Wygenerowana karta tytułowa dla MAI Realtime 1 vs Eleven Realtime Max, ukazująca ośmiokrotną różnicę cen — 0,01 USD wobec 0,08 USD za minutę audio — ze wskaźnikiem eskalacji oznaczonym jako niepublikowany, a także logo OrcaRouter.
Guides & Insights

MAI Realtime 1 vs Eleven Realtime Max: ośmiokrotna różnica cen i jedna liczba, która to rozstrzyga

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Opublikowane stawki sprawiają, że wygląda to na sprawę zamkniętą. MAI Realtime 1 kosztuje 0,01 USD za minutę audio. Eleven Realtime Max — najlepszy model zamiany mowy na mowę od ElevenLabs, wymieniany jako Realtime v1 Max — kosztuje około 4,80 USD za godzinę według niezależnej normalizacji Artificial Analysis, czyli 0,08 USD za minutę. Osiem do jednego, zanim jeszcze policzysz cokolwiek innego. To porównanie jest jednak mylące w konkretny, arytmetyczny sposób, a arytmetyka to cały ten artykuł: MAI Realtime 1 dolicza do swojej stawki za minutę drugi, wyceniany tokenowo model rozumowania, a nikt poza Microsoftem nie opublikował, jak często ten drugi licznik się uruchamia.

Zatem użyteczne pytanie nie brzmi, który nagłówek jest mniejszy. Chodzi o to, który z tych dwóch można wycenić przed podpisaniem, a który trzeba najpierw zmierzyć. Te odpowiedzi wskazują w przeciwnych kierunkach, dlatego to realna decyzja, a nie formalność.

A generated two-column scoreboard titled 'MAI Realtime 1 vs Eleven Realtime Max — the scoreboard'. Left column MAI Realtime 1: voice price $0.01 per minute, independent scores none yet, agentic not published, first audio P50 only, languages not published. Right column Eleven Realtime Max: $0.08 per minute, index 77.3, agentic 47.6%, first audio 570 ms, 90+ languages. Footer reads 'Eleven figures per Artificial Analysis; MAI performance mostly unpublished.'

Co każde z nich oznacza, w jednej linijce

• MAI Realtime 1 — pierwszy model mowa-do-mowy firmy Microsoft, ogłoszony 17 listopada 2026 r. na Ignite. Dwa warianty: szybka ścieżka konwersacyjna w cenie centa za minutę oraz silnik rozumowania w cenie 1,00 USD za milion tokenów wejściowych i 5,00 USD za milion tokenów wyjściowych, do którego przekazywane są trudniejsze tury. Podgląd o ograniczonym dostępie przez Foundry; demo w MAI Labs. Obsługuje OpenAI Realtime API.

• Eleven Realtime Max — model zamiany mowy na mowę od ElevenLabs dla agentów głosowych wykonujących trudniejsze zadania niż zwykła rozmowa towarzyska. Jeden dostrojony system obejmujący rozpoznawanie mowy, zarządzanie kolejką mówienia, LLM i głos. Dostępny w ElevenAgents oraz przez zgodne z OpenAI Realtime API, wyłącznie przez WebSocket. Obsługuje ponad 90 języków.

• Czego nie publikuje żadna z nich — języki obsługiwane przez MAI Realtime 1. Materiały premierowe Microsoftu nie wymieniają żadnego, a w przypadku produktu dla centrów kontaktowych to kwestia podstawowa, a nie przypis.

Jedyna strona z rzeczywistymi wymiarami

Eleven Realtime Max jest dobrze udokumentowany w niezależnych testach, a jego profil jest asymetryczny w sposób istotny dla projektowania agentów:

• Indeks mowy na mowę — 77,3, według Artificial Analysis, na podstawie kompozytu rozumowania, dynamiki konwersacyjnej i zdolności agentowych.

• Rozumowanie mowy (Big Bench Audio) — 98,8%. To jeden z najwyższych wyników na liście rankingowej i liczba, wokół której zbudowano model: trafnie odpowiada na trudne pytania zadawane głosowo.

• Czas do pierwszego dźwięku — 570 milisekund, najszybszy z obu w bezpośrednim porównaniu i wystarczająco szybki, by sprawiać wrażenie natychmiastowego.

