Eleven Realtime v1 Max vs GPT-Live-1: ช่องว่างบน Benchmark ที่เป็นผลเสียต่อ ElevenLabs

ข่าวประชาสัมพันธ์ของ Eleven Realtime v1 Max ชูจุดเด่นด้วย 98.8% บน Big Bench Audio และการตอบสนองใน 0.57 วินาที ตัวเลขทั้งสองเป็นความจริง ทั้งคู่ดีที่สุดในระดับของตน และทั้งคู่ก็ไม่ใช่ประเด็นเมื่อเปรียบเทียบกับ GPT-Live-1 — เพราะ benchmark ที่ชี้ขาด voice agent ในการใช้งานจริงไม่ใช่ speech reasoning และในด้านนั้น โมเดลของ OpenAI ชนะด้วยส่วนต่างที่มากพอจะกลบความได้เปรียบ 0.7 วินาทีที่ ElevenLabs กำลังขายอยู่เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีบันทึกไว้ ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความมั่นใจ และธงข้อโต้แย้งของตัวเอง

รันฮาร์เนส Artificial Analysis ชุดเดียวกันกับทั้งสองระบบ และผลการแบ่งแยกก็ชัดเจน Eleven Realtime v1 Max นำด้านการให้เหตุผลจากเสียงพูด 98.8% ต่อ 89% และด้านความเร็ว 0.57 วินาทีต่อ 1.24 วินาที G​PT-Live-1 นำด้านการทำภารกิจแบบเอเจนต์ให้สำเร็จ 59.3% ต่อไม่ได้วัดค่า ด้านพลวัตการสนทนา 97.3% ต่อ 94.1% ด้านการถูกเลือกในอารีนา 1,047 Elo ต่อ 997 ด้านความสำเร็จของภารกิจ 90.9% ต่อ 87.1% และด้านดัชนีรวม 80.1 ต่อไม่มีค่าเลย

ตัวเลขสุดท้ายนั้นไม่ใช่เพียงสำนวนเปรียบเทียบ Eleven Realtime v1 Max ไม่มีคะแนน Speech to Speech Index เพราะดัชนีนี้ต้องใช้ทั้งสี่องค์ประกอบ และการรันแบบ agentic ของ τ-Voice ยังไม่ได้รับการเผยแพร่สำหรับโมเดลนี้ G​PT-Live-1 มีคะแนนดัชนี และเป็นคะแนนสูงสุดบนกระดาน

สกอร์บอร์ดแบบเต็ม เทียบเคียงกัน

ทุกแถวเป็นการวัดของ Artificial Analysis ด้วยฮาร์เนสของตนเอง เว้นแต่จะระบุไว้เป็นอย่างอื่น ตัวเลขของ Eleven Realtime มาจากประกาศเมื่อวันที่ 20 ตุลาคม 2026 ส่วนความพร้อมใช้งาน API ของ GPT-Live-1 มีมาตั้งแต่วันที่ 10 กันยายน 2026 โดยตัวโมเดลเองเปิดให้ใช้งานใน ChatGPT เมื่อวันที่ 8 กรกฎาคม

• ดัชนี Speech to Speech — Eleven Realtime v1 Max ไม่ได้ให้คะแนน เทียบกับ GPT-Live-1 (Sol, low) 80.1

• การให้เหตุผลด้านเสียง (Big Bench Audio) — Max 98.8% เทียบกับ GPT-Live-1 89%

• ประสิทธิภาพแบบเอเจนต์ (τ-Voice) — Max ไม่ได้วัดเมื่อเทียบกับ G​PT-Live-1 59.3%

• พลวัตการสนทนา — Max 94.1% เทียบกับ G​PT-Live-1 97.3%

• อัตราความสำเร็จของงาน — Max 87.1% เทียบกับ G​PT-Live-1 90.9%

• ความชอบในอารีนา (Elo) — Max 997 เทียบกับ G​PT-Live-1 1,047

• ระยะเวลาถึงเสียงแรก — สูงสุด 0.57 วินาที เทียบกับ G​PT-Live-1 1.24 วินาที

ต้นทุนต่อชั่วโมงของเสียงอินพุต — Max $4.80 เทียบกับ G​PT-Live-1 $4.47

• การรับส่ง — Max WebSocket เท่านั้นเมื่อเปิดตัว เทียบกับ GPT-Live-1 WebRTC เท่านั้น

