Eleven Realtime v1 Max กับ SeedRealtime: ตัวหนึ่งมีราคาและหกเบนช์มาร์ก อีกตัวมีเดโม
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 12 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 139 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 952 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 51 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 829 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 47 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 94 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
Eleven Realtime v1 Max เป็นโมเดลแปลงเสียงเป็นเสียงที่เรียกใช้งานได้ พร้อม endpoint ที่มีเอกสารกำกับ มีผลการทดสอบมาตรฐานที่เผยแพร่แล้วหกผล และมีต้นทุนที่ปรับให้เป็นมาตรฐานอยู่ที่ 4.80 ดอลลาร์ต่อชั่วโมงเสียง ส่วน SeedRealtime เป็นโมเดลแบบฟูลดูเพล็กซ์ด้านเสียงและภาพของ ByteDance Seed ซึ่งประกาศเมื่อวันที่ 5 สิงหาคม 2026 และไม่มี API ไม่มีเวต ไม่มีรายงานทางเทคนิค ไม่มีจำนวนพารามิเตอร์ และไม่มีราคา การเปรียบเทียบดูเหมือนจะได้ข้อสรุปตั้งแต่ยังไม่เริ่ม — แล้วคุณก็จะสังเกตเห็นว่าผลการทดสอบของโมเดล ElevenLabs ก็ขาดไปหนึ่งรายการเช่นกัน และรายการที่ขาดไปนั้นเป็นหลักฐานประเภทเดียวกับที่ ByteDance ไม่เคยเผยแพร่ เหตุการณ์ด้าน AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มาของตัวเอง ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง
นั่นคือรูปร่างที่แท้จริงของแมตช์อัปนี้ โมเดลทั้งสองถูกขายด้วยข้ออ้างว่าการผลัดกันพูดควรอยู่ภายในโมเดล มากกว่าอยู่ในตัวตรวจวัดเสียงพูด (voice-activity detector) ที่ติดตั้งเพิ่มจากภายนอก ทั้งคู่ขอให้คุณเชื่อในพฤติกรรมที่คุณตัดสินได้เพียงด้วยการพูดคุยกับพวกมัน ElevenLabs ตอบสิ่งนั้นด้วยชุดทดสอบประเมินจากบุคคลที่สามและตัวเลขต้นทุนต่อชั่วโมง ByteDance ตอบด้วยการศึกษาความชอบภายในเพียงชิ้นเดียว หนึ่งในนั้นใช้งานได้; ไม่มีอันไหนสมบูรณ์
แต่ละอันกล่าวอ้างอะไรจริง ๆ บ้าง
Eleven Realtime v1 Max รวมสี่ขั้นตอนไว้ในเครือข่ายเดียว ได้แก่ การรู้จำเสียง การผลัดกันพูด การให้เหตุผล และการสร้างเสียง คำโฆษณาของ ElevenLabs คือการปรับแต่งสิ่งเหล่านี้ร่วมกันจะขจัดรอยต่อที่ระบบแบบคาสเคดทิ้งไว้ เช่น ช่วงครึ่งวินาทีที่เงียบสนิทหลังจากผู้โทรหยุดพูด เอเจนต์ที่พูดแทรกขณะอีกฝ่ายกำลังพูดขัด และช่องว่างระหว่างสิ่งที่ได้ยินกับสิ่งที่พูดตอบกลับไป Max เพิ่มขั้นตอนการให้เหตุผลเข้าในการออกแบบนี้ และถูกวางตำแหน่งสำหรับงานที่ซับซ้อนและการเรียกใช้เครื่องมือหลายขั้นตอน ส่วนรุ่นพี่น้องอย่าง Eleven Realtime v1 Mini เป็นเวอร์ชันสนทนาราคาประหยัด และเป็นสิ่งที่เอเจนต์ ElevenAgents ใหม่ทุกตัวได้รับเป็นค่าเริ่มต้น
