การ์ดชื่อเรื่องที่สร้างขึ้นสำหรับ MAI Realtime 1 เทียบกับ Eleven Realtime Max แสดงช่องว่างราคาแปดเท่าที่ $0.01 เทียบกับ $0.08 ต่อนาทีเสียง โดยอัตราการปรับขึ้นถูกระบุว่ายังไม่เผยแพร่ พร้อมโลโก้ OrcaRouter
Guides & Insights

MAI Realtime 1 กับ Eleven Realtime Max: ช่องว่างราคาถึงแปดเท่า และตัวเลขเพียงตัวเดียวที่ชี้ขาด

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

อัตราที่ประกาศไว้ทำให้เรื่องนี้ดูเหมือนยุติแล้ว MAI Realtime 1 มีค่าใช้จ่าย $0.01 ต่อนาทีเสียง Eleven Realtime Max — โมเดล speech-to-speech ระดับสูงสุดของ ElevenLabs ซึ่งระบุชื่อว่า Realtime v1 Max — มีค่าใช้จ่ายประมาณ $4.80 ต่อชั่วโมงตามการปรับมาตรฐานอิสระของ Artificial Analysis ซึ่งเท่ากับ $0.08 ต่อนาที แปดต่อหนึ่ง ก่อนที่คุณจะนับสิ่งอื่นใด การเปรียบเทียบนี้ยังทำให้เข้าใจผิดในเชิงเลขคณิตอย่างเฉพาะเจาะจง และเลขคณิตนั้นคือเนื้อหาทั้งหมดของบทความนี้: MAI Realtime 1 คิดค่าบริการโมเดลการให้เหตุผลตัวที่สองซึ่งคิดราคาตามโทเค็นเพิ่มจากอัตราต่อนาที และไม่มีใครนอก Microsoft ที่เผยแพร่ว่ามิเตอร์ตัวที่สองนั้นทำงานบ่อยเพียงใด

ดังนั้นคำถามที่มีประโยชน์จึงไม่ใช่ว่าพาดหัวไหนเล็กกว่า แต่คือสองสิ่งนี้ สิ่งไหนคุณคิดต้นทุนได้ก่อนลงนาม และสิ่งไหนคุณต้องวัดก่อน คำตอบเหล่านั้นชี้ไปในทิศทางตรงกันข้าม ซึ่งเป็นเหตุผลว่าทำไมนี่จึงเป็นการตัดสินใจจริง ไม่ใช่แค่พิธีการ

A generated two-column scoreboard titled 'MAI Realtime 1 vs Eleven Realtime Max — the scoreboard'. Left column MAI Realtime 1: voice price $0.01 per minute, independent scores none yet, agentic not published, first audio P50 only, languages not published. Right column Eleven Realtime Max: $0.08 per minute, index 77.3, agentic 47.6%, first audio 570 ms, 90+ languages. Footer reads 'Eleven figures per Artificial Analysis; MAI performance mostly unpublished.'

แต่ละอันคืออะไร ในหนึ่งบรรทัด

• MAI Realtime 1 — โมเดลเสียงเป็นเสียงตัวแรกของ Microsoft ประกาศเมื่อวันที่ 17 พฤศจิกายน 2026 ที่งาน Ignite มีสองระดับ คือเส้นทางการสนทนาแบบเร็วในราคาเพียงหนึ่งเซนต์ต่อนาที และเอนจินการให้เหตุผลในราคา 1.00 ดอลลาร์ต่อล้านโทเคนอินพุต และ 5.00 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ซึ่งเทิร์นที่ยากกว่าจะถูกส่งต่อไปให้ พรีวิวแบบจำกัดการเข้าถึงผ่าน Foundry พร้อมเดโมใน MAI Labs รองรับ OpenAI Realtime API

• Eleven Realtime Max — โมเดล speech-to-speech ของ ElevenLabs สำหรับ voice agents ที่ต้องทำงานหนักกว่าการพูดคุยเรื่องสัพเพเหระ เป็นระบบเดียวที่ปรับแต่งแล้ว ครอบคลุมการรู้จำเสียง การสลับผลัดกันพูด LLM และเสียง ใช้งานได้ใน ElevenAgents และผ่าน Realtime API ที่เข้ากันได้กับ OpenAI เฉพาะ WebSocket รองรับกว่า 90 ภาษา

