Eleven Realtime v1 Max vs Gemini 3.8 Live: เร็วกว่า คมกว่าในด้านการใช้เหตุผล และราคาสูงกว่า 5.7 เท่า

Eleven Realtime v1 Max เริ่มพูดภายใน 0.57 วินาที และทำคะแนน Big Bench Audio ได้ถูกต้อง 98.8% G​emini 3.8 Live เริ่มพูดภายใน 1.18 วินาที และทำได้ 92% ในสองแกนที่ผู้คนมักยกมาอ้างเมื่อโต้เถียงเรื่องโมเดลเสียง E​levenLabs ชนะทั้งสองแกน — แล้วก็แพ้ในแทบทุกแกนที่ทีมการเงินให้ความสำคัญ เริ่มจากแกนที่กระดาน benchmark เดียวกันนี้ให้ราคา G​emini อยู่ที่ $0.84 ต่อชั่วโมงเสียง และ Eleven Realtime Max อยู่ที่ $4.80 เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะโต้แย้งของตัวเอง

โมเดลทั้งสองยังไม่เห็นตรงกันว่าเอเจนต์เสียงคืออะไร G​emini 3.8 Live เป็นส่วนหนึ่งของแพลตฟอร์ม: มีคะแนนดัชนี มี rate card ที่มีเอกสารระบุไว้ รองรับ 97 ภาษา มีลายน้ำ SynthID ในทุกวินาทีที่สร้างขึ้น และมีสองเวอร์ชัน — standard และ Extended Thinking — ที่แยกการให้เหตุผลออกจากการสนทนา ส่วน Eleven Realtime v1 Max เป็นโมเดลเดียวที่วางขายด้วยคำมั่นว่า การรู้จำ การผลัดกันพูด การคิด และเสียงได้รับการปรับแต่งมาด้วยกัน และไม่มี Speech to Speech Index เลย เพราะยังไม่มีการรัน agentic benchmark ที่อยู่เบื้องหลังดัชนีนั้นกับโมเดลนี้

ประโยคสุดท้ายนั้นคือข้อโต้แย้งทั้งหมดที่ถูกบีบอัดไว้ หนึ่งในโมเดลเหล่านี้มีตารางคะแนนสาธารณะที่ครบถ้วน ส่วนอีกโมเดลมีตัวเลขที่ดีที่สุดในสองแถวที่มีอยู่ และมีช่องว่างตรงตำแหน่งที่แถวที่ยากที่สุดควรอยู่

สิ่งที่สกอร์บอร์ดบอกจริง ๆ

ตัวเลขทุกตัวด้านล่างนี้มาจากกระดานจัดอันดับ Speech to Speech ของ Artificial Analysis ซึ่งทดสอบทั้งสองโมเดลบนฮาร์เนสเดียวกัน แทนที่จะอ้างอิงจากหน้าของผู้จำหน่าย หากตัวเลขของผู้จำหน่ายแตกต่างออกไป จะมีการระบุไว้

• การให้เหตุผลเกี่ยวกับเสียงพูด (Big Bench Audio) — Eleven Realtime v1 Max 98.8% เทียบกับ G​emini 3.8 Live 92%

• ระยะเวลาถึงเสียงแรก — Max 0.57 วินาที เทียบกับ G​emini 1.18 วินาที

• อัตราความสำเร็จของงาน — Max 87.1% เทียบกับ G​emini 93.2%

• ประสิทธิภาพแบบ Agentic (τ-Voice) — Max ยังไม่ได้วัด เมื่อเทียบกับ G​emini 30.1%

• พลวัตการสนทนา (Full-Duplex-Bench) — Max 94.1% เทียบกับ Gemini 96.1%

• ความชอบใน Arena (Elo) — Max 997 เทียบกับ G​emini 1,078

• ดัชนี Speech to Speech — Max ไม่ได้รับการให้คะแนน เทียบกับ Gemini 76.0

• ค่าใช้จ่ายต่อชั่วโมงของเสียงอินพุต — Max $4.80 เทียบกับ G​emini $0.84

รูปแบบไม่ใช่ "E​levenLabs เก่งกว่าเรื่องเสียง G​oogle เก่งกว่าทุกอย่างอื่น" แต่แคบกว่าและน่าสนใจกว่านั้น Max ชนะการวัดสองรายการที่ทำบนชุดคำถามเสียงแบบคงที่ — ตอบถูก ตอบเร็ว — และแพ้สามรายการที่เกี่ยวข้องกับมนุษย์ในลูปหรือการเรียกเครื่องมือเพื่อทำให้เสร็จ Arena preference คือการที่คนฟังและเลือก Task success คือฟังก์ชันที่ถูกเรียกนั้นถูกต้องหรือไม่ Conversational dynamics คือการผลัดกันพูดรู้สึกถูกต้องหรือไม่ นั่นคือเมตริกการผลิต และ G​emini ชนะทั้งสาม