SeedRealtimeไปได้ไกลกว่าด้านมอดัลลิตีและไปได้น้อยกว่าในทุกด้านอื่น ๆ สถาปัตยกรรมแบบเอนด์ทูเอนด์เดียวของโมเดล ByteDance รวมเสียง วิดีโอ และข้อความไว้ด้วยกัน ซึ่งหมายความว่ามันสามารถดู ฟัง และพูดได้พร้อมกัน แทนที่จะต้องต่อโมเดลวิชันเข้ากับโมเดล ASR ต่อกับโมเดลภาษา แล้วต่อกับเสียง พฤติกรรมที่สาธิตได้คือสิ่งที่ระบบสองมอดัลลิตีสร้างไม่ได้: การผูกเสียงเข้ากับใบหน้าในการสนทนากลุ่มที่มีเสียงรบกวน เพื่อให้โมเดลติดตามได้ว่าใครพูดอะไร การเอ่ยขึ้นมาเองโดยไม่ถูกกระตุ้นเมื่อวัตถุเป้าหมายเข้ามาในเฟรม และสถานการณ์อย่างมัคคุเทศก์ในพิพิธภัณฑ์หรือการซ่อมอุปกรณ์ที่โมเดลต้องเห็นสิ่งที่คุณกำลังมองอยู่
เสียงรวมวิดีโอเป็นปัญหาที่ยากกว่าเสียงรวมข้อความ และ SeedRealtime กำลังพยายามจัดการกับปัญหาที่ยากกว่านั้น ซึ่งควรกล่าวไว้อย่างตรงไปตรงมาก่อนที่ส่วนที่เหลือของบทความนี้จะอธิบายว่าทำไมคุณจึงยังใช้มันไม่ได้
หลักฐาน เมื่อชั่งน้ำหนักอย่างตรงไปตรงมา
Artificial Analysis ดำเนินการทดสอบการให้เหตุผลด้านเสียงและการทดสอบพลวัตการสนทนากับโมเดลในหมวดหมู่นี้ โดยได้ทดสอบกับ Eleven Realtime v1 Max แล้ว แต่ยังไม่ได้ทดสอบกับ SeedRealtime และไม่สามารถทำได้ — ไม่มีเอนด์พอยต์ให้เรียกใช้
• การให้เหตุผลด้านเสียงพูด (Big Bench Audio) — Eleven Realtime v1 Max 98.8% เทียบกับ SeedRealtime ที่ยังไม่เผยแพร่
• พลวัตการสนทนา (Full-Duplex-Bench) — สูงสุด 94.1% เทียบกับ SeedRealtime ที่ไม่เผยแพร่
• อัตราความสำเร็จของงาน — สูงสุด 87.1% เทียบกับ SeedRealtime ที่ไม่เปิดเผย
• การตั้งค่า Arena (Elo) — Max 997 เทียบกับ SeedRealtime ที่ยังไม่เผยแพร่
• ประสิทธิภาพด้าน Agentic (τ-Voice) — Max ยังไม่ได้วัด เทียบกับ SeedRealtime ที่ยังไม่เผยแพร่
• เวลาถึงเสียงแรก — สูงสุด 0.57 วินาที เทียบกับ SeedRealtime ที่ไม่มีตัวเลขความหน่วงเป็นมิลลิวินาที
• ค่าใช้จ่ายต่อชั่วโมงของเสียงอินพุต — สูงสุด $4.80 เทียบกับ SeedRealtime ที่ไม่มีข้อเสนอเชิงพาณิชย์
• รูปแบบอินพุต — Max รองรับเสียงและข้อความ เทียบกับ SeedRealtime รองรับเสียง วิดีโอ และข้อความ
แถวเดียวที่ SeedRealtime นำอยู่คือแถวที่ไม่มีใครซื้อได้ ตัวเลขสาธารณะเดียวที่ ByteDance เคยเสนอคือการประเมินโดยมนุษย์แบบ end-to-end ที่อ้างว่า SeedRealtime ลดปัญหาจังหวะการสนทนาของระบบแบบ cascaded ที่ใช้ ASR บวก vision บวก TTS ลงครึ่งหนึ่ง — มีการตัดบทน้อยลง มีการทริกเกอร์ผิดพลาดน้อยลง คำตอบช้าลงและเป็นธรรมชาติมากขึ้น ไม่มีขนาดตัวอย่าง ไม่มีระเบียบวิธี ไม่มีจำนวนผู้ประเมิน ไม่มีค่า latency เป็นมิลลิวินาที รายงานอีกฉบับอ้างถึงความลื่นไหลที่ดีขึ้น 12% เมื่อเทียบกับโมเดลก่อนหน้าของทีม นั่นคือฐานหลักฐานทั้งหมด
