
MAI Realtime 1 vs Eleven Realtime Max: Ett åttafaldigt prisgap – och det enda numret som avgör det
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 920 tok/s
De publicerade priserna får detta att se avgjort ut. MAI Realtime 1 kostar 0,01 USD per ljudminut. Eleven Realtime Max — ElevenLabs främsta tal-till-tal-modell, listad som Realtime v1 Max — kostar ungefär 4,80 USD per timme enligt den oberoende normaliseringen från Artificial Analysis, vilket är 0,08 USD per minut. Åtta mot ett, innan man ens räknar något annat. Jämförelsen är också missvisande på ett specifikt, aritmetiskt sätt, och aritmetiken är hela artikeln: MAI Realtime 1 debiterar en andra, tokenprissatt resonemangsmodell ovanpå sin minutavgift, och ingen utanför Microsoft har publicerat hur ofta den andra mätaren löper.
Så den användbara frågan är inte vilken rubrik som är mindre. Det är vilken av dessa två du kan beräkna kostnaden för innan du skriver på, och vilken du först måste mäta. De svaren pekar i motsatta riktningar, vilket är anledningen till att detta är ett riktigt beslut snarare än en formalitet.

Vad var och en är, på en rad
• MAI Realtime 1 — Microsofts första tal-till-tal-modell, tillkännagavs den 17 november 2026 på Ignite. Två nivåer: en snabb samtalsväg för en cent per minut, och en resonemangsmotor för 1,00 USD per miljon indatatoken och 5,00 USD per miljon utdatatoken, som svårare turer överlämnas till. Förhandsversion med begränsad åtkomst via Foundry; demo i MAI Labs. Talar OpenAI Realtime API.
• Eleven Realtime Max — ElevenLabs tal-till-tal-modell för röstagenter som utför svårare arbete än småprat. Ett finjusterat system som täcker igenkänning, turhantering, en LLM och röst. Tillgängligt i ElevenAgents och via ett OpenAI-kompatibelt Realtime API, endast WebSocket. Täcker 90+ språk.
• Det som ingen av dem publicerar — språk som stöds av {{1}}MAI Realtime 1{{/1}}. Microsofts lanseringsmaterial listar inga, och för en kontaktcenterprodukt är det en grundläggande fråga, inte en fotnot.
Den ena sidan med riktiga mått
Eleven Realtime Max är väl dokumenterad av oberoende tester, och profilen är obalanserad på ett sätt som har betydelse för agentdesign:
• Tal-till-tal-index — 77.3, från Artificial Analysis, baserat på ett sammansatt mått av resonemang, samtalsdynamik och agentisk förmåga.
• Talresonemang (Big Bench Audio) – 98,8 %. Det är bland de högsta siffrorna på tavlan, och det är siffran som modellen är uppbyggd kring: den besvarar svåra talade frågor korrekt.
• Tid till första ljud — 570 millisekunder, snabbast av de två vid en direkt jämförelse och tillräckligt snabbt för att kännas omedelbart.
• Agentisk uppgiftslösning (τ-Voice) — 47,6 %. Det här är den svaga punkten. En modell som resonerar vackert kring det den hör slutför fortfarande färre än hälften av de flerstegsuppgifter som testramverket ställer den inför.
• Samtalsdynamik — 94,1 %
• Kombinerad kostnad – cirka $4.80 per timme ljud, enligt den normalisering som Artificial Analysis gjort av en delmängd på 40 frågor från Big Bench Audio till timbasis. Det är en mätkonvention, inte prislistan från ElevenLabs, och de två bör inte anges utbytbart.
MAI Realtime 1 har nästan inga av dessa, och gapet mellan ”nästan” och ”inga” är det intressanta. Microsoft publicerar en noggrannhetssiffra på modellsidan: 98,8 % på Big Bench Audio. Det är en leverantörssiffra – Microsofts egen utvärdering, på ett riktmärke som Microsoft har valt, utan att någon metodik publiceras bredvid – och ingen oberoende instans har kört om den. Notera också att 98,8 % är aritmetiskt identiskt med Eleven Realtime Max-siffran ovan, vilket är en slump att två olika testramverk landar på samma procenttal och bör inte tolkas som att de två modellerna ligger lika. Utöver den enda siffran innehåller sidan ett P50-kort för tid till första ljud och en bildtext med ”P50 Latency on BigBench Audio”, och inget annat. Ingen τ-Voice-poäng, ingen språklista, ingen fördelning bakom percentilen. Microsofts större påstående – att modellen ligger på Paretofronten för prestanda och pris för Big Bench Audio och τ-Voice – är ett påstående om var en punkt skulle ligga i ett diagram som inte har ritats offentligt. Artificial Analysis har inte med modellen alls per den 18 november.