มีแถวหนึ่งที่ใกล้เคียงกว่าที่พาดหัวข่าวบอกไว้: ต้นทุน $4.80 เทียบกับ $4.47 ต่อชั่วโมงเสียง ทำให้สองโมเดลนี้อยู่ในช่วงราคาเดียวกัน ซึ่งตรงข้ามกับเรื่องราวที่คุณได้จากการเปรียบเทียบ Eleven Realtime กับ G​emini 3.8 Live ที่ $0.84 ในการเปรียบเทียบกับ O​penAI ส่วนต่างราคาพรีเมียมของ E​levenLabs อยู่ที่ 7%

ทำไมคะแนนการให้เหตุผลจึงชี้ไปผิดทาง

Big Bench Audio คือชุดคำถามเสียง 1,000 ข้อที่ดัดแปลงมาจาก Big Bench Hard ครอบคลุมสี่หมวดหมู่ ได้แก่ ตรรกวิบัติเชิงรูปแบบ การนำทาง การนับวัตถุ และชุดโจทย์ปัญหาคำแบบบูลีน โมเดลจะได้ยินคำถามและตอบออกเสียง จากนั้นคำตอบจะถูกตรวจให้คะแนนว่าถูกหรือผิด ชุดนี้วัดว่าโมเดลให้เหตุผลเกี่ยวกับเนื้อหาเสียงได้ดีเพียงใด ซึ่งไม่เหมือนกับการวัดว่าโมเดลสนทนาได้ดีหรือทำงานหนึ่ง ๆ ได้สำเร็จเพียงใด

คะแนน 98.8% ของ Max ทำให้อยู่อันดับสามในตารางอันดับนั้น ตามหลัง StepAudio 3 Realtime (100%) และ Q​wen Audio 3.0 Realtime Plus (99.2%) และนำหน้า Qwen3.5 Omni Plus Realtime (98.7%) และ G​rok Voice 3.0 (98.5%) ส่วน 89% ของ G​PT-Live-1 อยู่อันดับสิบสอง หากงานของเอเจนต์ของคุณคือการฟังคำอธิบายแบบพูดยาว ๆ แล้วตอบคำถามเกี่ยวกับคำอธิบายนั้น ช่องว่างเก้าจุดนั้นถือว่ามีนัยสำคัญ และ E​levenLabs เป็นตัวเลือกที่น่าซื้อกว่า

แต่ E​levenLabs ไม่ได้ขาย Max สำหรับเรื่องนั้น หน้าเพจของบริษัทเองวางตำแหน่ง Max ไว้สำหรับ "งานที่ซับซ้อน" ด้วย "การใช้เครื่องมือหลายขั้นตอน" — การสนับสนุนลูกค้า การคัดกรองลีด และการช่วยจัดตารางเวลา นั่นคือพื้นที่ของ τ-Voice และ τ-Voice คือที่ที่ Max ไม่มีค่าตัวเลข และ G​PT-Live-1 มี 59.3%

ตัวเลขของ OpenAI เองก็ต้องมีข้อแม้ของตัวเองเช่นกัน และเอกสารของ OpenAI เองก็ให้ข้อแม้นั้นไว้: หลักฐานการนำไปใช้งานจริงที่เผยแพร่นั้นมีน้อยมาก เบนช์มาร์กการสนับสนุนด้วยเสียงในธนาคารที่ OpenAI รายงานตอนเปิดตัว API ให้อัตราผ่านของ GPT-Live-1 อยู่ที่ 32% เทียบกับ 12.4% ของ GPT-Realtime-2.1 อัตราผ่าน 32% เป็นการปรับปรุงครั้งใหญ่ และยังหมายความว่าระบบล้มเหลวในสองในสามของเวิร์กโฟลว์ที่มีการกำกับดูแล ตัวเลข τ-Voice ของ Artificial Analysis มีประโยชน์กว่าเพราะรันบนชุดทดสอบมาตรฐานเดียวกัน แต่มันเป็นคะแนนกลางตาราง ไม่ใช่การสถาปนาขึ้นเป็นผู้ครองบัลลังก์