• สิ่งที่ทั้งสองฝ่ายไม่ได้เผยแพร่ — ภาษาที่ MAI Realtime รองรับ {{1}} เอกสารเปิดตัวของ Microsoft ไม่ได้ระบุไว้เลย และสำหรับผลิตภัณฑ์ศูนย์ติดต่อลูกค้า นี่เป็นคำถามสำคัญอันดับแรก ไม่ใช่เชิงอรรถ

ด้านเดียวที่มีการวัดจริง

Eleven Realtime Max ได้รับการทดสอบอิสระอย่างครอบคลุมดี และโปรไฟล์มีความไม่สมดุลในลักษณะที่สำคัญต่อการออกแบบเอเจนต์:

• ดัชนี Speech-to-speech — 77.3 จาก Artificial Analysis โดยเป็นการวัดแบบผสมผสานจากการให้เหตุผล พลวัตของการสนทนา และความสามารถในการทำงานแบบเอเจนต์

• การให้เหตุผลด้านเสียงพูด (Big Bench Audio) — 98.8% นี่เป็นหนึ่งในตัวเลขที่สูงที่สุดบนกระดานคะแนน และเป็นตัวเลขที่โมเดลนี้ถูกออกแบบโดยยึดเป็นหลัก: มันตอบคำถามเสียงพูดที่ยากได้อย่างแม่นยำ

• เวลาถึงเสียงแรก — 570 มิลลิวินาที เร็วที่สุดในสองตัวเมื่อเปรียบเทียบกันแบบตรง ๆ และเร็วพอที่จะรู้สึกได้ทันที

• การทำภารกิจแบบเอเจนต์ให้สำเร็จ (τ-Voice) — 47.6% นี่คือจุดอ่อน โมเดลที่ให้เหตุผลได้อย่างยอดเยี่ยมเกี่ยวกับสิ่งที่ได้ยิน ยังทำภารกิจหลายขั้นตอนที่ฮาร์เนสกำหนดให้สำเร็จได้ไม่ถึงครึ่ง

• พลวัตการสนทนา — 94.1%

• ต้นทุนผสม — ประมาณ $4.80 ต่อชั่วโมงเสียง ตามการปรับมาตรฐานของชุดย่อย Big Bench Audio จำนวน 40 คำถามให้เป็นฐานรายชั่วโมงโดย Artificial Analysis นี่เป็นข้อกำหนดในการวัด ไม่ใช่อัตราค่าบริการของ ElevenLabs และไม่ควรนำทั้งสองสิ่งมาอ้างอิงแทนกัน

MAI Realtime 1 แทบไม่มีข้อมูลเหล่านี้เลย และช่องว่างระหว่างคำว่า "แทบจะ" กับ "ไม่มีเลย" คือส่วนที่น่าสนใจ Microsoft เผยแพร่ตัวเลขความแม่นยำเพียงตัวเลขเดียวบนหน้ารุ่นโมเดล: 98.8% บน Big Bench Audio นั่นเป็นตัวเลขจากผู้พัฒนาเอง — เป็นการประเมินของ Microsoft เอง บนเบนช์มาร์กที่ Microsoft เลือกเอง โดยไม่มีระเบียบวิธีเผยแพร่ไว้ข้าง ๆ — และยังไม่มีคณะกรรมการอิสระใดรันซ้ำ อนึ่ง 98.8% นั้นเท่ากันในเชิงเลขคณิตกับตัวเลขของ Eleven Realtime Max ข้างต้น ซึ่งเป็นความบังเอิญของชุดทดสอบสองชุดที่ต่างกันซึ่งลงเอยที่เปอร์เซ็นต์เดียวกัน และไม่ควรตีความว่าสองโมเดลเสมอกัน นอกเหนือจากตัวเลขเดียวนั้น หน้านี้มีการ์ด P50 time-to-first-audio และคำบรรยาย "P50 Latency on BigBench Audio" และไม่มีอย่างอื่นเลย ไม่มีคะแนน τ-Voice ไม่มีรายการภาษา ไม่มีการกระจายตัวเบื้องหลังเปอร์เซ็นไทล์ ข้อกล่าวอ้างที่ใหญ่กว่าของ Microsoft — ว่าโมเดลนี้อยู่บนพรมแดนพาเรโตด้านประสิทธิภาพ-ราคาสำหรับ Big Bench Audio และ τ-Voice — เป็นข้อกล่าวอ้างเกี่ยวกับตำแหน่งที่จุดหนึ่งจะอยู่บนกราฟที่ยังไม่ถูกวาดต่อสาธารณะ Artificial Analysis ไม่มีโมเดลนี้อยู่ในระบบเลย ณ วันที่ 18 พฤศจิกายน