• Ukończenie zadań agentowych (τ-Voice) — 47,6%. To słaby punkt. Model, który pięknie rozumuje o tym, co słyszy, nadal kończy mniej niż połowę wieloetapowych zadań, które wyznacza mu środowisko testowe.

• Dynamika konwersacji — 94,1%.

• Koszt łączony — około 4,80 USD za godzinę dźwięku, zgodnie z przeliczeniem przez Artificial Analysis 40-pytaniowego podzbioru Big Bench Audio na podstawę godzinową. To konwencja pomiarowa, a nie cennik ElevenLabs — tych dwóch wartości nie należy podawać zamiennie.

MAI Realtime 1 ma prawie żadną z tych cech, a różnica między „prawie” a „żadną” jest tu najciekawsza. Microsoft podaje na stronie modelu jedną liczbę dotyczącą dokładności: 98,8% na Big Bench Audio. To liczba od dostawcy — własna ocena Microsoftu, na benchmarku wybranym przez Microsoft, bez opublikowanej obok metodologii — i żadna niezależna organizacja jej nie powtórzyła. Warto też zauważyć, że 98,8% jest arytmetycznie identyczne z podaną powyżej liczbą dla Eleven Realtime Max, co jest zbiegiem okoliczności, że dwa różne zestawy testowe dały ten sam odsetek, i nie należy tego odczytywać jako remisu obu modeli. Poza tą jedną liczbą strona zawiera kartę P50 czasu do pierwszego dźwięku oraz podpis „P50 Latency on BigBench Audio” i nic więcej. Brak wyniku τ-Voice, brak listy języków, brak rozkładu stojącego za percentylem. Szersze twierdzenie Microsoftu — że model znajduje się na froncie Pareto wydajności i ceny dla Big Bench Audio i τ-Voice — dotyczy tego, gdzie punkt znajdowałby się na wykresie, który nie został publicznie narysowany. Według stanu na 18 listopada Artificial Analysis w ogóle nie uwzględnia tego modelu.

Ta asymetria nie jest argumentem za ElevenLabs. To argument o tym, co możesz wiedzieć dzisiaj: jeden z tych modeli ma zmierzony wynik agentowy 47,6%, na którym możesz oprzeć planowanie, a drugi — deklarowaną przez dostawcę wartość dokładności i percentyl.

Uwaga dotycząca źródeł, zanim liczby zaczną się zmieniać: każdy poniższy wynik wydajności Eleven Realtime Max jest niezależnym pomiarem Artificial Analysis. Jedyny wynik wydajności MAI Realtime 1 przytoczony gdziekolwiek w tym tekście — 98.8% w Big Bench Audio — pochodzi od samego Microsoftu, nie został poddany audytowi i jest tak oznaczony wszędzie, gdzie się pojawia. Nie opublikowano poza tym zupełnie nic więcej na temat jej wydajności.

Arytmetyka, której nikt nie dokończył

Zacznij od linii głosowej, ponieważ to jedyna rzecz, którą obie strony publikują uczciwie.

• MAI Realtime 1 — 0,01 USD/min → 0,60 USD za godzinę rozmowy, wyłącznie szybka ścieżka.

• Eleven Realtime Max — równowartość około 0,08 USD/min → 4,80 USD za godzinę, według metodyki Artificial Analysis.

Ośmiokrotna luka na liczniku minut. Teraz dodaj drugi licznik i zwróć uwagę, czego brakuje w informacjach publicznych: Microsoft nie podał, jaka część tur eskaluje do warstwy rozumowania. Każdy budowany przez Ciebie model kosztów ma zatem dane wejściowe, które musisz wymyślić. Oto, co wymyślone dane wejściowe robią z odpowiedzią. Weź pięciominutowe połączenie z pomocą techniczną — 0,05 USD czasu głosowego — i załóż, że w ramach jego eskalowanych tur silnik rozumowania widzi łącznie 5000 tokenów wejściowych i 1500 tokenów wyjściowych. Przy stawkach Microsoftu wynoszących 1,00 USD i 5,00 USD za milion daje to 0,0125 USD kosztu rozumowania za jedno pełne przejście przez połączenie.