Den asymmetrin är inte ett argument för ElevenLabs. Det är ett argument om vad du kan veta i dag: en av dessa modeller har en uppmätt agentisk poäng på 47,6 % som du kan planera utifrån, och den andra har en leverantörsrapporterad noggrannhetssiffra och en percentil.
En not om källhänvisning innan siffrorna börjar röra på sig: varje prestandasiffra för Eleven Realtime Max nedan är en oberoende mätning från Artificial Analysis. Den enda prestandasiffra för MAI Realtime 1 som citeras någonstans i den här artikeln – 98,8 % på Big Bench Audio – är Microsofts egen, ej granskad, och märks som sådan varhelst den förekommer. Inget annat om dess prestanda är överhuvudtaget publicerat.
Räkneoperationen som ingen har slutfört
Börja med röstlinjen, för det är det enda båda sidorna publicerar ärligt.
• MAI Realtime 1 — $0.01/min → $0.60 per timme samtal, endast snabbväg.
• Eleven Realtime Max — motsvarande cirka $0,08/min → $4,80 per timme, enligt Artificial Analysis beräkningsgrund.
En åttafaldig lucka på minutmätaren. Lägg nu till den andra mätaren och notera vad som saknas i den offentliga informationen: Microsoft har inte sagt hur stor andel av vändorna som eskalerar till resonemangsnivån. Varje kostnadsmodell du bygger har därför en indata som du måste hitta på. Så här påverkar den påhittade indatan svaret. Ta ett fem minuter långt supportsamtal – $0.05 i rösttid – och antag att resonemangsmotorn sammanlagt över de eskalerade vändorna ser 5 000 indatatokens och 1 500 utdatatokens. Med Microsofts taxor på $1.00 och $5.00 per miljon blir det $0.0125 i resonemang för en fullständig genomgång av samtalet.
• Ingen eskalering — 0,050 USD per samtal mot ElevenLabs 0,40 USD. Åtta mot en, som utlovat.
• En fullständig resonemangsomgång — $0.063 per anrop. Fortfarande under en sjättedel av ElevenLabs siffra.
• Tre fullständiga resonemangsomgångar — $0.088 per anrop. Drygt en femtedel.
• Tio fullständiga resonemangsomgångar — $0,175 per anrop. Ungefär 44 % av ElevenLabs siffra, och detta är en arbetsbelastning som ingen supportkonversation rimligen genererar.
Läs det igen: inte ens tio gånger resonemangsbelastningen stänger en åtta gånger så stor skillnad på röstlinjen. Vilket innebär att den ärliga versionen av den här jämförelsen är att MAI Realtime 1 är billigare med bred marginal under varje eskaleringsantagande som ett verkligt samtal stöder — och anledningen att tveka är inte priset. Det är att du ännu inte kan avgöra om modellen är tillräckligt bra för jobbet, och Microsofts förhandsversion faktureras inte förrän vid offentlig förhandsversion, så att ta reda på det kostar inget annat än utvecklingstid.
Två förbehåll kring den uträkningen, och båda talar emot att behandla den som en prognos. Uppskattningen av resonemanget är min, inte Microsofts – tokenantal varierar enormt mellan en sökning som kräver ett verktygsanrop och ett undantag som kräver fyra. Och ElevenLabs-sidan använder Artificial Analysis timnormalisering i stället för ElevenLabs eget prisblad, eftersom ElevenLabs inte publicerar en fast dollarpris per minut för Realtime Max; de prissätter minuter plus LLM-tokens med en uppskattning i appen. Så jämförelsen är riktningsmässigt hållbar och numeriskt osäker på båda sidor, vilket är normalt för röst och värt att säga rakt ut.
En punkt förtjänar verkligen en egen rad. Förhandsversionen av Foundry med begränsad åtkomst debiterar inte kunder förrän den offentliga förhandsversionen börjar. En kostnadsjämförelse som skrivs i november är därför en jämförelse av vad du skulle betala senare, mot en förhandsversion du kan köra nu till noll kostnad. Det rationella är att mäta, inte att förhandla.
