Eleven Realtime v1 Max против Gemini 3.8 Live: быстрее, точнее в рассуждениях и в 5,7 раза дороже

Eleven Realtime v1 Max начинает говорить за 0,57 секунды и правильно выполняет 98,8% заданий Big Bench Audio. Gemini 3.8 Live начинает говорить за 1,18 секунды и показывает 92%. По двум осям, которые обычно приводят в спорах о голосовых моделях, ElevenLabs побеждает по обеим — а затем проигрывает почти по всем осям, важным для финансовой команды, начиная с той, где на той же таблице бенчмарков Gemini стоит $0,84 за час аудио, а Eleven Realtime Max — $4,80. Документированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьезности, степень уверенности и отметку о спорности.

Две модели также расходятся во мнениях о том, что такое голосовой агент. G​emini 3.8 Live — это часть платформы: у неё есть оценка в индексе, документированный прайс-лист, 97 языков, водяной знак SynthID на каждой сгенерированной секунде и два варианта — стандартный и Extended Thinking, — в которых рассуждение отделено от разговора. Eleven Realtime v1 Max — это единая модель, которую продают с обещанием, что распознавание, смена реплик, мышление и голос были настроены вместе, и у неё вообще нет Speech to Speech Index, потому что агентный бенчмарк, лежащий в основе этого индекса, на ней не запускался.

Последнее предложение — это весь аргумент в сжатом виде. У одной из этих моделей есть полная публичная таблица оценок; у другой — лучшие показатели по двум имеющимся строкам и пустое место там, где должна быть самая сложная строка.

Что на самом деле показывает табло

Каждый показатель ниже взят из рейтинга Speech to Speech от Artificial Analysis, который тестирует обе модели на одном и том же стенде, а не пересказывает страницы поставщиков. Там, где показатель поставщика отличается, это отмечено.

• Речевое рассуждение (Big Bench Audio) — Eleven Realtime v1 Max 98,8% против G​emini 3.8 Live 92%

• Время до первого аудио — Max 0,57 с против Gemini 1,18 с

• Доля успешных задач — Max 87,1% против G​emini 93,2%

• Агентная производительность (τ-Voice) — Max не измерялся по сравнению с G​emini 30,1%

• Динамика разговора (Full-Duplex-Bench) — макс. 94,1% против G​emini 96,1%

• Предпочтение на арене (Elo) — Max 997 против G​emini 1 078

• Индекс Speech to Speech — Max без оценки против G​emini 76.0

• Стоимость за час входного аудио — Max $4.80 против Gemini $0.84

Картина не такова: «E​levenLabs лучше в аудио, G​oogle лучше во всём остальном». Она уже и интереснее. Max выигрывает в двух измерениях, проводимых на фиксированном наборе аудиовопросов — ответить правильно, ответить быстро — и проигрывает в трёх, которые требуют участия человека в контуре или вызова инструмента для завершения. Предпочтение на арене — это когда люди слушают и выбирают. Успешность задачи — это то, была ли вызвана нужная функция. Динамика разговора — это то, ощущалось ли чередование реплик правильным. Это производственные метрики, и G​emini забирает все три.

Строка τ-Voice заслуживает оговорки, прежде чем кто-либо станет её цитировать. 30,1% у G​emini 3.8 Live — это действительно слабый результат в агентных задачах: её родственная модель Extended Thinking получает 68,6% в том же тесте, а G​PT-Live-1 (Astra, medium) — 74,5%. Если вашему агенту нужно изменить бронирование в рамках политики, обычная 3.8 Live — не та модель, которая вам нужна. Но пустая ячейка у Max — это не ноль, и её не следует так воспринимать. Это значит, что тест ещё не запускали.

Откуда берётся разрыв в цене и почему он может значить не так много, как кажется

Gemini 3.8 Live тарифицируется по $0.005 за минуту входящего аудио и $0.018 за минуту исходящего, текст — по $0.75 и $4.50 за миллион токенов, а ввод изображений или видео — по $1.00 за миллион. Eleven Realtime вообще не публикует тариф для конкретной модели: в ElevenAgents вы платите стандартную поминутную плату за агента плюс токены по тарифу модели Realtime, а через Realtime API — за минуту подключённого аудио плюс токены, причём цены на токены одинаковы во всех тарифных планах. Artificial Analysis пересчитывает оба варианта в стоимость за час на фиксированном наборе вопросов — единственный способ честно их сравнить — и получает $0.84 против $4.80.

Отсюда следуют две вещи. Первая: если ваш объём измеряется тысячами минут в день, именно этот разрыв и решает дело — 5,7× не погрешность округления, и у E​levenLabs нет опубликованного рычага, чтобы его сократить, кроме более дешёвой Mini. Вторая: сравнение не статично так, как статична прейскурантная цена. G​oogle уже снижал тарифы на аудио G​emini, и снижение отражается на нашей стороне в тот же день, когда провайдер транслирует прейскурантную цену, потому что OrcaRouter ничего не накручивает. Верно и обратное: если E​levenLabs опубликует тариф Realtime, число изменится без того, чтобы кому-либо пришлось переписывать интеграцию.