ในจุดที่ข้อได้เปรียบของ G​PT-Live-1 เป็นเชิงโครงสร้าง ไม่ใช่เพียงเล็กน้อย

ช่องว่าง 3.2 จุดในด้านพลวัตการสนทนา และช่องว่าง 50 จุดใน Elo ของอารีนา มาจากการตัดสินใจเชิงสถาปัตยกรรมที่ E​levenLabs ไม่ได้เลือกทำ G​PT-Live-1 เป็นฟูลดูเพล็กซ์ในความหมายเคร่งครัด: มันฟังและพูดบนไทม์ไลน์เดียวกัน และเมื่อผู้โทรถามสิ่งที่ต้องใช้การทำงานจริง มันจะส่งงานข้ามขอบเขตแบบอะซิงโครนัสไปยังโมเดลแบ็กเอนด์แยกต่างหากที่คิดต่อไปเรื่อย ๆ ขณะที่บทสนทนาที่พูดยังดำเนินอยู่ ชั้นเสียงเป็นเพียงฟรอนต์เอนด์ การให้เหตุผลเกิดขึ้นที่อื่นและพับกลับมาเมื่อพร้อม

การออกแบบนั้นเป็นเหตุผลที่ G​PT-Live-1 สามารถเรียกใช้เครื่องมือได้โดยที่สายไม่เงียบไป และยังเป็นเหตุผลที่คะแนนด้านการให้เหตุผลของมันต่ำกว่า: โมเดลที่ตอบคำถาม Big Bench ไม่ใช่โมเดลเดียวกับที่คิดเชิงลึกในเซสชันจริง Eleven Realtime Max เดิมพันในทางตรงกันข้าม เครือข่ายเดียวทำหน้าที่รู้จำ จัดการการผลัดกันพูด ให้เหตุผล และเสียง ซึ่งเป็นสิ่งที่ทำให้ได้เวลา 0.57 วินาที — ไม่มีการส่งต่อที่ต้องรอ — และเป็นสิ่งที่จำกัดว่าการให้เหตุผลจะเกิดขึ้นได้มากเพียงใดก่อนที่ผู้โทรจะสังเกตเห็นความเงียบ

การเลือกทางไหนจะถูกต้อง ขึ้นอยู่กับว่างบความหน่วงหรืองบการทำภารกิจให้เสร็จของคุณตึงกว่ากัน สำหรับเอเจนต์จัดตารางที่ต้องตรวจปฏิทิน ยืนยันช่วงเวลา และบันทึกข้อมูล โมเดลแบบส่งต่อจะชนะด้านการทำภารกิจให้สำเร็จ สำหรับติวเตอร์ที่ต้องตอบคำถามด้วยเสียงในลมหายใจเดียว โมเดลแบบรวมจะชนะด้านความรู้สึกในการใช้งาน