Där ElevenLabs inte alls förlorar på pris
Två saker som den åttafaldiga figuren döljer.
Det första är att ElevenLabs inte säljer en minutmätare. ElevenAgents prissätts per minut plus kostnader för LLM-token, med en uppskattning per minut i appen, och Realtime API debiterar per minut för anslutet ljud plus tokens till samma tokenpriser i alla planer. Ett team som redan finns i ElevenAgents jämför inte $0.01 med $0.08 – de jämför en marginell förändring mot en plattform som de redan har integrerat, med driftsättning för telefon, webbwidget, WhatsApp och kontaktcenter, plus SOC 2, HIPAA, GDPR, EU-datalagring och alternativ för nollretention.
Det andra är att efterlevnadslistan är en produktfunktion med ett eget pris. För en klinisk eller finansiell röstagent är EU-datahemvist och noll kvarhållning inte bra-att-ha-funktioner som en billigare modell kan ersätta. Microsofts meddelande säger ingenting om datahemvist, kvarhållning eller certifiering för MAI Realtime 1 – och modellen är i begränsad förhandsvisning, vilket är precis det skede där dessa villkor vanligtvis inte är fastställda.
Så uppdelningen är inte "billigt mot dyrt". Det är "billigt och omätt, med företagsvillkoren fortfarande oskrivna" mot "fyra gånger priset, med pappersarbetet klart och en agentisk poäng på 47,6 % som du kan avgöra om den räcker eller inte".

Kör båda utan att välja ännu
Båda modellerna talar OpenAI Realtime API, vilket är det enskilt mest användbara faktumet i den här jämförelsen. En röststack som är skriven mot det gränssnittet kan riktas mot endera, vilket gör beslutet till en konfigurationsfråga i stället för en omskrivning. Det är också anledningen till att hålla båda tillgängliga under utvärderingen i stället för att välja först och testa sedan.
Det här är fallet som OrcaRouter är byggt för, och det är värt att vara precis om vilken hälft som gäller. MAI Realtime 1 finns inte i vår katalog – den är nåbar via Microsofts MAI Labs-demo och Foundry-förhandsversionen med begränsad åtkomst, punkt slut. Det vi dirigerar är lagret bakom det: resonemangsmodellerna som en röstagent eskalerar till, till leverantörens listpris med 0 % påslag, så en prisändring på den nivån når din faktura samma dag som den sker i stället för vid förnyelsen. Automatisk failover spelar större roll i röst än någon annanstans, eftersom en avstannad replik är en människa som lyssnar på tystnad; en begäran som flyttas till en andra leverantör på några hundra millisekunder är ohörbar, och en som försöker igen i fyra sekunder är det kunderna klagar på. När förhandsversionen tar slut och MAI Realtime 1 blir allmänt tillgänglig, bär samma nyckel och samma dirigeringsregler den – förutsatt att den hamnar i katalogen, vilket den i dag inte har gjort.

Vem ska göra vad den här veckan?
Om din röstagent är en support- eller schemaläggningsyta där de flesta turer är korta och de svåra är uppslag, är MAI Realtime 1:s ekonomi inte i närheten, och förhandsversionen är gratis – bygg utvärderingen nu, mät eskaleringfrekvensen själv och behandla Microsofts opublicerade svanslatens som det som din egen mätning ersätter.
Om värdet i din agent ligger i det flerstegsarbete – att boka mot tre system, verifiera identitet, lösa ett undantag – så är den agentiska poängen på 47,6 % för Eleven Realtime Max ett riktmärke du kan läsa, medan MAI Realtime 1:s är tomt. Att köpa enbart på pris här innebär att köpa en omätt modell för den svåraste delen av jobbet.
Och om regelefterlevnaden avgör vilken leverantör du väljer innan prestandan gör det, förändrar inget i Microsofts tillkännagivande ditt svar den här månaden. En begränsad förhandsversion är inte avsedd för att köra skyddade data, och villkoren som skulle tillåta det är inte publicerade.
Det åttafaldiga gapet är verkligt och troligen bestående. Det är också den minst intressanta siffran här, eftersom frågan som avgör den här matchen är om en modell för en cent per minut kan slutföra en uppgift — och den enda part som inte har berättat det för oss är den som säljer den.
