Eleven Realtime v1 Max против SeedRealtime: у одного есть цена и шесть бенчмарков, у другого — демо.

Eleven Realtime v1 Max — это вызываемая модель преобразования речи в речь с документированной конечной точкой, шестью опубликованными результатами бенчмарков и нормализованной стоимостью $4,80 за час аудио. SeedRealtime — аудиовизуальная полнодуплексная модель ByteDance Seed, анонсированная 5 августа 2026 года, и у неё нет API, нет весов, нет технического отчёта, нет числа параметров и нет цены. Сравнение кажется предрешённым ещё до начала — а затем вы замечаете, что у модели ElevenLabs тоже отсутствует один бенчмарк, и что отсутствующий — это тот же тип доказательств, который ByteDance так и не опубликовала. Документированные инциденты с ИИ и сбои агентов, стоящие за моделями этого класса, собраны в Архив инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и отметку об оспаривании.

{{1}}Вот как на самом деле выглядит это противостояние. Обе модели продвигаются с утверждением, что очерёдность реплик должна находиться внутри модели, а не в детекторе голосовой активности, прикрученном снаружи. Обе предлагают доверять поведению, которое можно оценить только в разговоре с ними. E​levenLabs ответила на это сторонним оценочным стендом и показателем стоимости за час. B​yteDance ответила одним внутренним исследованием предпочтений. Один из этих ответов можно использовать; ни один не является полным.

Что на самом деле утверждает каждый из них

Eleven Realtime v1 Max объединяет четыре этапа в одну сеть: распознавание, смену реплик, рассуждение и генерацию голоса. Идея E​levenLabs в том, что совместная настройка этих этапов устраняет швы, остающиеся при каскадной схеме, — мёртвую полусекунду после того, как звонящий замолкает, агента, который продолжает говорить, когда его перебивают, разрыв между тем, что было услышано, и тем, что говорится в ответ. Max добавляет этап рассуждения в эту схему и позиционируется для сложных задач и многошаговых вызовов инструментов; его собрат, Eleven Realtime v1 Mini, — дешёвый разговорный вариант, и именно его по умолчанию получает каждый новый агент ElevenAgents.

SeedRealtime идёт дальше в вопросах модальности и меньше преуспевает во всём остальном. Модель B​yteDance объединяет аудио, видео и текст в единой сквозной архитектуре, что означает, что она может одновременно смотреть, слушать и говорить, вместо того чтобы выстраивать цепочку из модели зрения, модели ASR, языковой модели и голосового модуля. Демонстрационные возможности — это именно те, которые не способна воспроизвести система с двумя модальностями: привязка голоса к лицу в шумной групповой беседе, чтобы модель отслеживала, кто что сказал; инициативное высказывание, когда в кадре появляется целевой объект; сценарии музейного гида и ремонта устройств, где модели нужно видеть то, на что смотрите вы.

«Аудио плюс видео» — более сложная задача, чем «аудио плюс текст», и SeedRealtime берётся за более сложную. Это стоит сказать прямо, прежде чем остальная часть этого материала объяснит, почему вы по-прежнему не можете этим воспользоваться.

Доказательства, честно взвешенные

Artificial Analysis проводит для моделей этой категории как тест на речевое рассуждение, так и тест на динамику разговора. Он провёл их на Eleven Realtime v1 Max. Он не проводил их на SeedRealtime и не может — нет эндпоинта для вызова.

• Речевое рассуждение (Big Bench Audio) — Eleven Realtime v1 Max 98,8% против SeedRealtime: не опубликовано

• Динамика разговора (Full-Duplex-Bench) — максимум 94,1% против SeedRealtime: данные не опубликованы

• Доля успешных задач — Max 87.1% против SeedRealtime: данные не опубликованы

• Предпочтение на арене (Elo) — Max 997 против SeedRealtime не опубликовано

• Агентная производительность (τ-Voice) — Max не измерялся, у SeedRealtime нет опубликованных данных

• Время до первого аудио — макс. 0,57 с против SeedRealtime: значение задержки в миллисекундах не указано.

• Стоимость за час входного аудио — Max $4,80 против SeedRealtime: коммерческого предложения нет

• Входные модальности — Max: аудио и текст vs SeedRealtime: аудио, видео и текст

Единственная строка, где SeedRealtime лидирует, — та, которую никто не может купить. Единственный публичный показатель, который предложила B​yteDance, — это сквозная оценка с участием людей, утверждающая, что SeedRealtime вдвое сокращает проблемы с темпом разговора в каскадных системах ASR-plus-vision-plus-T​TS — меньше обрывов, меньше ложных срабатываний, более медленные и естественные ответы. Ни размера выборки, ни методологии, ни числа аннотаторов, ни задержки в миллисекундах. В дополнительном отчёте упоминается прирост плавности на 12% по сравнению с предыдущими моделями команды. Это вся доказательная база.

Теперь честная часть — с другой стороны. Строка τ-Voice у Max пуста, и это важно, потому что Max — модель, которую E​levenLabs продаёт для выполнения задач. Его оценка рассуждений в 98,8% измерена на 1 000 аудиовопросах, а не на звонке в службу поддержки с инструментами и документом с политикой. Так что у E​levenLabs есть шесть чисел и дыра там, где у B​yteDance есть одно число и нет эндпоинта — разные типы отказов, одна и та же суть: то, с чем каждую модель продвигают, — не то, на чём каждую модель измеряли.

