Eleven Realtime v1 Max vs SeedRealtime: Den ena har ett pris och sex benchmarks, den andra har en demo

Eleven Realtime v1 Max är en anropbar tal-till-tal-modell med en dokumenterad endpoint, sex publicerade benchmarkresultat och en normaliserad kostnad på 4,80 dollar per timme ljud. SeedRealtime är B​yteDance Seeds audiovisuella full-duplexmodell, som tillkännagavs den 5 augusti 2026, och den har inget API, inga vikter, ingen teknisk rapport, inget parameterantal och inget pris. Jämförelsen verkar avgjord innan den ens börjar – och då märker man att även E​levenLabs modell saknar ett benchmark, och att det som saknas är samma typ av bevis som B​yteDance aldrig publicerade. 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, konfidensbetyg och flagga för omtvistad status.

Det är den verkliga formen av den här duellen. Båda modellerna säljs in med påståendet att turväxling bör ligga inuti modellen snarare än i en röstaktivitetsdetektor som monteras utanpå den. Båda ber dig lita på ett beteende som du bara kan bedöma genom att prata med dem. E​levenLabs svarade på det med en tredjepartsutvärderingsram och en kostnadssiffra per timme. B​yteDance svarade på det med en intern preferensstudie. En av dem är användbar; ingen av dem är fullständig.

Vad var och en faktiskt hävdar

Eleven Realtime v1 Max slår ihop fyra steg till ett enda nätverk: igenkänning, turtagning, resonemang och röstgenerering. ElevenLabs pitch är att finjustera dem tillsammans tar bort de skarvar som en kaskad lämnar efter sig – den döda halvsekunden efter att en uppringare slutar prata, agenten som pratar över ett avbrott, gapet mellan det som hördes och det som sägs tillbaka. Max lägger till resonemangssteget i den designen och positioneras för komplexa uppgifter och verktygsanrop i flera steg; syskonmodellen Eleven Realtime v1 Mini är den billiga samtalsvarianten, och det är den som varje ny ElevenAgents-agent får som standard.

SeedRealtime går längre när det gäller modalitet och mindre långt på allt annat. Modellen från B​yteDance förenar ljud, video och text i en enda end-to-end-arkitektur, vilket innebär att den kan titta, lyssna och tala samtidigt i stället för att kedja en visionsmodell till en ASR-modell till en språkmodell till en röst. De demonstrerade beteendena är sådana som ett system med två modaliteter inte kan åstadkomma: att knyta en röst till ett ansikte i ett bullrigt gruppsamtal så att modellen håller reda på vem som sa vad, att självmant ta till orda när ett målobjekt kommer in i bild, museiguide- och enhetsreparationsscenarier där modellen behöver se vad du tittar på.

Ljud-plus-video är ett svårare problem än ljud-plus-text, och SeedRealtime försöker sig på det svårare. Det är värt att säga rakt ut innan resten av den här texten förklarar varför du fortfarande inte kan använda det.

Bevisningen, ärligt vägd

Artificial Analysis kör både ett talresonemangstest och ett samtalsdynamiktest på modeller i den här kategorin. Det har kört dem på Eleven Realtime v1 Max. Det har inte kört dem på SeedRealtime, och det kan inte — det finns ingen slutpunkt att anropa.

• Talresonemang (Big Bench Audio) — Eleven Realtime v1 Max 98,8 % vs. SeedRealtime: ej publicerat

• Konversationsdynamik (Full-Duplex-Bench) — Max 94,1 % jämfört med SeedRealtime, ej publicerat

• Uppgiftsframgångsgrad — Max 87,1 % jämfört med SeedRealtime, ej publicerad

• Arenapreferens (Elo) – Max 997 vs SeedRealtime ej publicerat

• Agentisk prestanda (τ-Voice) — Max ej mätt vs. SeedRealtime ej publicerad

• Tid till första ljud — Max 0,57 s jämfört med SeedRealtime som saknar latensvärde i millisekunder

• Kostnad per timme för ingångsljud – max 4,80 USD jämfört med SeedRealtime som saknar kommersiellt erbjudande

• Ingångsmodaliteter – Max ljud och text vs SeedRealtime ljud, video och text

Det enda offentliga mätvärdet som B​yteDance har lagt fram är en mänsklig end-to-end-utvärdering som hävdar att SeedRealtime halverar problemen med samtalstakt i kaskadade ASR-plus-vision-plus-T​TS-system – färre avbrott, färre falska utlösningar, långsammare och mer naturliga svar. Ingen urvalsstorlek, ingen metodik, inget antal annotatörer, ingen latens i millisekunder. En sekundär rapport anger en flytförbättring på 12 % jämfört med teamets tidigare modeller. Det är hela bevisunderlaget.

Nu till den ärliga delen på andra sidan. Max τ-Voice-rad är tom, vilket spelar roll eftersom Max är modellen som E​levenLabs säljer för att slutföra uppgifter. Dess resonemangspoäng på 98,8 % mäts på 1 000 ljudfrågor, inte på ett kundsamtal med verktyg och ett policydokument. Så E​levenLabs har sex siffror och ett hål där B​yteDance har en siffra och ingen slutpunkt – olika fellägen, samma underliggande situation: det som varje modell marknadsförs på är inte det som varje modell har mätts på.

