Eleven Realtime v1 Max vs SeedRealtime: um tem preço e seis benchmarks, o outro tem uma demo

O Eleven Realtime v1 Max é um modelo de fala para fala invocável, com um endpoint documentado, seis resultados de benchmark publicados e um custo normalizado de US$ 4,80 por hora de áudio. O SeedRealtime é o modelo audiovisual full-duplex da ByteDance Seed, anunciado em 5 de agosto de 2026, e não tem API, nem pesos, nem relatório técnico, nem contagem de parâmetros, nem preço. A comparação parece decidida antes mesmo de começar — e então você percebe que o modelo da ElevenLabs também tem um benchmark faltando, e que o que falta é o mesmo tipo de evidência que a ByteDance nunca publicou. Os incidentes de IA documentados e as falhas de agentes associados aos modelos desta classe estão reunidos em o Arquivo de Incidentes de IA do OrcaRouter, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.

Essa é a verdadeira forma deste confronto. Ambos os modelos são vendidos com a alegação de que a alternância de turnos deve ficar dentro do modelo, e não em um detector de atividade de voz acoplado do lado de fora. Ambos pedem que você confie em um comportamento que só dá para julgar conversando com eles. A E​levenLabs respondeu a isso com um arnês de avaliação de terceiros e um valor de custo por hora. A B​yteDance respondeu com um único estudo interno de preferência. Um desses é utilizável; nenhum dos dois é completo.

O que cada um realmente afirma

Eleven Realtime v1 Max combina quatro etapas em uma única rede: reconhecimento, tomada de turno, raciocínio e geração de voz. A proposta da E​levenLabs é que ajustá-las em conjunto elimina as emendas que uma cascata deixa para trás — o meio segundo morto depois que o interlocutor para de falar, o agente que fala por cima de uma interrupção, a lacuna entre o que foi ouvido e o que é dito de volta. O Max adiciona a etapa de raciocínio a esse design e é posicionado para tarefas complexas e chamadas de ferramentas em várias etapas; seu irmão, Eleven Realtime v1 Mini, é a variante conversacional barata, e é o que todo novo agente ElevenAgents recebe por padrão.

SeedRealtime vai mais longe na modalidade e menos longe em todo o resto. O modelo da B​yteDance unifica áudio, vídeo e texto numa única arquitetura ponta a ponta, o que significa que consegue ver, ouvir e falar ao mesmo tempo, em vez de encadear um modelo de visão a um modelo ASR, a um modelo de linguagem e a uma voz. Os comportamentos demonstrados são os que um sistema de duas modalidades não consegue produzir: associar uma voz a um rosto numa conversa de grupo ruidosa, para que o modelo rastreie quem disse o quê, tomar a palavra sem ser solicitado quando um objeto-alvo entra no enquadramento, e cenários de guia de museu e de reparação de dispositivos em que o modelo precisa de ver o que está a olhar.

Áudio com vídeo é um problema mais difícil do que áudio com texto, e a SeedRealtime está tentando resolver o mais difícil. Vale a pena dizer isso claramente antes que o restante deste texto explique por que você ainda não pode usá-lo.

As evidências, ponderadas com honestidade

A Artificial Analysis executa tanto um teste de raciocínio de fala quanto um teste de dinâmica conversacional em modelos desta categoria. Ela os executou no Eleven Realtime v1 Max. Ela não os executou no SeedRealtime, e não pode — não há endpoint para chamar.

• Raciocínio de fala (Big Bench Audio) — Eleven Realtime v1 Max 98,8% vs SeedRealtime não publicado

• Dinâmica conversacional (Full-Duplex-Bench) — Máx. 94,1% vs SeedRealtime não publicado

• Taxa de sucesso da tarefa — Máx. 87,1% vs SeedRealtime não divulgado

• Preferência de arena (Elo) — Max 997 vs SeedRealtime não publicado

• Desempenho agêntico (τ-Voice) — Max não medido vs SeedRealtime não publicado

• Tempo até o primeiro áudio — Máx. 0,57 s vs. SeedRealtime sem valor de latência em milissegundos

• Custo por hora de áudio de entrada — Max $4.80 vs. SeedRealtime sem oferta comercial

• Modalidades de entrada — Max áudio e texto vs SeedRealtime áudio, vídeo e texto

A única linha em que o SeedRealtime lidera é aquela que ninguém pode comprar. O único número público que a B​yteDance ofereceu é uma avaliação humana de ponta a ponta que afirma que o SeedRealtime reduz pela metade os problemas de ritmo conversacional de sistemas em cascata de ASR, visão e T​TS — menos interrupções, menos falsos acionamentos, respostas mais lentas e mais naturais. Nenhum tamanho de amostra, nenhuma metodologia, nenhuma contagem de anotadores, nenhuma latência em milissegundos. Um relatório secundário cita um ganho de fluência de 12% em relação aos modelos anteriores da equipe. Essa é toda a base de evidências.

Agora, a parte honesta do outro lado. A linha τ-Voice do Max está em branco, o que importa porque Max é o modelo que a E​levenLabs vende para conclusão de tarefas. Sua pontuação de raciocínio de 98,8% é medida em 1.000 perguntas de áudio, não em uma chamada de atendimento ao cliente com ferramentas e um documento de políticas. Então a E​levenLabs tem seis números e um buraco onde a B​yteDance tem um número e nenhum endpoint — modos de falha diferentes, mesma situação subjacente: aquilo com que cada modelo é comercializado não é aquilo em que cada modelo foi medido.

