Eleven Realtime v1 Max ครองอันดับหนึ่งบนตารางจัดอันดับด้านความเร็วและการให้เหตุผลด้านเสียง — และยังไม่มีคะแนน Index Score

Eleven Realtime v1 Max ตอบกลับใน 0.57 วินาทีและได้คะแนน 98.8% ใน Big Bench Audio ขณะที่ Eleven Realtime v1 Mini ตอบกลับใน 0.62 วินาทีและได้คะแนน 76% ในการทดสอบเดียวกัน ตัวเลขสองค่านี้เมื่ออ่านคู่กันคือสิ่งที่มีประโยชน์ที่สุดในประกาศของ ElevenLabs เมื่อวันที่ 20 ตุลาคม 2026 — ไม่ใช่เพราะค่าใดค่าหนึ่งน่าประทับใจในตัวเอง แต่เป็นเพราะช่องว่าง 23 จุดระหว่างทั้งสอง และข้อเท็จจริงที่ว่าตัวที่อ่อนกว่าคือสิ่งที่คุณได้รับเป็นค่าเริ่มต้นเหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในชั้นนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง

มีข้อเท็จจริงที่สองที่แปลกกว่าบนกระดานจัดอันดับเดียวกัน Artificial Analysis ระบุทั้งสองโมเดลพร้อมเวลาถึงเสียงแรก คะแนน Big Bench Audio คะแนนพลวัตการสนทนา Elo ของอารีนา และอัตราความสำเร็จของงาน — และมีเครื่องหมายขีดในตำแหน่งที่ควรเป็น Speech to Speech Index Max ไม่มีคะแนนดัชนี ไม่ใช่คะแนนต่ำ แต่ไม่มีเลย

เหตุผลนี้เป็นเชิงกลไก และมันอธิบายสิ่งที่ตามมาส่วนใหญ่ได้ ดัชนีนี้เป็นค่าเฉลี่ยถ่วงน้ำหนักเท่ากันของสี่องค์ประกอบ ได้แก่ การให้เหตุผลด้านเสียง (Big Bench Audio) ประสิทธิภาพแบบเอเจนต์บนเบนช์มาร์กบริการลูกค้า τ-Voice ความชื่นชอบในอารีนา และอัตราความสำเร็จของงาน โมเดลต้องมีครบทั้งสี่องค์ประกอบจึงจะได้รับการให้คะแนน Max มีสามองค์ประกอบ E​levenLabs ขาย Max โดยเฉพาะสำหรับ "งานที่ซับซ้อน" ที่มีการ "ใช้เครื่องมือหลายขั้นตอน" — และเบนช์มาร์กการใช้เครื่องมือคือตัวที่ยังไม่มีใครรันกับมันเลย

สิ่งที่ ElevenLabs ส่งมอบจริง ๆ

ตระกูล Eleven Realtime เป็นผลิตภัณฑ์ที่แตกต่างจากโมเดล text-to-speech ที่ ElevenLabs เป็นที่รู้จัก โดยแต่ละโมเดล Realtime เป็นเครือข่ายเดียวที่จัดการการรู้จำเสียง การผลัดกันพูด ขั้นตอนการให้เหตุผล และการสร้างเสียงไปพร้อมกัน แทนที่จะเป็นไปป์ไลน์ของ speech-to-text โมเดลภาษา และเสียง text-to-speech ที่ถูกประกอบเข้าด้วยกันโดยออร์เคสเตรเตอร์ จุดขายของ ElevenLabs คือการปรับแต่งทั้งสี่ขั้นตอนให้เป็นระบบเดียวช่วยขจัดรอยต่อต่าง ๆ — ความเงียบครึ่งวินาทีหลังผู้โทรหยุดพูด เอเจนต์ที่พูดทับขณะถูกขัดจังหวะ และความไม่สอดคล้องระหว่างสิ่งที่การถอดเสียงได้ยินกับสิ่งที่เสียงตอบกลับไป

ทั้งสองโมเดลเข้าถึงได้สองวิธี: ภายใน ElevenAgents ซึ่งคุณเลือกโมเดลจากดรอปดาวน์และแพลตฟอร์มจะกำหนดค่าส่วนที่เหลือให้ หรือผ่าน Realtime API ที่ออกแบบมาให้เข้ากันได้ในระดับ wire กับของ OpenAI โดยตรง ที่ wss://api.elevenlabs.io/v1/convai/realtime เพียงเปลี่ยน endpoint และชื่อโมเดล ไคลเอนต์ OpenAI Realtime ที่มีอยู่เดิมก็ยังคงตัวจัดการเหตุการณ์ไว้ได้

