Eleven Realtime v1 Max vs Gemini 3.8 Live: Snabbare, skarpare på resonemang och 5,7 gånger priset

Eleven Realtime v1 Max börjar prata efter 0,57 sekunder och får 98,8 % rätt på Big Bench Audio. Gemini 3.8 Live börjar prata efter 1,18 sekunder och får 92 %. På de två axlar som folk brukar citera när de argumenterar om röstmodeller vinner ElevenLabs båda – och förlorar sedan på nästan varje axel som ett finansteam bryr sig om, med början i den där samma benchmarktavla placerar Gemini på $0,84 per timme ljud och Eleven Realtime Max på $4,80. De dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.

De två modellerna är också oense om vad en röstagent är. G​emini 3.8 Live är en del av en plattform: den har en indexpoäng, ett dokumenterat prisblad, 97 språk, SynthID-vattenmärkning på varje genererad sekund och två varianter – standard och Extended Thinking – som skiljer resonemang från samtal. Eleven Realtime v1 Max är en enda modell som säljs med löftet att igenkänning, turtagning, tänkande och röst har trimmats tillsammans, och den har inget Speech to Speech Index alls eftersom det agentiska riktmärket bakom det indexet inte har körts på den.

Den sista meningen är hela argumentet i komprimerad form. En av dessa modeller har ett fullständigt offentligt resultatkort; den andra har de bästa siffrorna på de två rader den har, och en lucka där den svåraste raden borde stå.

Vad resultattavlan faktiskt säger

Varje siffra nedan kommer från Artificial Analysis topplista för Speech to Speech, som testar båda modellerna i samma testramverk i stället för att återge leverantörernas sidor. Där en leverantörssiffra skiljer sig flaggas den.

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

• Tid till första ljud — max 0,57 s jämfört med G​emini 1,18 s

• Uppgiftsframgångsgrad — Max 87,1 % jämfört med Gemini 93,2 %

• Agentisk prestanda (τ-Voice) — Max ej uppmätt vs G​emini 30,1 %

• Samtalsdynamik (Full-Duplex-Bench) – Max 94,1 % mot G​emini 96,1 %

• Arenapreferens (Elo) — Max 997 mot G​emini 1 078

• Speech to Speech Index — Max inte poängsatt jämfört med G​emini 76,0

• Kostnad per timme för inmatat ljud — Max $4,80 vs G​emini $0,84

Mönstret är inte "E​levenLabs är bättre på ljud, G​oogle är bättre på allt annat." Det är snävare och mer intressant än så. Max vinner de två mätningarna som görs på en fast ljudfrågeuppsättning – svara korrekt, svara snabbt – och förlorar de tre som involverar en människa i loopen eller ett verktygsanrop för att slutföras. Arena-preferens är människor som lyssnar och väljer. Uppgiftsframgång är huruvida rätt funktion anropades. Konversationsdynamik är huruvida turtagningen kändes rätt. Det är produktionsmätvärdena, och G​emini tar alla tre.

Raden för τ-Voice förtjänar en brasklapp innan någon citerar den. G​emini 3.8 Live:s 30,1 % är en genuint dålig agentisk poäng – dess egen syskonmodell Extended Thinking får 68,6 % på samma test, och G​PT-Live-1 (Astra, medium) får 74,5 %. Om din agent måste ändra en bokning inom ramen för en policy är vanliga 3.8 Live inte modellen du vill ha. Men Max tomma fält är inte en nolla och bör inte tolkas som en. Det betyder att testet inte har körts.

Var prisskillnaden kommer ifrån, och varför den kanske inte spelar så stor roll som det verkar

Gemini 3.8 Live debiterar $0,005 per minut för inkommande ljud och $0,018 per minut för utgående ljud, med text till $0,75 och $4,50 per miljon tokens samt bild- eller videoindata till $1,00 per miljon. Eleven Realtime publicerar överhuvudtaget ingen taxa per modell: i ElevenAgents betalar du den vanliga per-minut-avgiften för agenten plus tokens till Realtime-modellens pris, och via Realtime API betalar du per minut för anslutet ljud plus tokens, med samma tokenpriser på alla plan. Artificial Analysis omvandlar båda till kostnad per timme för en fast frågeuppsättning, vilket är det enda sättet att jämföra dem rättvist, och landar på $0,84 mot $4,80.

Två saker följer. För det första: om din volym mäts i tusentals minuter per dag är gapet det som avgör beslutet — 5,7× är inte ett avrundningsfel, och E​levenLabs har ingen publicerad mekanism för att stänga det utom den billigare Mini. För det andra är jämförelsen inte statisk på samma sätt som ett listpris. G​oogle har sänkt G​emini-ljudpriser tidigare, och en sänkning får genomslag hos oss samma dag som en leverantör för vidare listpriset, eftersom OrcaRouter inte lägger på något. Det omvända gäller också: om E​levenLabs publicerar ett Realtime-pris ändras siffran utan att någon behöver skriva om en integration.

Två olika vad om turtagning

Arkitekturerna är inte likvärdiga, och skillnaden förklarar uppdelningen av mätvärden bättre än något kvalitetspåstående.