ตอนนี้มาถึงส่วนที่ตรงไปตรงมาจากอีกฝั่งกันบ้าง แถว τ-Voice ของ Max ว่างเปล่า ซึ่งสำคัญเพราะ Max คือโมเดลที่ ElevenLabs ขายสำหรับการทำภารกิจให้สำเร็จ คะแนนการให้เหตุผล 98.8% ของมันวัดจากคำถามเสียง 1,000 ข้อ ไม่ใช่จากการโทรหาศูนย์บริการลูกค้าที่มีเครื่องมือและเอกสารนโยบาย ดังนั้น ElevenLabs มีตัวเลขหกตัวกับช่องโหว่หนึ่งช่อง ในขณะที่ ByteDance มีตัวเลขหนึ่งตัวและไม่มี endpoint — รูปแบบความล้มเหลวต่างกัน แต่สถานการณ์พื้นฐานเดียวกัน: สิ่งที่แต่ละโมเดลถูกทำการตลาดด้วยไม่ใช่สิ่งเดียวกับที่แต่ละโมเดลถูกวัด
ทำไมสถาปัตยกรรมจึงสำคัญกว่าการจับคู่
เมื่อปีที่แล้ว วอยซ์เอเจนต์เป็นเพียงไปป์ไลน์ที่มีออร์เคสเตรเตอร์คอยกำกับอยู่ด้านบน ต้องมีคนตัดสินใจว่าผู้ใช้พูดจบเมื่อใด ส่งทรานสคริปต์ไปยังโมเดลภาษา รอโทเคน แล้วส่งข้อความต่อให้ตัวสังเคราะห์เสียงซึ่งต้องฟังดูราวกับเป็นส่วนหนึ่งของการสนทนามาตลอด ทุกขั้นตอนเพิ่มความหน่วง และทุกการส่งต่อเพิ่มรอยต่อ
ทั้งสองโมเดลนี้เป็นการเดิมพันว่าปัญหาอยู่ที่รอยต่อ คำตอบของ Eleven Realtime คือการรวมขั้นตอนฝั่งเสียง ได้แก่ การฟัง การผลัดกันพูด การคิด และการพูด เข้าเป็นเครือข่ายเดียว และคงโมเดลให้เป็นเสียงล้วน ส่วนคำตอบของ SeedRealtime คือการรวมขั้นตอนเหล่านั้นแล้วเพิ่มการมองเห็น เพื่อให้โมเดลระบุได้ว่า “อันนี้” หมายถึงอะไรจากการชี้มือ หรือรู้ตัวว่าคนที่กำลังคุยด้วยเดินจากไปแล้ว
การแลกเปลี่ยนนี้มองเห็นได้ชัดจากสเปก Eleven Realtime Max ตอบใน 0.57 วินาที และได้คะแนน 98.8% ในการทดสอบการให้เหตุผลด้วยอินพุตเสียงเท่านั้น คำกล่าวอ้างของ SeedRealtime คืออินพุตที่กว้างกว่า และโดยนัยคือมีบริบทต่อเทิร์นมากกว่า ต้นทุนของมันคือการให้บริการฟูลดูเพล็กซ์แบบภาพมีค่าใช้จ่ายสูง ซึ่งเป็นเหตุผลที่เป็นไปได้ว่าแอปสำหรับผู้บริโภคเป็นที่เดียวที่มันถูกปล่อยออกมา ทั้งสองบริษัทไม่ได้เผยแพร่ตัวเลขความหน่วงที่ทำให้การเปรียบเทียบเป็นเชิงปริมาณ และมีเพียงบริษัทเดียวเท่านั้นที่เผยแพร่สิ่งใดก็ตามที่บุคคลที่สามสามารถตรวจสอบได้
The ByteDance endpoint ที่มีอยู่แต่ไม่ใช่โมเดลนี้
นี่คือข้อผิดพลาดที่ควรค่าแก่การหลีกเลี่ยง เพราะเกิดขึ้นได้ง่ายและมีต้นทุนสูงในการค้นพบ Volcano Engine ซึ่งเป็นหน่วยธุรกิจคลาวด์ของ ByteDance ได้จัดทำเอกสารสำหรับผลิตภัณฑ์เสียงแบบเรียลไทม์อีกผลิตภัณฑ์หนึ่ง — โมเดลเสียงเรียลไทม์ Doubao 3.0 — ซึ่งเข้าถึงได้ผ่าน endpoint ของ WebSocket ด้วยคีย์ API จากคอนโซล รองรับอินพุต PCM 16 kHz หรือ Opus และส่งออกเสียง 24 kHz โดยใช้โปรโตคอลเหตุการณ์แบบเรียลไทม์
那就是来自同一公司、同一产品领域的开发者 API，而且它不是 SeedRealtime。它仅支持音频：没有视频、没有人脸绑定，也没有视觉 grounding。它是一个独立模型，拥有自己的发布历史。那些去寻找 ByteDance 实时语音 API 的团队会找到那份文档，并基于它进行集成，然后相信自己正在使用报道中所说的模型。Volcano Engine 尚未公布音频视觉模型 endpoint 的日期。任何向你提供 SeedRealtime 访问权限的列表，提供的都是别的东西。