แถว τ-Voice ควรมีข้อควรระวังก่อนที่ใครจะนำไปอ้างอิง 30.1% ของ G​emini 3.8 Live เป็นคะแนนด้าน agentic ที่แย่จริง ๆ — รุ่นพี่อย่าง Extended Thinking ของมันเองได้ 68.6% ในการทดสอบเดียวกัน และ G​PT-Live-1 (Astra, medium) ได้ 74.5% หาก agent ของคุณต้องเปลี่ยนการจองภายใต้นโยบายใดนโยบายหนึ่ง 3.8 Live แบบธรรมดาก็ไม่ใช่โมเดลที่คุณต้องการ แต่ช่องว่างของ Max ไม่ใช่ศูนย์ และไม่ควรตีความเป็นศูนย์ มันหมายความว่ายังไม่ได้รันการทดสอบ

ราคาที่ต่างกันนั้นมาจากไหน และทำไมมันอาจไม่ได้สำคัญเท่าที่ดู

G​emini 3.8 Live คิดค่าบริการ $0.005 ต่อนาทีสำหรับเสียงขาเข้า และ $0.018 ต่อนาทีสำหรับเสียงขาออก โดยข้อความอยู่ที่ $0.75 และ $4.50 ต่อล้านโทเค็น และอินพุตรูปภาพหรือวิดีโออยู่ที่ $1.00 ต่อล้าน Eleven Realtime ไม่เผยแพร่อัตราค่าบริการต่อโมเดลเลย: ใน ElevenAgents คุณจ่ายค่าบริการเอเจนต์มาตรฐานต่อนาทีบวกค่าโทเค็นในอัตราของโมเดล Realtime และผ่าน Realtime API คุณจ่ายตามนาทีของเสียงที่เชื่อมต่อบวกค่าโทเค็น โดยราคาโทเค็นเท่ากันในทุกแพ็กเกจ Artificial Analysis แปลงทั้งสองเป็นค่าใช้จ่ายต่อชั่วโมงบนชุดคำถามคงที่ ซึ่งเป็นวิธีเดียวที่จะเปรียบเทียบทั้งสองอย่างได้อย่างตรงไปตรงมา และได้ผลลัพธ์ที่ $0.84 เทียบกับ $4.80

มีสองนัยตามมา ประการแรก หากปริมาณการใช้งานของคุณวัดกันเป็นหลักพันนาทีต่อวัน ช่องว่างตรงนั้นคือสิ่งที่ใช้ตัดสินใจ — 5.7× ไม่ใช่ความคลาดเคลื่อนจากการปัดเศษ และ ElevenLabs ก็ไม่มีกลไกใดที่ประกาศออกมาซึ่งจะปิดช่องว่างนี้ได้ นอกจากรุ่น Mini ที่ถูกกว่า ประการที่สอง การเปรียบเทียบนี้ไม่ได้นิ่งเหมือนราคาตามรายการ Google เคยลดอัตราค่าเสียงของ Gemini มาก่อน และเมื่อผู้ให้บริการส่งต่อราคาตามรายการ การลดราคานั้นก็ลงมาถึงฝั่งเราในวันเดียวกัน เพราะ OrcaRouter ไม่บวกราคาเพิ่มเลย ในทางกลับกันก็เช่นกัน หาก ElevenLabs ประกาศอัตราค่า Realtime ตัวเลขก็เปลี่ยนได้โดยไม่มีใครต้องเขียนส่วนเชื่อมต่อใหม่

การเดิมพันสองแบบที่แตกต่างกันเกี่ยวกับการผลัดกัน

สถาปัตยกรรมทั้งสองไม่เทียบเท่ากัน และความแตกต่างนี้อธิบายการแยกของตัวชี้วัดได้ดีกว่าข้อกล่าวอ้างเรื่องคุณภาพใด ๆ

