
MAI Realtime 1 vs Eleven Realtime Max: uma diferença de preço de oito vezes, e o único número que decide isso
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 920 tok/s
As tarifas publicadas fazem isso parecer resolvido. MAI Realtime 1 custa $0.01 por minuto de áudio. Eleven Realtime Max — o principal modelo de fala para fala da ElevenLabs, listado como Realtime v1 Max — custa cerca de $4.80 por hora na normalização independente da Artificial Analysis, o que dá $0.08 por minuto. Oito para um, antes de contar qualquer outra coisa. Essa comparação também é enganosa de um modo específico e aritmético, e a aritmética é o artigo inteiro: o MAI Realtime 1 cobra um segundo modelo de raciocínio com preço por token além de sua tarifa por minuto, e ninguém fora da Microsoft publicou com que frequência esse segundo medidor funciona.
Então, a pergunta útil não é qual manchete é menor. É de qual destes dois você consegue calcular o custo antes de assinar, e qual deles você precisa medir primeiro. Essas respostas apontam em direções opostas, e é por isso que esta é uma decisão real, e não uma formalidade.

O que é cada um, em uma linha
• MAI Realtime 1 — o primeiro modelo de fala para fala da Microsoft, anunciado em 17 de novembro de 2026 no Ignite. Dois níveis: um caminho conversacional rápido a um centavo por minuto e um mecanismo de raciocínio a US$ 1,00 por milhão de tokens de entrada e US$ 5,00 por milhão de tokens de saída, para o qual os turnos mais difíceis são encaminhados. Prévia com acesso limitado via Foundry; demonstração no MAI Labs. Fala a OpenAI Realtime API.
• Eleven Realtime Max — modelo de fala para fala da ElevenLabs para agentes de voz que realizam trabalhos mais difíceis do que conversa fiada. Um sistema ajustado que abrange reconhecimento, alternância de turnos, um LLM e voz. Disponível no ElevenAgents e por meio de uma API Realtime compatível com OpenAI, somente via WebSocket. Abrange mais de 90 idiomas.
• O que nenhuma das duas publica — os idiomas compatíveis com o MAI Realtime 1. O material de lançamento da Microsoft não lista nenhum e, para um produto de contact centre, essa é uma questão de primeira ordem, não uma nota de rodapé.
O único lado com medidas reais
O Eleven Realtime Max é bem coberto por testes independentes, e o perfil é desequilibrado de uma forma que importa para o design de agentes:
• Índice de fala para fala — 77,3, da Artificial Analysis, em um composto de raciocínio, dinâmica conversacional e capacidade agêntica.
• Raciocínio de fala (Big Bench Audio) — 98,8%. Esse é um dos números mais altos do ranking, e é o número em torno do qual o modelo foi construído: ele responde com precisão a perguntas faladas difíceis.
• Tempo até o primeiro áudio — 570 milissegundos, o mais rápido dos dois em uma comparação direta e rápido o suficiente para parecer imediato.
• Conclusão de tarefas agênticas (τ-Voice) — 47,6%. Este é o ponto fraco. Um modelo que raciocina muito bem sobre o que ouve ainda conclui menos da metade das tarefas de várias etapas que o harness lhe atribui.
• Dinâmica conversacional — 94,1%.
• Custo combinado — cerca de US$ 4,80 por hora de áudio, conforme a normalização do Artificial Analysis de um subconjunto de 40 perguntas do Big Bench Audio para uma base horária. Trata-se de uma convenção de medição, não da tabela de preços da ElevenLabs, e os dois não devem ser citados de forma intercambiável.
O MAI Realtime 1 quase não tem nenhum destes, e a diferença entre “quase” e “nenhum” é a parte interessante. A Microsoft publica um único número de precisão na página do modelo: 98,8% no Big Bench Audio. É um número de fornecedor — avaliação da própria Microsoft, em um benchmark escolhido pela Microsoft, sem metodologia publicada ao lado — e nenhum painel independente o reproduziu. Observe também que 98,8% é aritmeticamente idêntico ao número do Eleven Realtime Max acima, o que é uma coincidência de dois conjuntos de avaliação diferentes chegarem ao mesmo percentual e não deve ser lido como os dois modelos empatados. Além desse único número, a página traz um cartão P50 de tempo até o primeiro áudio e uma legenda “P50 Latency on BigBench Audio”, e nada mais. Nenhuma pontuação τ-Voice, nenhuma lista de idiomas, nenhuma distribuição por trás do percentil. A alegação mais ampla da Microsoft — de que o modelo está na fronteira de Pareto de desempenho-preço para Big Bench Audio e τ-Voice — é uma alegação sobre onde um ponto estaria em um gráfico que não foi desenhado em público. O Artificial Analysis não inclui o modelo de forma alguma em 18 de novembro.