• Zero eskalacji — 0,050 USD za połączenie w porównaniu z 0,40 USD u ElevenLabs. Osiem do jednego, zgodnie z reklamą.

• Jeden pełny przebieg rozumowania — $0.063 za wywołanie. Nadal to mniej niż jedna szósta stawki ElevenLabs.

• Trzy pełne przebiegi rozumowania — 0,088 USD za wywołanie. Nieco ponad jedna piąta.

• Dziesięć pełnych przebiegów rozumowania — 0,175 USD za wywołanie. Około 44% wartości podanej dla ElevenLabs, a jest to obciążenie, którego żadna rozmowa z obsługą klienta raczej nie wygeneruje.

Przeczytaj to jeszcze raz: nawet dziesięciokrotne obciążenie rozumowania nie zamyka ośmiokrotnej luki na linii głosowej. Co oznacza, że uczciwa wersja tego porównania jest taka, że MAI Realtime 1 jest znacznie tańszy w ramach każdego założenia eskalacji, które uzasadnia prawdziwa rozmowa — a powodem do wahania nie jest cena. Jest nim to, że nie można jeszcze stwierdzić, czy model jest wystarczająco dobry do tego zadania, a wersja zapoznawcza Microsoftu jest bezpłatna aż do publicznej wersji zapoznawczej, więc przekonanie się kosztuje wyłącznie czas pracy inżynierów.

Dwa zastrzeżenia do tej arytmetyki, z których oba przemawiają przeciw traktowaniu jej jako prognozy. Szacunek rozumowania jest mój, nie Microsoftu — liczba tokenów ogromnie się różni między wyszukiwaniem wymagającym jednego wywołania narzędzia a wyjątkiem wymagającym czterech. A strona ElevenLabs używa godzinowej normalizacji Artificial Analysis, a nie własnego cennika ElevenLabs, ponieważ ElevenLabs nie publikuje stałej stawki dolarowej za minutę dla Realtime Max; wycenia minuty plus tokeny LLM za pomocą szacunku w aplikacji. Zatem porównanie jest kierunkowo solidne, ale liczbowo nieprecyzyjne po obu stronach, co jest typowe dla głosu i warto to powiedzieć wprost.

Jedna kwestia zasługuje jednak na osobne omówienie. Podgląd Foundry o ograniczonym dostępie nie obciąża klientów opłatami aż do rozpoczęcia publicznego podglądu. Porównanie kosztów sporządzone w listopadzie jest zatem porównaniem tego, co zapłacisz później, z podglądem, który możesz uruchomić teraz za zero. Racjonalnym krokiem jest mierzenie, a nie negocjowanie.

Gdzie ElevenLabs wcale nie przegrywa na cenie

Dwie rzeczy, które ukrywa ośmioraka figura.

Po pierwsze, ElevenLabs nie sprzedaje licznika minut. ElevenAgents rozlicza się za minutę plus koszty tokenów LLM, z szacowaniem na minutę w aplikacji, a Realtime API pobiera opłatę za minutę połączonego dźwięku plus tokeny w tych samych cenach tokenów we wszystkich planach. Zespół już korzystający z ElevenAgents nie porównuje $0.01 z $0.08 — porównuje marginalną zmianę z platformą, którą już zintegrował, obejmującą wdrożenie telefoniczne, widget webowy, WhatsApp i centrum kontaktowe oraz opcje SOC 2, HIPAA, GDPR, rezydencji danych w UE i zerowego przechowywania.

Drugą kwestią jest to, że lista wymagań zgodności jest funkcją produktu mającą własną cenę. W przypadku agenta głosowego do zastosowań klinicznych lub finansowych rezydencja danych w UE i zerowa retencja nie są miłymi dodatkami, które może zastąpić tańszy model. Ogłoszenie Microsoftu nie mówi nic o rezydencji danych, retencji ani certyfikacji dla MAI Realtime 1 — a model jest dostępny w ograniczonych podglądach, czyli dokładnie na tym etapie, na którym te warunki zwykle nie są jeszcze ustalone.