สิ่งที่ออกมาในวันที่ 20 ตุลาคมคือประกาศ ไม่ใช่การเปิดใช้งานจริง เอกสารของ ElevenLabs เองยังคงอธิบายว่าโมเดลเหล่านี้กำลัง "ทยอยเปิดให้ใช้งาน" และระบุว่าพื้นที่ทำงานที่ไม่มีตัวตั้งค่าโหมด Voice จะทำให้ API ปฏิเสธ realtime_modelไปเลยด้วยข้อความ "Realtime models are not available for this workspace" ตัวระบุโมเดลก็เก่ากว่ารอบข่าวประชาสัมพันธ์เช่นกัน บันทึกการเปลี่ยนแปลงวันที่ 3 สิงหาคมสำหรับ ElevenAgents ระบุว่าการกำหนดค่าของเอเจนต์แบบเรียลไทม์เริ่มใช้ค่าเริ่มต้นเป็น eleven_realtime_v1_miniแล้ว มองวันที่เปิดตัวเป็นวันที่ตัวเลขเหล่านั้นถูกเปิดเผยต่อสาธารณะ ไม่ใช่วันที่ปลายทาง API เปิดให้ใช้งาน

โมเดลทั้งสองไม่ใช่สองขนาดของสิ่งเดียวกัน

ElevenLabs วางตำแหน่ง Mini และ Max เป็นปุ่มปรับสมดุลระหว่างต้นทุนกับคุณภาพ: Mini สำหรับผู้ช่วย ติวเตอร์ และคาแรกเตอร์; Max สำหรับงานสนับสนุน การคัดกรองลีด และเวิร์กโฟลว์ที่ใช้เครื่องมือ แต่ผลการวัดที่เผยแพร่กลับบอกว่าปุ่มนี้ปรับได้ไกลกว่าที่กรอบแนวคิดนั้นสื่อไว้ ตัวเลขเหล่านี้เป็นของ Artificial Analysis ซึ่งรันอย่างอิสระบนฮาร์เนสเดียวกัน แทนที่จะยกมาจากหน้าเว็บของ ElevenLabs:

• การให้เหตุผลด้านเสียงพูด (Big Bench Audio) — Eleven Realtime v1 Max 98.8% เทียบกับ Eleven Realtime v1 Mini 76%

• อัตราความสำเร็จของงาน — Max 87.1% เทียบกับ Mini 60.3%

• พลวัตของการสนทนา (Full-Duplex-Bench) — Max 94.1% เทียบกับ Mini 95.8%

• ความชอบใน Arena (Elo) — Max 997 เทียบกับ Mini 988

• เวลาถึงเสียงแรก — Max 0.57 วินาที เทียบกับ Mini 0.62 วินาที

• ดัชนี Speech to Speech — Max ไม่ได้รับการให้คะแนน เทียบกับ Mini ไม่ได้รับการให้คะแนน

อ่านสามแถวสุดท้ายก่อนสองแถวแรก ในสิ่งที่ผู้โทรรู้สึกได้โดยรู้ตัว — คือมันฟังดูเหมือนการสนทนาหรือไม่ — Mini เป็นโมเดลที่ดีกว่า และตัวที่เร็วกว่าคือ Max โดยเร็วกว่าเพียง 50 มิลลิวินาที ช่องว่างด้านการให้เหตุผล 23 จุดและช่องว่างด้านความสำเร็จของงาน 27 จุดนั้นมีจริงและมีขนาดใหญ่ แต่สิ่งเหล่านี้ปรากฏในเรื่องที่ว่าเอเจนต์ทำงานสำเร็จหรือไม่ ไม่ใช่ในเรื่องที่ว่าการคุยกับมันรู้สึกดีหรือไม่ นั่นคือการแลกเปลี่ยนแบบเดียวกับที่คิวซัพพอร์ตต้องทำ และเป็นเหตุผลว่าทำไมค่าเริ่มต้นจึงสำคัญ: เอเจนต์ใหม่ทุกตัวที่ไม่เคยแตะการตั้งค่าจะทำงานบนโมเดลที่จัดการงานสำเร็จ 60.3% แทนที่จะเป็น 87.1%