รายละเอียดด้านการเรียกเก็บเงินและการขนส่งที่เป็นตัวกำหนดการผสานรวม

G​PT-Live-1 คิดค่าบริการเหมาจ่าย $0.05 ต่อนาทีสำหรับเสียง โดยคิดตามวินาที โดยการเริ่มต้นเซสชันจะคิดเงิน 15 วินาทีล่วงหน้าและนำไปหักจากระยะเวลาที่ใช้ในภายหลัง โมเดลการให้เหตุผลเบื้องหลังจะคิดค่าบริการแยกตามอัตราปกติของตัวเอง ดังนั้นชั้นเสียงราคาถูกก็ยังทำให้การเรียกมีค่าใช้จ่ายสูงได้ OrcaRouter ไม่สามารถกำหนดเส้นทางชั้นเสียงได้ — เอนด์พอยต์ Live Sessions ที่ v1/live/sessions เป็นของ O​penAI เท่านั้น — แต่ครึ่งหลังเป็นเพียงการเรียกโมเดลอีกครั้ง และบน OrcaRouter นั่นคือ 209 โมเดลจาก 16 ผู้ให้บริการบนคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม พร้อมการสลับไปใช้ตัวสำรองหากแบ็กเอนด์ที่คุณเลือกเกิดข้อผิดพลาดระหว่างการเรียก.

Eleven Realtime คิดค่าบริการในทางกลับกัน: ElevenAgents มาตรฐานคิดรายนาที บวกโทเค็นอินพุต โทเค็นอินพุตที่แคชไว้ และโทเค็นเอาต์พุตในอัตราของโมเดล Realtime โดย Max มีค่าใช้จ่ายต่อโทเค็นสูงกว่า Mini อัตราค่าบริการรายนาทีของทั้งสองโมเดลไม่ได้เผยแพร่บนหน้าค่าบริการของ E​levenLabs; แดชบอร์ดแสดงค่าประมาณ และ $4.80 ของ Artificial Analysis เป็นตัวเลขที่ปรับมาตรฐานแล้ว ไม่ใช่ราคาตามรายการ

Transport คือความไม่สมมาตรที่ชัดกว่า API ของ Eleven Realtime เข้ากันได้กับ OpenAI Realtime ผ่าน WebSocket — ตัวอย่างในเอกสารเองนำเข้า OpenAIRealtimeWebSocket จาก @openai/agents-realtime และชี้ไปที่ wss://api.elevenlabs.io/v1/convai/realtime ส่วน GPT-Live-1 รองรับเฉพาะ WebRTC และเมื่อทดลองเรียกเส้นทาง Realtime แบบเก่าด้วย ID โมเดล GPT-Live จะได้ข้อผิดพลาดที่ระบุว่าเซสชันต้องใช้ WebRTC ดังนั้นความเข้ากันได้จึงเป็นแบบทางเดียว: ไคลเอนต์ OpenAI Realtime ย้ายไป ElevenLabs ได้โดยเปลี่ยน endpoint แต่ไคลเอนต์ OpenAI Realtime ไม่สามารถย้ายไป GPT-Live-1 ได้หากไม่เขียน transport ใหม่ ทีมที่ย้ายไป GPT-Live-1 ต้องเขียนแฮนด์เชก RTCPeerConnection, data channel ชื่อ oai-events และการแลกเปลี่ยน offer ฝั่งเซิร์ฟเวอร์ ส่วนทีมที่ย้ายไป Eleven Realtime เพียงแก้สตริงสองค่า

ข้อควรระวังในการทยอยเปิดใช้งานในฝั่งของ ElevenLabs

เอกสารของ ElevenLabs ระบุข้อจำกัดเพิ่มเติมที่ไม่มีบทความเกี่ยวกับการเปิดตัวใดกล่าวถึง:

• ความพร้อมใช้งาน — โมเดล Realtime กำลัง "ทยอยเปิดให้ใช้งาน"; เวิร์กสเปซที่ไม่มีการตั้งค่า Voice mode จะได้รับข้อความ “Realtime models are not available for this workspace” กลับมาจาก API

• ถิ่นที่อยู่ของข้อมูล — Max พร้อมให้บริการในสหรัฐฯ และสหภาพยุโรป แต่ไม่ให้บริการในอินเดียหรือสิงคโปร์ ซึ่งมีเพียง Mini เท่านั้นที่ให้บริการ

• การปฏิบัติตามข้อกำหนด — Zero Retention Mode และการรองรับ HIPAA มีเฉพาะใน Max ในสหรัฐฯ และสหภาพยุโรป; Mini ไม่รองรับทั้งสองอย่าง