Varför arkitekturen är viktigare än matchningen

För ett år sedan var röstagenter en pipeline med en orkestrerare ovanpå. Någon måste avgöra när användaren hade slutat tala, skicka transkriptionen till en språkmodell, vänta på tokens och sedan lämna texten till en syntetiserare som måste låta som om den hade varit en del av samtalet. Varje steg ökade latensen och varje överlämning skapade en söm.

Båda dessa modeller är satsningar på att sömmen är problemet. Eleven Realtimes svar är att slå samman ljudsidans steg – lyssnande, turtagning, tänkande, talande – till ett nätverk och hålla modellen enbart ljudbaserad. SeedRealtimes svar är att slå samman dessa och lägga till syn, så att modellen kan tolka "den här" utifrån en pekgest, eller lägga märke till att personen den talar med har gått sin väg.

Avvägningen framgår av specifikationerna. Eleven Realtime Max svarar på 0,57 sekunder och får 98,8 % på ett resonemangstest med enbart ljudinmatning. SeedRealtimes påstående är bredare indata och, underförstått, mer kontext per tur; dess kostnad är att visuell full duplex är dyrt att betjäna, vilket är en rimlig anledning till att en konsumentapp är den enda platsen där den levereras. Inget av företagen har publicerat en latenssiffra som gör jämförelsen kvantitativ, och bara ett av dem har publicerat något som kan kontrolleras av en tredje part.

B​yteDance-slutpunkten som finns men inte är den här modellen

Det här är misstaget värt att undvika, eftersom det är lätt att göra och dyrt att upptäcka. Volcano Engine, B​yteDances molnverksamhet, dokumenterar en separat produkt för realtidsröst – Doubao realtidsröstmodell 3.0 – nåbar via en WebSocket-slutpunkt med en API-nyckel för konsolen, med ingång för 16 kHz PCM eller Opus och utgång för 24 kHz-ljud, via ett protokoll för realtidshändelser.

Det är ett utvecklar-API från samma företag inom samma produktområde, och det är inte SeedRealtime. Det är endast ljud: ingen video, ingen ansiktsbindning, ingen visuell förankring. Det är en separat modell med sin egen utgivningshistorik. Team som letar efter B​yteDance:s realtidsröst-API kommer att hitta den dokumentationen, integrera mot den och tro att de använder modellen som bevakningen handlar om. Volcano Engine har inte publicerat något datum för en endpoint för den audiovisuella modellen. Varje förteckning som erbjuder dig åtkomst till SeedRealtime erbjuder dig något annat.

Vad detta innebär om du har en produkt som ska skickas

Det finns inget beslut att fatta mellan dessa två för produktionsarbete det här kvartalet. Eleven Realtime v1 Max går att anropa nu, via ElevenAgents eller ett OpenAI-kompatibelt Realtime-API på wss://api.elevenlabs.io/v1/convai/realtime, och SeedRealtime är en forskningsmilstolpe i en mobilapp i Kina.

Det beslut som faktiskt finns är hur man ska bygga runt detta. E​levenLabs Realtime API är endast WebSocket-baserat vid lanseringen – ingen WebRTC – och det är en separat produkt från ElevenAgents, så telefoni, WhatsApp, kunskapsbaser, skyddsräcken och övervakning kommer bara med plattformsdelen. Max erbjuds inte heller i dataresidensmiljöerna för Indien och Singapore, och kräver en token-gräns på minst 1 024; Mini stöder märkligt nog Indien och Singapore men inte Zero Retention Mode eller HIPAA, vilket Max gör i USA och EU.

Där OrcaRouter passar in är inte röstlagret. Vi hostar inte eleven_realtime_v1_max, och det finns ingen tredjepartsändpunkt för det. Det vi hostar är allt en agent av det här slaget anropar runt modellen: 209 modeller från 16 uppströmsleverantörer bakom en nyckel, till leverantörens listpris utan påslag, med automatisk failover när en leverantör returnerar fel eller tar timeout. En röstagents dyra, variabla hälft är hämtningen och resonemanget som den delegerar; den hälften är utbytbar utan att röra ljudloopen, och det är där en veckas trimning lönar sig.

Vad skulle förändra detta

Ett API för SeedRealtime skulle göra detta till en riktig jämförelse, och inte bara på grund av videon. En anropbar endpoint skulle låta Artificial Analysis sätta modellen i samma fyrdelade testramverk som alla andra, vilket är den enda vägen till en siffra som betyder något mellan leverantörer. En teknisk rapport skulle göra det mesta av samma arbete.

På ElevenLabs sida är den saknade pusselbiten en τ-Voice-körning på Max. När den väl är på plats kommer fältet äntligen att ha ett jämförbart agentiskt mått för den modell som ElevenLabs marknadsför som den uppgiftsorienterade. Fram till dess är sammanfattningen oglamorös: en av dessa modeller kan man anropa, mäta, prissätta och leverera, en av dem kan man bara betrakta, och klyftan mellan dessa två positioner är större än klyftan mellan deras arkitekturer.