ช่องว่างนี้ยังอธิบายถึงเครื่องหมายขีดในคอลัมน์ดัชนีด้วย Mini ก็ไม่มีคะแนนด้านเอเจนต์เช่นกัน ซึ่งไม่น่าแปลกใจสำหรับโมเดลที่ถูกวางตำแหน่งให้เป็นรุ่นราคาถูก ส่วน Max ไม่มีคะแนนนี้ทั้งที่ถูกวางตำแหน่งให้เป็นรุ่นที่มีความสามารถ

แถวที่หายไปหมายความว่าอย่างไรในทางปฏิบัติ

อัตราความสำเร็จของงานกับ τ-Voice ไม่ใช่การวัดเดียวกัน และการนำสองสิ่งนี้ไปปนกันคือความผิดพลาดที่เกิดขึ้นได้ง่ายที่สุดกับรีลีสนี้ อัตราความสำเร็จของงานถามว่าบทสนทนาจบลงด้วยการเรียกเครื่องมือครั้งสุดท้ายที่ถูกต้องหรือไม่ ส่วน τ-Voice จะโยนโมเดลเข้าไปในสถานการณ์จำลองงานบริการลูกค้า — เช่น การเปลี่ยนเที่ยวบิน ค่าใช้จ่ายที่มีข้อโต้แย้ง หรือปัญหาด้านโทรคมนาคม — พร้อมเครื่องมือเฉพาะโดเมนและเอกสารนโยบายหนึ่งฉบับ แล้วให้คะแนนว่าฐานข้อมูลจบลงในสถานะที่ถูกต้องหรือไม่ มันคือความแตกต่างระหว่าง "เอเจนต์เรียกฟังก์ชันที่ถูกต้อง" กับ "เอเจนต์แก้ไขคำขอได้โดยไม่ละเมิดนโยบาย"

ElevenLabs วางตลาด Max สำหรับงานอย่างที่สองนั้นโดยเฉพาะ ข้อกล่าวอ้างบนหน้าสินค้าคือ Max "ให้เหตุผลผ่านคำถามที่ซับซ้อนและเรียกใช้เครื่องมือเพื่อทำงานให้เสร็จโดยไม่ทำให้บทสนทนาช้าลง" จนถึงตอนนี้ยังไม่มีสิ่งใดที่เผยแพร่แล้วทดสอบข้อกล่าวอ้างนั้นแบบครบวงจร อัตราความสำเร็จของงาน 87.1% เป็นตัวเลขที่แข็งแกร่ง แต่ก็เป็นครึ่งที่ง่ายกว่าของการประเมิน และมันอยู่ถัดจากคะแนนพลวัตการสนทนา 94.1% ซึ่งต่ำกว่าของ Mini อยู่หนึ่งจุดครึ่ง

สำหรับทีมที่กำลังตัดสินใจในวันนี้ สรุปที่ตรงไปตรงมาคือ Max เป็นโมเดลการให้เหตุผลด้านเสียงพูดที่ได้รับการวัดผลดีที่สุดในวงการ — 98.8% เป็นรองเพียง 100% ของ StepAudio 3 Realtime และ 99.2% ของ Qwen Audio 3.0 Realtime Plus บนบอร์ดเดียวกัน — และพฤติกรรมแบบเอเจนต์ของมันยังไม่ได้ถูกวัด ในขณะที่พฤติกรรมแบบเอเจนต์ของคู่แข่งได้รับการวัดแล้ว Gemini 3.8 Live Extended Thinking มีคะแนน τ-Voice อยู่ที่ 68.6% GPT-Live-1 (Astra, medium) มี 74.5% Max มีเครื่องหมายขีด

หนึ่งนาทีของมันมีค่าใช้จ่ายเท่าไร

ElevenLabs ไม่ได้เผยแพร่ตัวเลขต่อโมเดล การคิดค่าบริการแบบ Realtime คืออัตราต่อนาทีมาตรฐานของ ElevenAgents บวกกับโทเค็นอินพุต โทเค็นอินพุตที่แคชไว้ และโทเค็นเอาต์พุต ในอัตราของโมเดล Realtime เอง โดย Max มีราคาต่อโทเค็นแพงกว่า Mini แดชบอร์ดจะแสดงค่าใช้จ่ายโดยประมาณต่อนาที และ Realtime API คิดค่าบริการตามนาทีของเสียงที่เชื่อมต่อ plus tokens หน้าราคาไม่มีรายการ Realtime เลย