G​emini 3.8 Live är en av delarna i en familj som G​oogle har släppt i två år.

Den bearbetar visuell indata nästan i realtid, växlar språk mitt i samtalet bland 97 språk och kör verktygs- och API-anrop i bakgrunden så att agenten kan bekräfta en begäran och fortsätta prata medan uppslagningen slutförs. Dess syskonmodell, Gemini 3.8 Live Extended Thinking, resonerar och talar samtidigt och berättar löpande om framstegen. Båda har SynthID-vattenstämplar och delar ett modellkort som publicerats som gemini-3-8-audio, och båda har dokumenterade API-ID:n: gemini-3.8-live och gemini-3.8-live-extended-thinking.

Eleven Realtime slår samman stacken i stället för att samordna den.

Igenkänning, turtagning, resonemangssteget och röstgenerering är ett enda avstämt system, vilket är anledningen till att det kan svara på 0,57 sekunder utan en separat röstaktivitetsdetektor som avgör när den som ringer har slutat prata. E​levenLabs eget exempel på nyttan är backchannel: Mini dokumenteras kunna upptäcka huruvida en talare har slutat eller bara inflikar ett "mm-hmm". Det är beteendet som gör att en röstagent slutar kännas som en walkie-talkie, och det är den typ av sak som en kaskadpipeline har svårt för, eftersom VAD måste få veta vad ett avbrott är.

Kostnaden för den sammanslagna designen är kontroll. I ElevenAgents innebär det att välja en Realtime-modell att ElevenLabs hanterar LLM:en, resonemangsansträngning, tankebudget, parallella verktygsanrop, kaskadtidsgräns, TTS-modell, uttrycksläge och ASR-leverantör. Du kan inte ta med en anpassad LLM, du kan inte använda Amazon Bedrock, och en arbetsflödesnod kan inte åsidosätta någon av dessa inställningar. Gemini ger dig modellen och låter dig behålla pipelinen.

Integrationsfrågan som ingen har med i jämförelsetabellen

G​emini 3.8 Live är en G​emini API-modell. Eleven Realtime säljs på två sätt – i ElevenAgents och via ett Realtime API som är protokollkompatibelt med O​penAI:s händelseprotokoll, på wss://api.elevenlabs.io/v1/convai/realtime. Om du har en O​penAI Realtime-klient är det mesta av migreringen att byta slutpunkt och modellnamn; dokumentationen innehåller en färdighet för det som kräver ett enda kommando.

Det du ger upp för den kompatibiliteten är plattformen. Realtime API och ElevenAgents är separata produkter med olika anslutningsprotokoll, och API:et har inte telefon- eller WhatsApp-kanaler, kunskapsbaser, guardrails, skriptad testning eller konversationsövervakning. E​levenLabs är också tydliga med att Realtime API inte har WebRTC vid lansering – endast WebSocket.

Det är i den asymmetrin ett routningslager passar, och det passar bättre på Gemini-sidan än på ElevenLabs-sidan. OrcaRouter har inte eleven_realtime_v1_max; det finns ingen tredjepartsendpunkt för det, och vi tänker inte låtsas något annat. Det OrcaRouter har är resten av en Gemini-formad stack: google/gemini-3.8-flash och de andra Gemini-modellerna bakom en enda nyckel, 209 modeller från totalt 16 leverantörer, till leverantörslistpris utan påslag, med automatisk failover när en leverantör får fel. Om du bygger röstlagret på Gemini kan retrieval- och samtalsuppföljningsanalysen runt det bytas ut och A/B-testas på din egen trafik i stället för att väljas utifrån en resultattavla.

Vilken ska man välja?

Välj G​emini 3.8 Live om agenten måste slutföra en transaktion, om du behöver priset under en dollar i timmen, om du behöver visuell indata eller om du behöver 97 språk på en och samma linje. Den har det fullständiga offentliga resultatkortet, den dokumenterade prislistan och den billigare minuten. Dess agentiska svaghet är verklig men mätbar, och dess Extended Thinking-syskon är lösningen om uppgiftslösning är flaskhalsen.

Välj Eleven Realtime v1 Max om samtalet i sig är produkten – en lärare, en karaktär, en supportlinje där att bli avbruten är själva klagomålet – och om din arbetsbelastning är resonemangstungt ljud snarare än långa uppkopplade samtal. Du köper den snabbaste starka resoneraren på marknaden och den bäst uppmätta samtalsväxlingen, till ett premiumpris som du bör räkna på innan du binder dig.

Döm inte enbart efter indexpoängen. Max har ingen, och det är inte en pik mot Max kvalitet; det är ett påstående om hur mycket av Max beteende som fortfarande är omätt. Det enda numret som skulle förändra den här jämförelsen är en τ-Voice-körning på Max. Om den landar över G​eminis 68,6 % — Extended Thinking-varianten, inte standardvarianten — börjar E​levenLabs premium framstå som en försäkring snarare än en skatt. Tills den landar är den snabbare modellen den som har mer att bevisa.