Eleven Realtime v1 Max против GPT-Live-1: разрыв в бенчмарках не в пользу ElevenLabs

В пресс-релизе о Eleven Realtime v1 Max на первом месте стоят 98,8% на Big Bench Audio и отклик за 0,57 секунды. Оба числа верны, оба лучшие в своём классе, и оба не имеют значения, когда сравнение идёт с G​PT-Live-1, — потому что бенчмарком, который определяет голосовых агентов в продакшене, является не речевое рассуждение, и именно на нём модель O​penAI побеждает с отрывом, достаточно большим, чтобы перекрыть 0,7-секундное преимущество, которое продаёт E​levenLabs. Документированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в архиве OrcaRouter AI Incident Archive, где каждая запись снабжена собственными источниками, уровнем серьёзности, степенью уверенности и отметкой об оспаривании.

Запустите один и тот же стенд Artificial Analysis на обеих моделях — и разделение получится чётким. Eleven Realtime v1 Max лидирует по речевому рассуждению — 98,8% против 89%, и по скорости — 0,57 секунды против 1,24. GPT-Live-1 лидирует по завершению агентных задач — 59,3% против неизмеренного показателя, по динамике диалога — 97,3% против 94,1%, по предпочтениям на арене — 1047 Elo против 997, по успешности выполнения задач — 90,9% против 87,1% и по составному индексу — 80,1 против полного отсутствия показателя.

Эта последняя цифра — не просто риторика. У Eleven Realtime v1 Max нет балла по Speech to Speech Index, потому что для индекса нужны все четыре компонента, а агентный прогон τ-Voice для этой модели ещё не опубликован. У G​PT-Live-1 индекс есть. Это самый высокий показатель в таблице.

Полное табло, бок о бок

Все строки — это измерения Artificial Analysis на собственном стенде, если не указано иное. Показатели Eleven Realtime взяты из анонса от 20 октября 2026 года; доступность API G​PT-Live-1 относится к 10 сентября 2026 года, а сама модель появилась в ChatGPT 8 июля.

• Индекс «речь в речь» — Eleven Realtime v1 Max без оценки против G​PT-Live-1 (Sol, low) — 80,1

• Речевое рассуждение (Big Bench Audio) — Max 98,8% против G​PT-Live-1 89%

• Агентная производительность (τ-Voice) — Max не измерялся; у G​PT-Live-1 — 59.3%

• Динамика разговора — Max 94,1% против G​PT-Live-1 97,3%

• Доля успешно выполненных задач — Max 87,1% против G​PT-Live-1 90,9%

• Предпочтение на арене (Elo) — Max 997 против G​PT-Live-1 1,047

• Время до первого аудио — Max 0,57 с против G​PT-Live-1 1,24 с

• Стоимость за час входного аудио — Max $4.80 против G​PT-Live-1 $4.47

• Транспорт — Max: только WebSocket при запуске; G​PT-Live-1: только WebRTC

Одна строка ближе, чем кажется по заголовку: стоимость. $4.80 против $4.47 за час аудио ставят эти две модели в один ценовой диапазон, что противоположно картине, которую вы получите, сравнивая Eleven Realtime с $0.84 у G​emini 3.8 Live. В сравнении с O​penAI наценка E​levenLabs составляет 7%.

Почему оценка рассуждений указывает не в ту сторону

Big Bench Audio — это 1000 аудиовопросов, адаптированных из Big Bench Hard по четырём категориям: формальные логические ошибки, навигация, подсчёт объектов и набор задач на булеву логику. Модель слышит вопрос и отвечает вслух, а ответ оценивается как правильный или неправильный. Тест измеряет, насколько хорошо модель рассуждает об аудиосодержимом, что не то же самое, что умение вести беседу или выполнять задачу.