สิ่งนี้หมายความว่าอย่างไรหากคุณมีผลิตภัณฑ์ที่ต้องจัดส่ง
ไม่มีการตัดสินใจใด ๆ ที่ต้องทำระหว่างสองตัวนี้สำหรับงานโปรดักชันในไตรมาสนี้ Eleven Realtime v1 Max สามารถเรียกใช้งานได้แล้วผ่าน ElevenAgents หรือ Realtime API ที่เข้ากันได้กับ OpenAI ที่ wss://api.elevenlabs.io/v1/convai/realtime และ SeedRealtime เป็นหมุดหมายด้านการวิจัยภายในแอปโทรศัพท์ในประเทศจีน
การตัดสินใจที่มีอยู่จริงคือจะสร้างระบบโดยรอบสิ่งนั้นอย่างไร Realtime API ของ ElevenLabs เป็นแบบ WebSocket-only เมื่อเปิดตัว — ไม่มี WebRTC — และเป็นผลิตภัณฑ์แยกต่างหากจาก ElevenAgents ดังนั้นความสามารถด้านโทรศัพท์ WhatsApp ฐานความรู้ guardrails และการตรวจสอบจะมาพร้อมกับฝั่งแพลตฟอร์มเท่านั้น Max ยังไม่มีการเสนอในสภาพแวดล้อม data residency ของอินเดียและสิงคโปร์ และต้องใช้ขีดจำกัดโทเคนอย่างน้อย 1,024; ส่วน Mini น่าแปลกที่รองรับอินเดียและสิงคโปร์ แต่ไม่รองรับ Zero Retention Mode หรือ HIPAA ซึ่ง Max รองรับในสหรัฐฯ และ EU
จุดที่ OrcaRouter เข้ามาเกี่ยวข้องไม่ใช่ชั้นเสียง เราไม่ได้โฮสต์ eleven_realtime_v1_max และไม่มี third-party endpoint สำหรับมัน สิ่งที่เราโฮสต์คือทุกสิ่งที่เอเจนต์รูปแบบนี้เรียกใช้รอบโมเดล: โมเดล 209 รายการจากผู้ให้บริการต้นทาง 16 รายภายใต้คีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อม failover อัตโนมัติเมื่อผู้ให้บริการเกิดข้อผิดพลาดหรือหมดเวลา ครึ่งหนึ่งที่มีต้นทุนสูงและแปรผันของ voice agent คือการดึงข้อมูล (retrieval) และการให้เหตุผล (reasoning) ที่มันมอบหมายให้ทำ ครึ่งนั้นสามารถสลับได้โดยไม่ต้องแตะลูปเสียง และเป็นจุดที่การปรับแต่งหนึ่งสัปดาห์ให้ผลตอบแทนคุ้มค่า
อะไรจะเปลี่ยนสิ่งนี้
การมี API สำหรับ SeedRealtime จะทำให้สิ่งนี้เป็นการเปรียบเทียบที่แท้จริง และไม่ใช่เพียงเพราะวิดีโอเท่านั้น endpoint ที่เรียกใช้งานได้จะช่วยให้ Artificial Analysis นำโมเดลไปวางบนชุดทดสอบสี่ส่วนแบบเดียวกับที่ใช้กับรายอื่นๆ ซึ่งเป็นเส้นทางเดียวที่จะได้ตัวเลขที่มีความหมายข้ามผู้จำหน่าย รายงานทางเทคนิคก็จะทำหน้าที่ส่วนใหญ่ได้เช่นเดียวกัน
ในฝั่ง ElevenLabs ชิ้นส่วนที่ยังขาดอยู่คือการรัน τ-Voice บน Max เมื่อสิ่งนั้นเกิดขึ้นจริง ในที่สุดวงการนี้ก็จะมีตัวเลขเชิงเอเจนต์ที่เทียบกันได้แบบยุติธรรมสำหรับโมเดลที่ ElevenLabs ทำการตลาดว่าเป็นตัวที่เน้นงานเป็นหลัก จนถึงตอนนั้น สรุปก็ออกจะไม่หรูหรา: หนึ่งในโมเดลเหล่านี้คุณเรียกใช้ วัดผล ตั้งราคา และส่งมอบได้ ส่วนอีกหนึ่งโมเดลคุณได้แต่เฝ้าดู และช่องว่างระหว่างสองตำแหน่งนั้นใหญ่กว่าช่องว่างระหว่างสถาปัตยกรรมของทั้งสอง