Por que a arquitetura importa mais do que o confronto

Há um ano, os agentes de voz eram um pipeline com um orquestrador por cima. Alguém tinha que decidir quando o usuário havia parado de falar, encaminhar a transcrição para um modelo de linguagem, esperar pelos tokens e então entregar o texto a um sintetizador que precisava soar como se tivesse feito parte da conversa. Cada etapa adicionava latência e cada transferência adicionava uma emenda.

Ambos esses modelos são apostas de que o problema está na costura. A resposta do Eleven Realtime é fundir os estágios do lado do áudio — escutar, alternar turnos, pensar, falar — em uma única rede e manter o modelo exclusivamente de áudio. A resposta do SeedRealtime é fundir esses estágios e acrescentar a visão, para que o modelo consiga resolver “este aqui” a partir de um gesto de apontar, ou perceber que a pessoa com quem está falando foi embora.

A troca é legível nas especificações. O Eleven Realtime Max responde em 0,57 segundos e pontua 98,8% em um teste de raciocínio com entrada apenas de áudio. A alegação da SeedRealtime é de entrada mais ampla e, por implicação, mais contexto por turno; seu custo é que o full-duplex visual é caro de servir, o que é um motivo plausível para um app para consumidores ser o único lugar em que ele é lançado. Nenhuma das empresas publicou um número de latência que torne a comparação quantitativa, e apenas uma delas publicou algo que possa ser verificado por terceiros.

O endpoint da ByteDance que existe, mas não é este modelo

Este é o erro que vale a pena evitar, porque é fácil de cometer e caro de descobrir. O Volcano Engine, braço de nuvem da B​yteDance, documenta um produto separado de voz em tempo real — o modelo de voz em tempo real Doubao 3.0 — acessível por um endpoint WebSocket com uma chave de API do console, PCM ou Opus de 16 kHz na entrada e áudio de 24 kHz na saída, usando um protocolo de eventos em tempo real.

Essa é uma API para desenvolvedores da mesma empresa, na mesma área de produto, e não é o SeedRealtime. É somente áudio: sem vídeo, sem vinculação facial, sem grounding visual. É um modelo distinto, com seu próprio histórico de lançamentos. Equipes que procurarem a API de voz em tempo real da B​yteDance encontrarão essa documentação, integrarão com base nela e acreditarão estar usando o modelo sobre o qual a cobertura trata. A Volcano Engine não publicou nenhuma data para um endpoint do modelo audiovisual. Qualquer listagem que ofereça acesso ao SeedRealtime está oferecendo outra coisa.

O que isso significa se você tem um produto para lançar

Não há decisão a tomar entre esses dois para trabalho de produção neste trimestre. O Eleven Realtime v1 Max pode ser chamado agora, por meio do ElevenAgents ou de uma API Realtime compatível com a OpenAI em wss://api.elevenlabs.io/v1/convai/realtime, e o SeedRealtime é um marco de pesquisa dentro de um aplicativo de celular na China.

A decisão que de fato existe é como construir em torno disso. A Realtime API da ElevenLabs é somente WebSocket no lançamento — sem WebRTC — e é um produto separado do ElevenAgents, então telefone, WhatsApp, bases de conhecimento, guardrails e monitoramento só vêm com o lado da plataforma. O Max também não é oferecido nos ambientes de residência de dados da Índia e de Singapura, e exige um limite de tokens de pelo menos 1.024; o Mini, curiosamente, é compatível com Índia e Singapura, mas não com Modo de Retenção Zero ou HIPAA, que o Max suporta nos EUA e na UE.

Onde o OrcaRouter se encaixa não é na camada de voz. Não hospedamos o eleven_realtime_v1_max, e não há endpoint de terceiros para ele. O que hospedamos é tudo o que um agente desse formato chama ao redor do modelo: 209 modelos de 16 provedores upstream por trás de uma única chave, ao preço de tabela do provedor sem markup, com failover automático quando um provedor dá erro ou atinge o tempo limite. A metade cara e variável de um agente de voz é a recuperação e o raciocínio que ele delega; essa metade é trocável sem mexer no loop de áudio, e é aí que uma semana de ajuste fino se paga.

O que mudaria isso

Uma API para o SeedRealtime tornaria isto uma comparação de verdade, e não apenas por causa do vídeo. Um endpoint chamável permitiria que a Artificial Analysis colocasse o modelo no mesmo arcabouço de quatro partes usado por todos os outros, que é o único caminho para um número que signifique algo entre fornecedores. Um relatório técnico faria a maior parte do mesmo trabalho.

Do lado da E​levenLabs, a peça que falta é uma execução do τ-Voice no Max. Quando isso chegar, o setor finalmente terá um número agêntico comparável para o modelo que a E​levenLabs comercializa como o voltado a tarefas. Até lá, o resumo é sem glamour: um desses modelos você pode chamar, medir, precificar e colocar em produção; o outro você só pode observar, e a diferença entre essas duas posições é maior que a diferença entre suas arquiteturas.