Max с результатом 98,8% занимает третье место в этой таблице, уступая StepAudio 3 Realtime (100%) и Q​wen Audio 3.0 Realtime Plus (99,2%), но опережая Qwen3.5 Omni Plus Realtime (98,7%) и G​rok Voice 3.0 (98,5%). Результат G​PT-Live-1 — 89%, это двенадцатое место. Если задача вашего агента — выслушать длинное устное описание и ответить на вопрос о нём, этот разрыв в девять процентных пунктов имеет значение, и E​levenLabs — более выгодный выбор.

Но ElevenLabs не продаёт Max для этого. На её собственной странице Max позиционируется для «сложных задач» с «многошаговым использованием инструментов» — поддержка клиентов, квалификация лидов, помощь в планировании. Это территория τ-Voice, и именно в τ-Voice у Max нет показателя, а у GPT-Live-1 — 59,3%.

Цифра O​penAI тоже требует собственной оговорки, и документация O​penAI сама ее дает: опубликованные данные о развертывании скудны. Банковский бенчмарк голосовой поддержки, о котором O​penAI сообщила на запуске API, показал долю успешных прохождений G​PT-Live-1 на уровне 32% против 12,4% у G​PT-Realtime-2.1. Доля успешных прохождений в 32% — это значительное улучшение, но она по-прежнему означает, что система не справляется с двумя третями регулируемого рабочего процесса. Показатель τ-Voice от Artificial Analysis полезнее, поскольку он получен на общем испытательном стенде, но это результат середины поля, а не коронация.

Где преимущество G​PT-Live-1 носит структурный, а не маргинальный характер

Разрыв в 3,2 балла в динамике разговора и разрыв в 50 пунктов Elo на арене проистекают из архитектурного решения, которого E​levenLabs не приняла. G​PT-Live-1 является полнодуплексным в строгом смысле: он слушает и говорит на одной временной шкале, и когда звонящий спрашивает о чём-то, что требует реальной работы, он передаёт задачу через асинхронную границу отдельной бэкенд-модели, которая продолжает думать, пока устный разговор идёт. Голосовой слой — это фронтенд. Рассуждения происходят в другом месте и встраиваются обратно, когда всё готово.

Именно благодаря такой архитектуре G​PT-Live-1 может выполнять вызовы инструментов, не допуская тишины в линии, и по той же причине его оценка рассуждений ниже: модель, отвечающая на вопрос Big Bench, — не та, что выполняет глубокие размышления в реальной сессии. Eleven Realtime Max делает противоположную ставку. Одна сеть занимается распознаванием, сменой реплик, рассуждением и голосом — именно это даёт 0,57 секунды (не нужно ждать передачи управления), а также ограничивает объём рассуждений, которые могут произойти, прежде чем звонящий заметит паузу.

Какой выбор правильнее, зависит от того, что у вас жёстче — бюджет задержки или бюджет выполнения задачи. Для агента-планировщика, которому нужно проверить календарь, подтвердить слот и записать данные, модель с передачей управления выигрывает по завершению задачи. Для тьютора, отвечающего на устный вопрос не переводя дыхания, объединённая модель выигрывает по ощущению.

Детали биллинга и транспорта, которые определяют интеграцию

G​PT-Live-1 тарифицируется по фиксированной ставке $0.05 за минуту голоса с посекундной оплатой; при инициализации сессии 15 секунд оплачиваются авансом и затем засчитываются в счёт последующей длительности. Модель рассуждений на бэкенде тарифицируется отдельно по своим обычным тарифам, поэтому дешёвый голосовой слой всё равно может привести к дорогому звонку. OrcaRouter не может маршрутизировать голосовой слой — эндпоинт Live Sessions по адресу v1/live/sessions принадлежит только O​penAI — но бэкенд-часть — это всего лишь ещё один вызов модели, и в OrcaRouter это 209 моделей от 16 провайдеров на одном ключе по прейскурантной цене провайдера без наценки, с автоматическим переключением при сбое, если выбранный вами бэкенд выдаёт ошибку во время звонка.