Artificial Analysis ปรับข้อมูลทั้งหมดนั้นให้เป็นตัวเลขเดียวที่เทียบกันได้ — ต้นทุนในการรันชุดย่อย Big Bench Audio จำนวน 40 คำถามแบบคงที่ โดยคิดเป็นต่อชั่วโมงของเสียงอินพุต โมเดล E​levenLabs ทั้งสองรุ่นอยู่ที่ $4.80 ตัวเลขที่เหมือนกันนั้นคือส่วนที่น่าสนใจ: ไม่ว่า Max จะมีส่วนเพิ่มราคาต่อโทเคนเท่าใด ค่าบริการเอเจนต์ต่อนาทีก็เป็นตัวครองบิลที่ปริมาณการสนทนา ดังนั้นการคุยกับโมเดลราคาแพงและโมเดลราคาถูกจึงมีต้นทุนเท่ากัน การประหยัดจาก Mini จะปรากฏในจุดที่มีโทเคนหนาแน่น ไม่ใช่จุดที่เสียงยาว

เพื่อให้เห็นขนาด เมื่อวัดด้วยมาตรฐานเดียวกัน: G​emini 3.8 Live อยู่ที่ $0.84 ต่อชั่วโมง, G​emini 3.8 Live Extended Thinking อยู่ที่ $3.50, G​PT-Live-1 (Sol, low) อยู่ที่ $4.47 และ G​rok Voice 3.0 อยู่ที่ $4.80 ส่วน Eleven Realtime ถูกตั้งราคาอยู่ตรงกลางของกลุ่ม ไม่ใช่ต่ำสุด และคิดเป็นประมาณ 5.7 เท่าของอัตรามาตรฐาน G​emini Live

นี่คือจุดที่ชั้นการกำหนดเส้นทางคุ้มค่าที่จะมีอยู่ แม้ว่ามันจะแตะต้องโมเดลเสียงเองไม่ได้ก็ตาม Eleven Realtime ใช้ได้ผ่าน API ของ E​levenLabs เองเท่านั้นและไม่มีที่อื่น — ไม่มีโฮสต์ของบุคคลที่สามรายใดให้บริการ eleven_realtime_v1_max และ OrcaRouter ก็ไม่มีเช่นกัน ดังนั้นจึงไม่มีอะไรให้กำหนดเส้นทางสำหรับชั้นเสียง สิ่งที่คุณกำหนดเส้นทางได้คือทุกอย่างที่เอเจนต์เรียกใช้: บริการค้นข้อมูล การเขียนข้อมูลลง CRM ตัวสรุปที่ทำงานหลังการโทร และโมเดลสำรองที่ระบบ cascade ใช้ fallback เมื่อโมเดลเรียลไทม์เกิดข้อผิดพลาด บน OrcaRouter สิ่งเหล่านี้คือ 209 โมเดลจากผู้ให้บริการต้นทาง 16 รายภายใต้คีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกราคาเพิ่ม ดังนั้นครึ่งหนึ่งของบิลที่แปรผันตามความหนักในการคิดของผู้โทรของคุณ คือครึ่งที่คุณปรับให้เหมาะสมได้จริง

รายละเอียดการผสานรวมที่กำหนดทั้งสัปดาห์ของคุณ

ElevenLabs เดิมพันกับสิ่งที่ผู้ให้บริการเรียลไทม์ส่วนใหญ่ไม่ได้ทำ นั่นคือ API ของมันพูดโปรโตคอลอีเวนต์ Realtime ของ OpenAI ตัวอย่างเจ็ดบรรทัดในเอกสารนั้นนำเข้า OpenAIRealtimeWebSocket, RealtimeAgent และ RealtimeSession จาก @openai/agents-realtime ชี้ transport ไปยัง URL WebSocket ของ ElevenLabs และส่ง model: "eleven_realtime_v1_mini" ส่วนที่เหลือทั้งหมด — client secret, การกำหนดค่าเซสชัน, โหมดเอาต์พุตเสียง, เสียง — ไม่เปลี่ยนแปลง

ต้นทุนของความสะดวกนั้นคือการรับส่งข้อมูล ณ เวลาเปิดตัวยังไม่มี WebRTC เอกสารระบุไว้ตรง ๆ และการผสานรวม WebRTC ใด ๆ จำเป็นต้องย้ายไปใช้ WebSocket ก่อน สำหรับทีมที่ใช้การผสานรวม WebSocket Realtime อยู่แล้ว นี่ไม่ใช่เรื่องใหญ่ สำหรับทีมที่สร้างบน WebRTC เพราะมันจัดการ jitter และเครือข่ายมือถือได้ดีกว่า นี่คือการเขียนชั้นการรับส่งข้อมูลใหม่ ไม่ใช่การสลับโมเดล