Gemini 3.8 Live เป็นหนึ่งในสมาชิกของตระกูลผลิตภัณฑ์ที่ Google เปิดตัวต่อเนื่องมากว่าสองปีแล้ว

ประมวลผลอินพุตภาพได้เกือบเรียลไทม์ สลับภาษาได้กลางบทสนทนาถึง 97 ภาษา และเรียกใช้เครื่องมือและการเรียก API ในเบื้องหลัง เพื่อให้เอเจนต์ตอบรับคำขอและสนทนาต่อได้ขณะที่การค้นหายังดำเนินอยู่ รุ่นพี่น้องของมันคือ Gemini 3.8 Live Extended Thinking ซึ่งใช้เหตุผลและพูดไปพร้อมกัน พร้อมบรรยายความคืบหน้า ทั้งสองมีลายน้ำ SynthID และใช้การ์ดโมเดลร่วมกันที่เผยแพร่ในชื่อ gemini-3-8-audio และทั้งคู่มี API ID ที่ระบุไว้ในเอกสาร ได้แก่ gemini-3.8-live และ gemini-3.8-live-extended-thinking

Eleven Realtime รวมสแต็กเข้าด้วยกันแทนที่จะประสานงานสแต็กนั้น

การรู้จำเสียง การผลัดกันพูด ขั้นตอนการให้เหตุผล และการสร้างเสียง เป็นระบบเดียวที่ปรับแต่งให้สอดคล้องกัน จึงทำให้ตอบได้ภายใน 0.57 วินาที โดยไม่ต้องมีตัวตรวจจับการมีเสียงพูด (voice-activity detector) แยกต่างหากมาคอยตัดสินว่าผู้โทรพูดจบแล้วหรือยัง ตัวอย่างผลลัพธ์ที่ได้จาก E​levenLabs เองคือ backchannel (การส่งเสียงตอบรับระหว่างฟัง) โดยมีการบันทึกว่า Mini ตรวจจับได้ว่าผู้พูดพูดจบแล้วหรือเพียงแค่แทรกเสียง "mm-hmm" เท่านั้น นั่นคือพฤติกรรมที่ทำให้เอเจนต์เสียงเลิกให้ความรู้สึกเหมือนวิทยุสื่อสาร และเป็นสิ่งที่ไปป์ไลน์แบบเรียงต่อกัน (cascaded pipeline) จัดการได้ยาก เพราะต้องบอก VAD ว่าอะไรคือการขัดจังหวะ

ต้นทุนของการออกแบบที่รวมเข้าด้วยกันคือการควบคุม ใน ElevenAgents การเลือกโมเดล Realtime หมายความว่า ElevenLabs เป็นผู้จัดการ LLM, reasoning effort, งบการคิด, การเรียกเครื่องมือแบบขนาน, cascade timeout, โมเดล TTS, โหมดแสดงออก และผู้ให้บริการ ASR คุณไม่สามารถนำ LLM แบบกำหนดเองมาใช้ได้ คุณไม่สามารถใช้ Amazon Bedrock ได้ และโหนดเวิร์กโฟลว์ไม่สามารถแทนที่การตั้งค่าใด ๆ เหล่านั้นได้ Gemini ให้โมเดลแก่คุณและช่วยให้คุณคงไปป์ไลน์ไว้ได้

คำถามเรื่องการผสานระบบที่ไม่มีใครใส่ไว้ในตารางเปรียบเทียบ

Gemini 3.8 Live เป็นโมเดลของ Gemini API Eleven Realtime มีจำหน่ายสองรูปแบบ — ภายใน ElevenAgents และผ่าน Realtime API ที่เข้ากันได้กับโปรโตคอลเหตุการณ์ของ OpenAI ที่ wss://api.elevenlabs.io/v1/convai/realtime หากคุณมีไคลเอนต์ OpenAI Realtime การเปลี่ยน endpoint และชื่อโมเดลถือเป็นส่วนใหญ่ของการย้ายระบบ; เอกสารมีสกิลแบบคำสั่งเดียวสำหรับเรื่องนี้