Почему архитектура важнее, чем матчап

Год назад голосовые агенты представляли собой конвейер с оркестратором поверх него. Кто-то должен был определять, когда пользователь закончил говорить, направлять расшифровку в языковую модель, ждать токенов, а затем передавать текст синтезатору, который должен был звучать так, будто был частью разговора. Каждый этап добавлял задержку, и каждая передача добавляла шов.

Обе эти модели делают ставку на то, что проблема — в стыке. Ответ Eleven Realtime — объединить этапы аудиостороны — слушание, смену реплик, размышление и речь — в одну сеть, а модель оставить чисто аудиальной. Ответ SeedRealtime — объединить их и добавить зрение, чтобы модель могла по указывающему жесту понять, что имеется в виду под «вот этот», или заметить, что человек, с которым она говорит, уже ушёл.

Компромисс читается в спецификациях. Eleven Realtime Max отвечает за 0,57 секунды и набирает 98,8% в тесте на рассуждение при аудиовходе. Утверждение SeedRealtime — более широкий вход и, как следствие, больше контекста на каждый ход; его цена в том, что визуальный полный дуплекс дорого обслуживать, и это правдоподобная причина, по которой потребительское приложение — единственное место, где он выпускается. Ни одна из компаний не опубликовала показатель задержки, который сделал бы сравнение количественным, и только одна из них опубликовала что-либо, что можно проверить у третьей стороны.

Эндпоинт ByteDance, который существует, но не относится к этой модели

Именно этой ошибки стоит избегать: её легко совершить, а обнаружить — дорого. Volcano Engine, облачное подразделение ByteDance, документирует отдельный продукт для голосового взаимодействия в реальном времени — модель голосового взаимодействия в реальном времени Doubao 3.0, — доступный через WebSocket-эндпоинт с API-ключом из консоли: на входе — PCM или Opus с частотой 16 кГц, на выходе — аудио 24 кГц; используется протокол событий реального времени.

Это API для разработчиков от той же компании в той же продуктовой области, и это не SeedRealtime. Этот API работает только с аудио: без видео, без привязки к лицу, без визуальной привязки. Это отдельная модель с собственной историей выпусков. Команды, которые отправятся искать настоящий голосовой API B​yteDance в реальном времени, найдут эту документацию, интегрируются с ней и будут считать, что используют модель, о которой идёт речь в публикациях. Volcano Engine не опубликовала дату выпуска эндпоинта для аудиовизуальной модели. Любой листинг, предлагающий вам доступ к SeedRealtime, предлагает вам что-то другое.

Что это значит, если у вас есть продукт, который нужно отгрузить

Для продакшена в этом квартале выбирать между этими двумя не нужно. Eleven Realtime v1 Max уже можно вызывать — через ElevenAgents или совместимый с O​penAI Realtime API по адресу wss://api.elevenlabs.io/v1/convai/realtime, а SeedRealtime — это исследовательская веха внутри телефонного приложения в Китае.

Решение, которое действительно существует, — это как строить вокруг этого. Realtime API от ElevenLabs на момент запуска работает только через WebSocket — без WebRTC — и это отдельный продукт от ElevenAgents, поэтому телефония, WhatsApp, базы знаний, защитные ограничения и мониторинг доступны только на стороне платформы. Max также не предлагается в средах с резидентностью данных в Индии и Сингапуре и требует лимита токенов не менее 1 024; Mini, как ни странно, поддерживает Индию и Сингапур, но не поддерживает Zero Retention Mode и HIPAA, а Max поддерживает их в США и ЕС.

OrcaRouter вписывается не в голосовой слой. Мы не размещаем eleven_realtime_v1_max, и для него нет сторонней конечной точки. Мы размещаем всё, что агент такого типа вызывает вокруг модели: 209 моделей от 16 upstream-провайдеров через один ключ, по прайс-листовой цене провайдера без наценки, с автоматическим переключением при ошибке или тайм-ауте провайдера. Дорогая и переменная половина голосового агента — это извлечение информации и рассуждения, которые он делегирует; эту половину можно заменить, не трогая аудиоцикл, и именно там неделя настройки окупается.

Что могло бы это изменить?

API для SeedRealtime сделал бы это настоящим сравнением, и не только из-за видео. Вызываемый эндпоинт позволил бы Artificial Analysis поставить модель на тот же четырёхкомпонентный испытательный стенд, что и всех остальных, а это единственный путь к числу, которое что-то значит при сравнении разных поставщиков. Технический отчёт выполнил бы большую часть той же работы.

На стороне E​levenLabs недостающий элемент — прогон τ-Voice на Max. Когда это появится, в этой области наконец будет сопоставимый агентный показатель для модели, которую E​levenLabs позиционирует как ориентированную на задачи. До тех пор итог неутешителен: одну из этих моделей можно вызывать, измерять, оценивать и выпускать, за другой можно только наблюдать, и разрыв между этими двумя позициями больше, чем разрыв между их архитектурами.