Essa assimetria não é um argumento a favor da ElevenLabs. É um argumento sobre o que você pode saber hoje: um desses modelos tem uma pontuação agêntica medida de 47,6% com a qual você pode planejar, e o outro tem um índice de precisão relatado pelo fornecedor e um percentil.
Uma nota sobre as fontes antes que os números comecem a mudar: cada número de desempenho do Eleven Realtime Max abaixo é uma medição independente da Artificial Analysis. O único número de desempenho do MAI Realtime 1 citado em qualquer lugar deste texto — 98,8% no Big Bench Audio — é da própria Microsoft, não auditado, e é identificado como tal onde quer que apareça. Não há absolutamente mais nada publicado sobre o seu desempenho.
A aritmética que ninguém terminou
Comece pela linha de voz, porque é a única coisa que ambos os lados publicam honestamente.
• MAI Realtime 1 — $0,01/min → $0,60 por hora de conversa, somente no caminho rápido.
• Eleven Realtime Max — cerca de US$ 0,08/min equivalente → US$ 4,80 por hora, com base nos critérios da Artificial Analysis.
Uma diferença de oito vezes no medidor de minutos. Agora adicione o segundo medidor e observe o que falta nas informações públicas: a Microsoft não disse que fração dos turnos é encaminhada para a camada de raciocínio. Portanto, todo modelo de custo que você construir terá uma entrada que você precisa inventar. Eis o que a entrada inventada faz com a resposta. Considere uma ligação de suporte de cinco minutos — US$ 0,05 de tempo de voz — e suponha que, ao longo de seus turnos escalonados, o motor de raciocínio processe 5.000 tokens de entrada e 1.500 tokens de saída no total. Com as tarifas de US$ 1,00 e US$ 5,00 por milhão da Microsoft, isso dá US$ 0,0125 de raciocínio para uma passagem completa pela ligação.
Zero escalonamento — $0,050 por chamada contra $0,40 da ElevenLabs. Oito para um, como anunciado.
• Uma passagem completa de raciocínio — US$ 0,063 por chamada. Ainda abaixo de um sexto do valor da ElevenLabs.
• Três passagens completas de raciocínio — US$ 0,088 por chamada. Um pouco mais de um quinto.
• Dez passagens completas de raciocínio — US$ 0,175 por chamada. Cerca de 44% do valor da ElevenLabs, e esta é uma carga de trabalho que nenhuma conversa de suporte geraria de forma plausível.
Releia isso: mesmo dez vezes a carga de raciocínio não fecha uma lacuna de oito vezes na linha de voz. O que significa que a versão honesta desta comparação é que o MAI Realtime 1 é mais barato por uma margem ampla sob qualquer suposição de escalonamento que uma conversa real sustente — e o motivo para hesitar não é o preço. É que você ainda não consegue saber se o modelo é bom o suficiente para o trabalho, e a prévia da Microsoft não é cobrada até a prévia pública, então descobrir isso não custa nada além de tempo de engenharia.
Duas ressalvas sobre esse cálculo, ambas contrárias a tratá-lo como previsão. A estimativa de raciocínio é minha, não da Microsoft — a contagem de tokens varia enormemente entre uma consulta que exige uma chamada de ferramenta e uma exceção que exige quatro. E o lado da ElevenLabs usa a normalização por hora da Artificial Analysis, e não a tabela de preços da própria ElevenLabs, porque a ElevenLabs não publica um valor fixo em dólares por minuto para o Realtime Max; ela cobra minutos mais tokens de LLM com uma estimativa no próprio aplicativo. Portanto, a comparação é sólida em termos de direção e frágil em termos numéricos dos dois lados, o que é normal para voz e vale a pena dizer explicitamente.
Um ponto merece uma linha própria. A prévia de acesso limitado do Foundry não cobra os clientes até que a prévia pública comece. Uma comparação de custos escrita em novembro é, portanto, uma comparação do que você pagaria mais tarde em relação a uma prévia que você pode executar agora sem custo. A atitude racional é medir, não negociar.