Podział nie przebiega więc między „tanio” a „drogo”. Chodzi o „tanio i bez pomiaru, z warunkami enterprise wciąż niespisanymi” kontra „czterokrotność ceny, ale z dopiętą dokumentacją i wynikiem agentowym 47,6%, co do którego możesz zdecydować, czy wystarcza, czy nie”.

A screenshot of ElevenLabs' own Realtime landing page captured 18 November 2026, showing the headline 'Instant conversation with Eleven Realtime', the line describing v1 Mini for natural conversations and v1 Max for complex tasks, and the statement that the models are available in ElevenAgents and the Realtime API.

Uruchamianie obu bez dokonania wyboru

Oba modele obsługują O​penAI Realtime API, co jest najbardziej użytecznym pojedynczym faktem w tym porównaniu. Stos głosowy napisany pod ten interfejs można skierować na dowolny z nich, co zamienia decyzję w konfigurację, a nie przepisanie. To także powód, by podczas oceny utrzymać oba dostępne, zamiast najpierw wybierać, a potem testować.

To jest przypadek, dla którego zbudowano OrcaRouter, i warto precyzyjnie określić, która połowa ma zastosowanie. MAI Realtime 1 nie znajduje się w naszym katalogu — jest osiągalny wyłącznie przez demonstrację Microsoft MAI Labs i ograniczony dostęp w wersji zapoznawczej Foundry, kropka. To, co kierujemy, to warstwa stojąca za nim: modele rozumowania, do których eskaluje agent głosowy, w cenie katalogowej dostawcy z narzutem 0%, dzięki czemu zmiana stawki w tym przedziale trafia na Twoją fakturę w dniu, w którym następuje, a nie przy odnowieniu. Automatyczne przełączanie awaryjne ma większe znaczenie w głosie niż gdziekolwiek indziej, ponieważ zawieszona tura rozmowy to człowiek słuchający ciszy; żądanie, które przechodzi do drugiego dostawcy w ciągu kilkuset milisekund, jest niesłyszalne, a takie, które ponawia próby przez cztery sekundy, to właśnie to, na co skarżą się klienci. Gdy wersja zapoznawcza się kończy i MAI Realtime 1 staje się ogólnie dostępny, ten sam klucz i te same reguły routingu obsłużą go — pod warunkiem, że trafi do katalogu, co dzisiaj nie nastąpiło.

A screenshot of the OrcaRouter models catalogue captured 18 November 2026, showing the search and sort controls over a grid of model cards and the header line '226 models · 17 providers · one API key, one bill'.

Kto powinien co zrobić w tym tygodniu?

Jeśli Twój agent głosowy obsługuje wsparcie lub planowanie terminów, gdzie większość tur jest krótka, a trudne przypadki to wyszukiwanie informacji, ekonomia MAI Realtime 1 jest bezkonkurencyjna, a wersja preview jest darmowa — zbuduj ewaluację już teraz, samodzielnie mierz wskaźnik eskalacji i traktuj niepublikowane opóźnienie ogona Microsoftu jako coś, co zastępujesz własnym pomiarem.

Jeśli wartość Twojego agenta tkwi w wieloetapowej pracy — rezerwowaniu w trzech systemach, weryfikacji tożsamości, rozwiązywaniu wyjątku — to wynik agentowy 47,6% w Eleven Realtime Max jest benchmarkiem, który można odczytać, a wynik MAI Realtime 1 jest pustką. Kupowanie wyłącznie po cenie oznacza tutaj kupowanie niezmierzonego modelu do najtrudniejszej części zadania.

A jeśli zgodność zdecyduje o wyborze dostawcy, zanim zrobi to wydajność, nic w ogłoszeniu Microsoftu nie zmienia Twojej odpowiedzi w tym miesiącu. Ograniczona wersja zapoznawcza nie jest miejscem do uruchamiania danych chronionych, a warunki, które by na to pozwalały, nie zostały opublikowane.

Ośmiokrotna różnica jest realna i prawdopodobnie trwała. Jest też najmniej interesującą liczbą w tym zestawieniu, ponieważ pytanie, które rozstrzyga ten pojedynek, brzmi: czy model za centa na minutę potrafi ukończyć zadanie — a jedynym podmiotem, który nam tego nie powiedział, jest ten, kto go sprzedaje.