สิ่งที่คุณต้องแลกมาสำหรับความเข้ากันได้นั้นคือแพลตฟอร์ม Realtime API และ ElevenAgents เป็นผลิตภัณฑ์แยกจากกันบนโปรโตคอลการเชื่อมต่อที่แตกต่างกัน และ API ไม่รองรับช่องทางโทรศัพท์หรือ WhatsApp ฐานความรู้ guardrails การทดสอบแบบกำหนดสคริปต์ หรือการตรวจสอบบทสนทนา ElevenLabs ยังระบุชัดเจนว่า Realtime API ไม่มี WebRTC ในตอนเปิดตัว — มีเฉพาะ WebSocket เท่านั้น

ความไม่สมดุลตรงนั้นคือจุดที่เลเยอร์การกำหนดเส้นทางเข้ามาเสริมได้ และมันเข้ากันได้ดีกับฝั่ง G​emini มากกว่าฝั่ง E​levenLabs OrcaRouter ไม่ได้โฮสต์ eleven_realtime_v1_max; ไม่มี endpoint ของบุคคลที่สามสำหรับโมเดลนี้ และเราจะไม่แสร้งทำเป็นว่ามี สิ่งที่ OrcaRouter โฮสต์คือส่วนที่เหลือของสแตกที่มีรูปร่างแบบ G​emini: google/gemini-3.8-flash และโมเดล G​emini อื่น ๆ ภายใต้คีย์เดียว โมเดล 209 รายการจากผู้ให้บริการ 16 รายรวมกัน ในราคาตามรายการของผู้ให้บริการโดยไม่มีมาร์กอัป พร้อมการ failover อัตโนมัติเมื่อผู้ให้บริการเกิดข้อผิดพลาด หากคุณสร้างเลเยอร์เสียงบน G​emini การดึงข้อมูลและการวิเคราะห์หลังการโทรที่อยู่รอบ ๆ ก็สามารถสลับและทดสอบแบบ A/B บนทราฟฟิกของคุณเองได้ แทนที่จะตัดสินใจผูกมัดจากลีดเดอร์บอร์ด

เลือกอันไหนดี

เลือก G​emini 3.8 Live หากเอเจนต์จำเป็นต้องทำธุรกรรมให้เสร็จ หากคุณต้องการราคาต่ำกว่าหนึ่งดอลลาร์ต่อชั่วโมง หากคุณต้องการอินพุตแบบภาพ หรือหากคุณต้องการ 97 ภาษาบนบรรทัดเดียว มันมีสกอร์การ์ดสาธารณะที่ครบถ้วน ตารางอัตราค่าบริการที่มีเอกสารกำกับ และนาทีที่ถูกกว่า จุดอ่อนด้านเอเจนต์ของมันเป็นเรื่องจริงแต่สามารถวัดได้ และ Extended Thinking รุ่นพี่น้องของมันคือทางแก้หากการทำงานให้สำเร็จเป็นคอขวด

เลือก Eleven Realtime v1 Maxหากตัวบทสนทนาเองคือผลิตภัณฑ์ — เช่น ติวเตอร์ ตัวละคร หรือสายซัพพอร์ตที่ข้อร้องเรียนคือการถูกตัดบท — และหากปริมาณงานของคุณเป็นเสียงที่เน้นการให้เหตุผลมากกว่าการโทรเชื่อมต่อยาวนาน คุณกำลังซื้อนักให้เหตุผลที่แข็งแกร่งและเร็วที่สุดในตลาด และการผลัดกันพูดที่วัดผลได้ดีที่สุด ในราคาพรีเมียมที่คุณควรจำลองก่อนตัดสินใจ

อย่าตัดสินจากคะแนนดัชนีเพียงอย่างเดียว Max ไม่มีคะแนนดังกล่าว และนั่นไม่ใช่การตำหนิคุณภาพของ Max; มันเป็นข้อความเกี่ยวกับว่าพฤติกรรมของ Max ยังมีอีกมากเพียงใดที่ยังไม่ได้วัด ค่าตัวเลขหนึ่งเดียวที่จะเปลี่ยนการเปรียบเทียบนี้คือการรัน τ-Voice บน Max หากได้สูงกว่า 68.6% ของ G​emini — ตัวแปร Extended Thinking ไม่ใช่รุ่นมาตรฐาน — พรีเมียมของ E​levenLabs ก็เริ่มดูเหมือนกรมธรรม์ประกันมากกว่าภาษี จนกว่าจะได้ผลลัพธ์นั้น โมเดลที่เร็วกว่าคือโมเดลที่มีอะไรต้องพิสูจน์มากกว่า