie τ-Voice na Max. Gdy to nastąpi, dziedzina będzie wreszcie miała porównywalny wynik agentowy dla modelu, który E​levenLabs promuje jako ten nastawiony na zadania. Do tego czasu podsumowanie jest mało efektowne: jeden z tych modeli można wywołać, zmierzyć, wycenić i wdrożyć, drugi można tylko obserwować, a różnica między tymi dwiema pozycjami jest większa niż różnica między ich architekturami.