• การตั้งค่าที่ระบบจัดการ — LLM, ระดับความพยายามในการใช้เหตุผล, งบประมาณการคิด, การเรียกใช้เครื่องมือแบบขนาน, โมเดล TTS, โหมดแสดงออก และผู้ให้บริการ ASR ทั้งหมดถูกควบคุมโดย ElevenLabs ในขณะที่มีการตั้งค่าโมเดล Realtime และโหนดในเวิร์กโฟลว์ไม่สามารถเขียนทับค่าเหล่านี้ได้

• LLM แบบกำหนดเอง — โหมดเรียลไทม์ไม่พร้อมใช้งานในขณะที่เอเจนต์ใช้ LLM แบบกำหนดเองหรือ Amazon Bedrock

ข้อจำกัดของ GPT-Live-1 เองนั้นเข้มงวดกว่าในแง่หนึ่งและผ่อนปรนกว่าในอีกแง่หนึ่ง: มันไม่มี Chat Completions, ไม่มี Responses, ไม่มีเลเยอร์ความเข้ากันได้กับ Realtime, ไม่มีการ fine-tuning และไม่มีอินพุตรูปภาพหรือวิดีโอ แต่ขีดจำกัดตามระดับของมันกำหนดเป็นจำนวนเซสชันพร้อมกัน — 25 ใน Tier 1 เพิ่มขึ้นเป็น 500 ใน Tier 5 — แทนที่จะเป็นจำนวนคำขอต่อนาที

ใครควรเลือกอันไหน

เลือก G​PT-Live-1 เมื่อเอเจนต์ต้องทำงานให้เสร็จสิ้น: การจอง การเปลี่ยนแปลง การคืนเงิน หรือสิ่งใดก็ตามที่จบลงด้วยการเขียนลงฐานข้อมูล โดยมีอัตราความสำเร็จของงานที่สูงกว่า ความชอบในอารีนาที่สูงกว่า ดัชนีคอมโพสิตที่สูงกว่า และต้นทุนต่อชั่วโมงที่ต่ำกว่า และเป็นเพียงหนึ่งเดียวในสองตัวที่มีคะแนนเอเจนติกที่เผยแพร่แล้ว จัดงบประมาณสำหรับการเขียน WebRTC ใหม่ และสำหรับบิลแยกต่างหากของโมเดลแบ็กเอนด์

เลือก Eleven Realtime v1 Maxเมื่อบทสนทนาเป็นตัวผลิตภัณฑ์ และการให้เหตุผลยังตื้นเขิน: ติวเตอร์ ตัวละคร หรือสายซัพพอร์ตที่เรื่องร้องเรียนถูกพูดกลบ คุณจะได้ตัวให้เหตุผลที่แข็งแกร่งและเร็วที่สุดในตลาด การย้ายจากการผสานรวม O​penAI Realtime เดิมที่ง่ายที่สุด และราคาที่สูงกว่า G​PT-Live-1 อยู่ 7% แทนที่จะสูงกว่า G​emini ถึง 5.7 เท่า คุณยอมรับว่าพฤติกรรมแบบเอเจนต์ของมันยังไม่ได้ถูกวัด และการเปิดตัวยังเป็นเพียงบางส่วน

ผลลัพธ์ที่จะพลิกบทความชิ้นนี้คือคะแนน τ-Voice ของ Max E​levenLabs กำลังขอให้ไว้วางใจในฐานะโมเดลที่ทำงานเสร็จตามงาน โดยอาศัยความแข็งแกร่งของ benchmark ด้านการให้เหตุผล; benchmark สำหรับงานนั้นมีอยู่แล้ว มันถูกทดสอบกับโมเดลเสียงอื่นอีกสิบตัว และยังไม่ได้ถูกทดสอบกับโมเดลนี้ นั่นคือช่องว่างในหลักฐาน ไม่ใช่ในตัวโมเดล — แต่เป็นช่องว่างที่กำหนดว่าคุณควรนำตัวไหนในสองตัวนี้ไปเสนอต่อหน้าลูกค้าที่จ่ายเงิน