Onde a ElevenLabs não está perdendo no quesito preço de forma alguma
Duas coisas que a figura óctupla esconde.
A primeira é que a ElevenLabs não está vendendo um medidor de minutos. O ElevenAgents cobra por minuto mais custos de tokens de LLM, com uma estimativa por minuto no aplicativo, e a Realtime API cobra por minuto de áudio conectado mais tokens aos mesmos preços de token em todos os planos. Uma equipe já dentro do ElevenAgents não está comparando US$ 0,01 com US$ 0,08 — está comparando uma mudança marginal em relação a uma plataforma que já integrou, com implantação por telefone, widget da web, WhatsApp e central de contatos, além de opções SOC 2, HIPAA, GDPR, residência de dados na UE e retenção zero.
A segunda é que a lista de conformidade é um recurso do produto com um preço próprio. Para um agente de voz clínico ou financeiro, residência de dados na UE e retenção zero não são itens desejáveis que um modelo mais barato possa substituir. O anúncio da Microsoft não diz nada sobre residência de dados, retenção ou certificação para o MAI Realtime 1 — e o modelo está em prévia limitada, que é exatamente o estágio em que esses termos normalmente ainda não estão definidos.
Então a divisão não é “barato versus caro”. É “barato e não mensurado, com termos empresariais ainda não redigidos” contra “quatro vezes o preço, com a documentação pronta e uma pontuação agêntica de 47,6% que você pode decidir se é ou não suficiente”.

Executando ambos sem escolher ainda
Ambos os modelos falam a OpenAI Realtime API, que é o fato mais útil desta comparação. Uma stack de voz escrita para essa interface pode apontar para qualquer um dos dois, o que transforma a decisão em uma configuração, e não em uma reescrita. É também o motivo para manter ambos acessíveis durante a avaliação, em vez de escolher primeiro e testar depois.
Este é o caso para o qual o OrcaRouter foi criado, e vale ser preciso sobre qual metade se aplica. O MAI Realtime 1 não está no nosso catálogo — ele é acessível pela demonstração do MAI Labs da Microsoft e pela prévia de acesso limitado do Foundry, ponto final. O que roteamos é a camada por trás dele: os modelos de raciocínio para os quais um agente de voz escala, ao preço de tabela do provedor com 0% de markup, então uma mudança de tarifa nesse nível chega à sua fatura no dia em que acontece, e não na renovação. O failover automático importa mais em voz do que em qualquer outro lugar, porque um turno travado é uma pessoa ouvindo silêncio; uma solicitação que passa para um segundo provedor em algumas centenas de milissegundos é inaudível, e uma que tenta novamente por quatro segundos é o que os clientes reclamam. Quando a prévia terminar e o MAI Realtime 1 se tornar disponível em geral, a mesma chave e as mesmas regras de roteamento o levam adiante — desde que ele entre no catálogo, o que hoje não ocorreu.

Quem deve fazer o quê esta semana?
Se o seu agente de voz é uma interface de suporte ou de agendamento em que a maioria das interações é curta e as difíceis são consultas, a relação custo-benefício do MAI Realtime 1 não chega perto, e a prévia é gratuita — monte a avaliação agora, instrumente você mesmo a taxa de escalonamento e trate a latência de cauda não divulgada da Microsoft como aquilo que sua própria medição substitui.
Se o valor do seu agente está no trabalho de várias etapas — fazer reservas em três sistemas, verificar identidade, resolver uma exceção —, então a pontuação agêntica de 47,6% no Eleven Realtime Max é um benchmark que você pode ler, e a do MAI Realtime 1 é um espaço em branco. Comprar apenas pelo preço aqui significa comprar um modelo não medido para a parte mais difícil do trabalho.
E se a conformidade decidir seu fornecedor antes que o desempenho decida, nada no anúncio da Microsoft muda sua resposta neste mês. A prévia limitada não é um lugar para executar dados protegidos, e os termos que permitiriam isso não estão publicados.
A diferença de oito vezes é real e provavelmente duradoura. Também é o número menos interessante aqui, porque a questão que decide este confronto é se um modelo de um centavo por minuto consegue concluir uma tarefa — e a única parte que não nos contou isso é justamente quem o vende.