Eleven Realtime тарифицируется наоборот: стандартные ElevenAgents — поминутно плюс входные, кэшированные входные и выходные токены по ставке модели Realtime, при этом Max стоит дороже за токен, чем Mini. Поминутная ставка ни одной из моделей не опубликована на странице цен ElevenLabs; в панели управления отображается оценка, а $4,80 от Artificial Analysis — это нормализованный показатель, а не прейскурантная цена.

Транспорт — это более острая асимметрия. API Eleven Realtime совместим с O​penAI-Realtime по WebSocket — в примере из самой документации импортируется OpenAIRealtimeWebSocket из @openai/agents-realtime и указывается адрес wss://api.elevenlabs.io/v1/convai/realtime. G​PT-Live-1 работает только через WebRTC, а проверка более старого пути Realtime с идентификатором модели G​PT-Live возвращает ошибку, сообщающую, что для сеансов требуется WebRTC. Таким образом, совместимость односторонняя: клиент O​penAI Realtime может перейти на E​levenLabs, изменив конечную точку, но клиент O​penAI Realtime не может перейти на G​PT-Live-1 без переписывания транспорта. Команды, переходящие на G​PT-Live-1, пишут рукопожатие RTCPeerConnection, data-канал oai-events и обмен offer на стороне сервера; команды, переходящие на Eleven Realtime, редактируют две строки.

Оговорки по развёртыванию на стороне E​levenLabs

Документация E​levenLabs добавляет ограничения, о которых не упоминается ни в одном материале о запуске:

• Доступность — модели Realtime «постепенно внедряются»; рабочее пространство без настройки Voice mode получает от API ответ «Realtime models are not available for this workspace»

• Локализация данных — Max доступен в США и ЕС, но не в Индии или Сингапуре, где предлагается только Mini

• Соответствие требованиям — режим нулевого хранения и поддержка HIPAA: Max в США и ЕС; Mini не поддерживает ни то, ни другое.

• Управляемые настройки — LLM, усилие рассуждения, бюджет мышления, параллельные вызовы инструментов, модель TTS, режим выразительности и провайдер ASR полностью контролируются ElevenLabs, пока установлена модель Realtime, а узлы рабочего процесса не могут их переопределить

• Пользовательские LLM — режим реального времени недоступен, пока агент использует пользовательскую LLM или Amazon Bedrock

Собственные ограничения GPT-Live-1 строже в одном отношении и мягче в другом: у него нет Chat Completions, нет Responses, нет слоя совместимости с Realtime, нет тонкой настройки и нет ввода изображений или видео, но его лимиты тарифа выражаются в одновременных сессиях — 25 на Tier 1 с ростом до 500 на Tier 5 — а не в запросах в минуту.

Кто должен выбирать что

Выбирайте G​PT-Live-1, когда агенту нужно завершить работу: бронирования, изменения, возвраты — всё, что заканчивается записью в базу данных. У него выше доля успешно выполненных задач, выше предпочтение в Arena, выше сводный индекс и ниже стоимость за час, и это единственная из двух моделей с опубликованной agentic-оценкой. Заложите бюджет на переписывание под WebRTC и на отдельный счёт за backend-модель.

Выбирайте Eleven Realtime v1 Max, когда разговор — это продукт, а рассуждения поверхностны: репетитор, персонаж, линия поддержки, где жалобу перебивают. Вы получаете самую быструю сильную рассуждающую модель на рынке, простейшую миграцию с существующей интеграции OpenAI Realtime и 7%-ную надбавку к цене по сравнению с GPT-Live-1 вместо 5,7-кратной надбавки по сравнению с Gemini. Вы принимаете, что её агентное поведение не измерено и что запуск всё ещё частичный.

Результатом, который перевернул бы этот материал, стала бы оценка τ-Voice для Max. ElevenLabs просит доверять ей как модели, выполняющей задачи, на основании бенчмарка рассуждений; бенчмарк задач существует, он был прогнан на десяти других голосовых моделях и не был прогнан на этой. Это пробел в доказательствах, а не в модели — но именно этот пробел определяет, кого из этих двух стоит поставить перед платящим клиентом.