ข้อจำกัดอีกประการหนึ่งคือเชิงสถาปัตยกรรม: โมเดล Realtime ทำงานใน ElevenAgents และใน Realtime API ในฐานะผลิตภัณฑ์ที่แยกจากกัน หากคุณต้องการหมายเลขโทรศัพท์, WhatsApp, ฐานความรู้, guardrails, การทดสอบแบบสคริปต์ หรือการตรวจสอบบทสนทนา คุณจะอยู่ใน ElevenAgents และเครื่องมือกับพรอมต์ของเอเจนต์ของคุณจะติดไปกับมันด้วย หากคุณอยู่ใน Realtime API คุณจะได้โมเดลและอีเวนต์ แต่ไม่ได้แพลตฟอร์มที่อยู่รอบๆ สิ่งเหล่านั้น คุณไม่สามารถมีทั้งสองอย่างบนการเชื่อมต่อเดียวได้

ในกรณีที่ไม่ได้เดินทาง

การทยอยเปิดใช้งานมีความไม่สม่ำเสมอในลักษณะที่ทีมในยุโรปและอินเดียให้ความสำคัญมากกว่าทีมในสหรัฐฯ:

• การจัดเก็บข้อมูลในระดับภูมิภาค (Data residency) — ทั้งสองรุ่นพร้อมให้บริการในสหรัฐฯ และสหภาพยุโรป ส่วนอินเดียและสิงคโปร์มีให้เฉพาะ Mini เท่านั้น ดังนั้น Max จึงไม่ใช่ตัวเลือกสำหรับเอเจนต์ที่ถูกกำหนดให้อยู่ในสภาพแวดล้อมเหล่านั้น

• การปฏิบัติตามข้อกำหนด — Zero Retention Mode และ HIPAA รองรับ Max ในสหรัฐฯ และ EU และไม่รองรับ Mini เลย

• ขีดจำกัดโทเค็น — Max ต้องมีขีดจำกัดอย่างน้อย 1,024 โทเค็น หรือไม่มีการจำกัด และโหนดเวิร์กโฟลว์ไม่สามารถเขียนทับข้อกำหนดนี้ได้

• แบ็กเอนด์แบบกำหนดเอง — โหมดเรียลไทม์ไม่พร้อมใช้งานขณะที่เอเจนต์ใช้ LLM แบบกำหนดเองหรือ Amazon Bedrock; คุณต้องเปลี่ยนไปใช้ LLM แบบในตัวก่อน

• การโอนต่อของเอเจนต์ — เอเจนต์ในโหมด Realtime สามารถโอนต่อได้เฉพาะกับเอเจนต์ในโหมด Realtime อื่นเท่านั้น อย่างไรก็ตาม อนุญาตให้โอนต่อจาก Mini ไปยัง Max ได้

กฎทุกข้อเหล่านั้นถูกบังคับใช้ในตอนเผยแพร่ ไม่ใช่ตอนบันทึก ฉบับร่างที่ฝ่าฝืนข้อใดข้อหนึ่งยังคงบันทึกได้ แต่การเผยแพร่จะล้มเหลวและระบุชื่อการตั้งค่านั้น

ดูอะไรดี

ผลลัพธ์สองอย่างจะชี้ขาดการเปิดตัวนี้ อย่างแรกคือคะแนน τ-Voice ของ Max — ตัวเลขเดียวที่จะทดสอบข้ออ้างที่ ElevenLabs กำลังขายอยู่จริง อย่างที่สองคือการรองรับ WebRTC ซึ่งเป็นความแตกต่างระหว่างโมเดลที่คุณสาธิตได้กับโมเดลที่คุณนำไปใช้ในการโทรบนมือถือได้ จนถึงตอนนั้น จุดยืนที่ป้องกันได้นั้นแคบแต่มีประโยชน์: Mini เป็นค่าเริ่มต้นที่ดีสำหรับเอเจนต์สนทนาที่ไม่จำเป็นต้องทำงานให้เสร็จ Max เป็นตัวให้เหตุผลที่แข็งแกร่งและเร็วที่สุดบนกระดาน และมีความเป็นไปได้ว่าจะเป็นเอเจนต์สนับสนุนที่ดีกว่า และยังไม่มีใครเผยแพร่การทดสอบที่จะพิสูจน์ครึ่งหลังได้