Два разных пари об очерёдности ходов

Архитектуры не эквивалентны, и это различие объясняет расхождение в метриках лучше, чем любое утверждение о качестве.

G​emini 3.8 Live — одна из моделей семейства, которое G​oogle выпускает уже два года.

Он обрабатывает визуальный ввод почти в реальном времени, переключается между 97 языками в середине разговора и выполняет вызовы инструментов и API в фоновом режиме, чтобы агент мог подтвердить запрос и продолжать говорить, пока завершается поиск. Его собрат Gemini 3.8 Live Extended Thinking рассуждает и говорит одновременно, комментируя ход работы. Оба несут водяные знаки SynthID и имеют общую карточку модели, опубликованную под именем gemini-3-8-audio, а также задокументированные идентификаторы API: gemini-3.8-live и gemini-3.8-live-extended-thinking.

Eleven Realtime объединяет стек, а не координирует его.

Распознавание, определение очередности реплик, этап рассуждения и генерация голоса — это единая настроенная система, поэтому она может ответить за 0,57 секунды без отдельного детектора голосовой активности, который решал бы, когда звонящий закончил говорить. Собственный пример E​levenLabs, демонстрирующий получаемый эффект, — это бэкчэннел: в документации указано, что Mini определяет, закончил ли говорящий или всего лишь вставляет «мм-хм». Именно благодаря такому поведению голосовой агент перестает восприниматься как рация, и это как раз то, с чем с трудом справляется каскадный конвейер, потому что VAD нужно объяснить, что считать прерыванием.

Цена объединённого дизайна — контроль. В ElevenAgents выбор модели Realtime означает, что E​levenLabs управляет LLM, усилием рассуждения, бюджетом размышления, параллельными вызовами инструментов, тайм-аутом каскада, моделью t​TS, выразительным режимом и провайдером ASR. Вы не можете подключить собственный LLM, не можете использовать Amazon Bedrock, и узел рабочего процесса не может переопределить ни одну из этих настроек. G​emini даёт вам модель и позволяет сохранить конвейер.

Вопрос об интеграции, который никто не вносит в сравнительную таблицу

Gemini 3.8 Live — это модель Gemini API. Eleven Realtime продаётся двумя способами: внутри ElevenAgents и через Realtime API, совместимый по протоколу событий с OpenAI, по адресу wss://api.elevenlabs.io/v1/convai/realtime. Если у вас есть клиент OpenAI Realtime, то большая часть миграции сводится к смене эндпоинта и имени модели; в документации для этого есть навык, запускаемый одной командой.

Ради такой совместимости вы отказываетесь от платформы. Realtime API и ElevenAgents — отдельные продукты, работающие на разных протоколах подключения, и API не включает телефонные каналы или WhatsApp, базы знаний, гардрейлы, сценарное тестирование или мониторинг разговоров. ElevenLabs также прямо указывает, что Realtime API на момент запуска не поддерживает WebRTC — только WebSocket.

Именно в этой асимметрии и уместен слой маршрутизации, причём на стороне Gemini он подходит лучше, чем на стороне ElevenLabs. OrcaRouter не размещает eleven_realtime_v1_max; для него нет стороннего эндпоинта, и мы не будем делать вид, что это не так. А вот что OrcaRouter действительно размещает — это остальную часть стека в форме Gemini: google/gemini-3.8-flash и другие модели Gemini за одним ключом, всего 209 моделей от 16 провайдеров, по списочной цене провайдера без наценки, с автоматическим переключением при ошибке провайдера. Если вы строите голосовой слой на Gemini, retrieval и постколл-анализ вокруг него можно менять и A/B-тестировать на собственном трафике, а не выбирать по лидерборду.

Какой выбрать?

Выберите G​emini 3.8 Live, если агенту нужно завершить транзакцию, если вам нужна цена ниже доллара в час, если вам нужен визуальный ввод или если вам нужны 97 языков в одной строке. У него есть полная публичная таблица оценок, задокументированная тарифная сетка и более дешёвая минута. Его слабость в агентных сценариях реальна, но измерима, а родственная модель Extended Thinking — решение, если завершение задач является узким местом.

Pick Eleven Realtime v1 Max если сам разговор — это продукт: репетитор, персонаж, линия поддержки, где жалуются на то, что перебили, — и если ваша нагрузка — это аудио с интенсивными рассуждениями, а не длинные непрерывные звонки. Вы покупаете самую быструю сильную модель рассуждения на рынке и лучшее по результатам измерений переключение реплик — за повышенную цену, которую стоит просчитать, прежде чем решаться.

Не стоит цепляться за один лишь балл индекса. У Max его нет, и это не принижает качество Max; это констатация того, насколько большая часть поведения Max всё ещё не измерена. Единственный показатель, который изменил бы это сравнение, — это прогон τ-Voice на Max. Если он окажется выше 68,6% у G​emini — варианта Extended Thinking, а не стандартного, — премиальный тариф E​levenLabs начинает выглядеть как страховой полис, а не как налог. Пока он не появится, именно более быстрой модели ещё больше нужно доказать.