Сгенерированная титульная карточка для MAI Realtime 1 и Eleven Realtime Max, показывающая восьмикратную разницу в цене — $0.01 против $0.08 за минуту аудио, — при этом ставка эскалации отмечена как неопубликованная, а также логотип OrcaRouter.
Guides & Insights

MAI Realtime 1 против Eleven Realtime Max: восьмикратная разница в цене и одно число, которое всё решает

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Опубликованные тарифы создают впечатление, что вопрос решён. MAI Realtime 1 стоит $0,01 за аудиоминуту. Eleven Realtime Max — лучшая модель преобразования речи в речь от ElevenLabs, указанная как Realtime v1 Max, — стоит примерно $4,80 в час по независимой нормализации Artificial Analysis, то есть $0,08 в минуту. Восемь к одному, ещё до учёта всего остального. Это сравнение также вводит в заблуждение вполне конкретным, арифметическим образом, и вся статья именно об этой арифметике: MAI Realtime 1 сверх поминутного тарифа выставляет счёт за вторую модель рассуждений с оплатой по токенам, и никто за пределами Microsoft не публиковал данных о том, как часто срабатывает этот второй счётчик.

Полезный вопрос не в том, у какого варианта заявленная цифра меньше. А в том, какой из этих двух можно оценить по стоимости до подписания, а какой сначала придётся измерить. Эти ответы указывают в противоположные стороны — именно поэтому это настоящее решение, а не формальность.

A generated two-column scoreboard titled 'MAI Realtime 1 vs Eleven Realtime Max — the scoreboard'. Left column MAI Realtime 1: voice price $0.01 per minute, independent scores none yet, agentic not published, first audio P50 only, languages not published. Right column Eleven Realtime Max: $0.08 per minute, index 77.3, agentic 47.6%, first audio 570 ms, 90+ languages. Footer reads 'Eleven figures per Artificial Analysis; MAI performance mostly unpublished.'

Что представляет собой каждый из них, одной строкой

• MAI Realtime 1 — первая модель Microsoft «речь в речь», анонсированная 17 ноября 2026 года на Ignite. Два уровня: быстрый диалоговый режим за один цент в минуту и механизм рассуждений стоимостью $1,00 за миллион входных и $5,00 за миллион выходных токенов, которому передаются более сложные реплики. Предварительный доступ с ограничениями через Foundry; демонстрация в MAI Labs. Поддерживает OpenAI Realtime API.

• Eleven Realtime Max — модель преобразования речи в речь от ElevenLabs для голосовых агентов, выполняющих более сложные задачи, чем светская беседа. Единая настроенная система, охватывающая распознавание, управление очередностью реплик, LLM и голос. Доступна в ElevenAgents и через OpenAI-совместимый Realtime API, только по WebSocket. Поддерживает более 90 языков.

• Что не публикует ни одна из сторон — языки, поддерживаемые MAI Realtime 1. В материалах Microsoft о запуске не указано ни одного, а для продукта для контакт-центра это вопрос первостепенной важности, а не сноска.

Единственная сторона с реальными измерениями

Eleven Realtime Max хорошо освещён независимым тестированием, и его профиль несбалансирован — а это важно для проектирования агентов:

• Индекс преобразования речи в речь — 77,3 от Artificial Analysis, по композитному показателю рассуждений, разговорной динамики и агентных способностей.

• Рассуждение на основе речи (Big Bench Audio) — 98,8%. Это один из самых высоких показателей в таблице, и именно на этот показатель ориентирована модель: она точно отвечает на сложные вопросы, заданные в устной форме.

• Время до первого звука — 570 миллисекунд; это самый быстрый показатель из двух при прямом сравнении и достаточно быстро, чтобы восприниматься мгновенным.

• Выполнение агентных задач (τ-Voice) — 47,6%. Это слабое место. Модель, которая прекрасно рассуждает о том, что слышит, всё равно выполняет менее половины многошаговых задач, которые ставит перед ней тестовый стенд.

• Динамика разговора — 94,1%.

Смешанная стоимость — около $4,80 за час аудио, согласно приведению Artificial Analysis подмножества Big Bench Audio из 40 вопросов к почасовой базе. Это условность измерения, а не прайс-лист ElevenLabs, и эти два показателя не следует приводить как взаимозаменяемые.

У MAI Realtime 1 почти ничего из этого нет, и разрыв между «почти» и «ничего» — самое интересное. Microsoft публикует на странице модели одно число точности: 98,8% на Big Bench Audio. Это цифра от производителя — собственная оценка Microsoft, на выбранном Microsoft бенчмарке, без опубликованной рядом методологии, — и ни одна независимая организация не проводила её повторную проверку. Обратите также внимание, что 98,8% арифметически совпадает с показателем Eleven Realtime Max выше; это совпадение — два разных тестовых стенда дали одинаковый процент, — и его не следует трактовать как равенство двух моделей. Помимо этого единственного числа, на странице есть карточка P50 «время до первого аудио» и подпись «P50 Latency on BigBench Audio», и больше ничего. Нет оценки τ-Voice, нет списка языков, нет распределения, стоящего за процентилем. Более масштабное утверждение Microsoft — что модель находится на границе Парето по соотношению «производительность–цена» для Big Bench Audio и τ-Voice — это утверждение о том, где точка располагалась бы на графике, который публично не построен. По состоянию на 18 ноября Artificial Analysis вообще не включает эту модель.

Эта асимметрия — не аргумент в пользу ElevenLabs. Это аргумент о том, что можно знать сегодня: у одной из этих моделей есть измеренный показатель агентности 47.6%, на который можно опираться при планировании, а у другой — заявленный поставщиком показатель точности и процентиль.

Примечание об источниках, прежде чем цифры начнут меняться: каждый приведённый ниже показатель производительности Eleven Realtime Max — это независимое измерение Artificial Analysis. Единственный показатель производительности MAI Realtime 1, который где-либо приводится в этом материале, — 98,8% на Big Bench Audio — принадлежит самой Microsoft, не прошёл аудит и помечается как таковой везде, где появляется. Ничего другого о его производительности вообще не опубликовано.

Арифметика, которую никто не завершил

Начните с голосовой линии, потому что это единственное, что обе стороны публикуют честно.

• MAI Realtime 1 — $0.01/мин → $0.60 за час разговора, только по быстрому пути.

• Eleven Realtime Max — эквивалент около $0,08/мин → $4,80 в час, по методике Artificial Analysis.

Восьмикратный разрыв по счётчику минут. Теперь добавьте второй счётчик и отметьте, чего не хватает в публичных данных: Microsoft не сообщила, какая доля ходов переходит на уровень рассуждений. Поэтому в любой модели затрат, которую вы строите, есть входной параметр, который приходится придумывать самому. Вот как придуманный входной параметр влияет на ответ. Возьмём пятиминутный звонок в поддержку — $0.05 голосового времени — и предположим, что по всем его эскалированным ходам движок рассуждений в сумме обрабатывает 5,000 входных и 1,500 выходных токенов. При ставках Microsoft $1.00 и $5.00 за миллион токенов это $0.0125 расходов на рассуждения за один полный проход по звонку.

• Нулевое повышение — $0.050 за вызов против $0.40 у ElevenLabs. Восемь к одному, как и заявлено.

• Один полный проход рассуждения — $0.063 за вызов. Всё ещё меньше шестой части от показателя ElevenLabs.

• Три полных прохода рассуждений — 0,088 $ за вызов. Чуть больше одной пятой.

• Десять полных проходов рассуждения — $0.175 за вызов. Около 44% от показателя ElevenLabs, и это нагрузка, которую вряд ли способен создать хоть один диалог поддержки.

Перечитайте это ещё раз: даже десятикратная нагрузка на рассуждения не закрывает восьмикратный разрыв по голосовой линии. А значит, честная версия этого сравнения такова:MAI Realtime 1 значительно дешевле при любых допущениях о росте нагрузки, которые выдерживает реальный разговор — и причина для сомнений не в цене. Она в том, что вы пока не можете определить, достаточно ли модель хороша для этой задачи, а предварительная версия Microsoft не тарифицируется до выхода в public preview, поэтому выяснить это можно, потратив только инженерное время.

Две оговорки к этой арифметике, и обе они говорят против того, чтобы считать её прогнозом. Оценка reasoning — моя, а не Microsoft: количество токенов может колоссально различаться между запросом, которому нужен один вызов инструмента, и исключением, которому нужны четыре. А сторона ElevenLabs использует почасовую нормализацию Artificial Analysis, а не собственную тарифную сетку ElevenLabs, потому что ElevenLabs не публикует единую долларовую цифру за минуту для Realtime Max; она считает минуты плюс токены LLM с помощью встроенной в приложение оценки. Так что сравнение убедительно по направлению и мягко по цифрам с обеих сторон — это нормально для голоса, и об этом стоит сказать вслух.

Один момент заслуживает отдельной строки. Предварительная версия Foundry с ограниченным доступом не взимает плату с клиентов до начала публичной предварительной версии. Поэтому сравнение затрат, написанное в ноябре, — это сравнение того, что вы заплатите позже, с предварительной версией, которую можно запускать сейчас бесплатно. Рациональный шаг — измерять, а не вести переговоры.

Где ElevenLabs совсем не проигрывает по цене

Две вещи, которые скрывает восьмичастная фигура.

Во-первых, ElevenLabs не продаёт счётчик минут. ElevenAgents взимает плату за минуту плюс стоимость токенов LLM, с оценкой стоимости за минуту в приложении, а Realtime API берёт плату за каждую минуту подключённого аудио плюс токены по одинаковым ценам на токены во всех тарифных планах. Команда, уже работающая в ElevenAgents, сравнивает не $0.01 с $0.08, а предельное изменение с платформой, которую она уже интегрировала, с развёртыванием по телефону, через веб-виджет, WhatsApp и контакт-центр, а также с SOC 2, HIPAA, GDPR, EU data residency и опциями нулевого хранения.

Второе: перечень требований соответствия — это функция продукта, у которой есть собственная цена. Для клинического или финансового голосового агента размещение данных в ЕС и нулевое хранение — не необязательные приятные бонусы, которые может заменить более дешёвая модель. В объявлении Microsoft ничего не говорится о размещении данных, хранении или сертификации для MAI Realtime 1 — а модель находится в ограниченном предварительном просмотре, то есть именно на той стадии, когда эти условия обычно ещё не определены.

Так что разделение — не «дешёвое против дорогого». Оно такое: «дешёвое и неизмеренное, с ещё не прописанными корпоративными условиями» против «вчетверо дороже, с готовыми документами и 47,6% в оценке агентности, по которой вы можете решить, достаточно этого или нет».

A screenshot of ElevenLabs' own Realtime landing page captured 18 November 2026, showing the headline 'Instant conversation with Eleven Realtime', the line describing v1 Mini for natural conversations and v1 Max for complex tasks, and the statement that the models are available in ElevenAgents and the Realtime API.

Запускаю оба, пока не выбирая

Обе модели поддерживают OpenAI Realtime API — это самый полезный факт в этом сравнении. Голосовой стек, написанный под этот интерфейс, можно направить на любую из них, и это превращает решение в вопрос конфигурации, а не переписывания. Это также причина держать обе доступными во время оценки, а не выбирать сначала и тестировать потом.

Именно для такого случая создан OrcaRouter, и стоит точно указать, какая половина здесь применима. MAI Realtime 1 отсутствует в нашем каталоге — до него можно добраться только через демо Microsoft MAI Labs и preview Foundry с ограниченным доступом, и точка. Мы маршрутизируем слой, стоящий за ним: reasoning-модели, в которые эскалируется голосовой агент, по каталожной цене провайдера с наценкой 0%, так что изменение тарифа на этом уровне отражается в вашем счёте в день, когда оно происходит, а не при продлении. Автоматическое переключение при сбое важнее в голосовых сценариях, чем где-либо ещё, потому что зависшая реплика — это человек, слушающий тишину; запрос, который переходит ко второму провайдеру за несколько сотен миллисекунд, не слышен, а тот, что повторяет попытки четыре секунды, — это именно то, на что жалуются клиенты. Когда preview завершится и MAI Realtime 1 станет общедоступным, тот же ключ и те же правила маршрутизации подхватят его — при условии, что он попадёт в каталог, чего сегодня не случилось.

A screenshot of the OrcaRouter models catalogue captured 18 November 2026, showing the search and sort controls over a grid of model cards and the header line '226 models · 17 providers · one API key, one bill'.

Кому что делать на этой неделе

Если ваш голосовой агент — это интерфейс поддержки или планирования, где большинство реплик короткие, а сложные — это поиск данных, экономика MAI Realtime 1 не идёт ни в какое сравнение, а предварительная версия бесплатна — запускайте оценку сейчас, сами настройте измерение частоты эскалации и считайте неопубликованную хвостовую задержку Microsoft тем, что заменит ваше собственное измерение.

Если ценность вашего агента заключается в многошаговой работе — бронировании в трёх системах, проверке личности, устранении исключительной ситуации — то 47.6% оценки агентных возможностей у Eleven Realtime Max — это бенчмарк, который можно прочитать, а у MAI Realtime 1 он пустой. Покупать здесь только по цене означает покупать неизмеренную модель для самой сложной части задачи.

И если соответствие требованиям определяет вашего поставщика раньше, чем производительность, то объявление Microsoft ничего не меняет в вашем ответе в этом месяце. Ограниченная предварительная версия — не место для работы с защищёнными данными, а условия, которые позволили бы вам это делать, не опубликованы.

Восьмикратный разрыв реален и, вероятно, устойчив. Это также наименее интересное число здесь, потому что вопрос, который решает исход этого противостояния, — способна ли модель за цент в минуту выполнить задачу, — а единственная сторона, которая нам об этом не сообщила, — это та, что её продаёт.