ความไม่สมมาตรนั้นไม่ใช่ข้อโต้แย้งที่สนับสนุน ElevenLabs แต่เป็นข้อโต้แย้งเกี่ยวกับสิ่งที่คุณรู้ได้ในวันนี้: หนึ่งในโมเดลเหล่านี้มีคะแนน agentic ที่วัดได้ 47.6% ซึ่งคุณใช้วางแผนได้ ส่วนอีกโมเดลมีตัวเลขความแม่นยำที่ผู้ขายรายงานและค่าเปอร์เซ็นไทล์

หมายเหตุเรื่องแหล่งที่มาก่อนที่ตัวเลขจะเริ่มขยับ: ตัวเลขสมรรถนะของ Eleven Realtime Max ทุกตัวด้านล่างนี้ เป็นการวัดที่เป็นอิสระของ Artificial Analysis ตัวเลขสมรรถนะของ MAI Realtime 1 ตัวเดียวที่ถูกอ้างถึงที่ใดก็ตามในบทความนี้ — 98.8% บน Big Bench Audio — เป็นของ Microsoft เอง ยังไม่ผ่านการตรวจสอบ และมีการระบุไว้เช่นนั้นทุกที่ที่ปรากฏ ไม่มีการเผยแพร่ข้อมูลอื่นใดเกี่ยวกับสมรรถนะของมันเลย

การคำนวณที่ยังไม่มีใครทำเสร็จ

เริ่มจากสายเสียง เพราะนั่นคือสิ่งเดียวที่ทั้งสองฝ่ายเผยแพร่อย่างซื่อสัตย์

• MAI Realtime 1 — $0.01/นาที → $0.60 ต่อชั่วโมงของการสนทนา เฉพาะเส้นทางด่วนเท่านั้น

• Eleven Realtime Max — เทียบเท่าประมาณ $0.08/นาที → $4.80 ต่อชั่วโมง ตามเกณฑ์ของ Artificial Analysis

ช่องว่างแปดเท่าในมิเตอร์นาที ตอนนี้เพิ่มมิเตอร์ตัวที่สอง และสังเกตว่ามีอะไรหายไปจากข้อมูลสาธารณะ: Microsoft ไม่ได้ระบุว่ามีสัดส่วนเท่าใดของเทิร์นที่ถูกยกระดับไปยังระดับการให้เหตุผล ดังนั้นทุกโมเดลต้นทุนที่คุณสร้างจะมีอินพุตหนึ่งตัวที่คุณต้องคิดขึ้นมาเอง นี่คือสิ่งที่อินพุตที่คิดขึ้นมาเองส่งผลต่อคำตอบ สมมติว่ามีสายซัพพอร์ตห้านาที — ค่าเสียง $0.05 — และสมมติว่าตลอดเทิร์นที่ถูกยกระดับ เอนจินการให้เหตุผลเห็นโทเค็นอินพุต 5,000 และเอาต์พุต 1,500 โทเค็นรวมกัน ที่อัตรา $1.00 และ $5.00 ต่อล้านโทเค็นของ Microsoft นั่นคือค่าใช้จ่ายด้านการให้เหตุผล $0.0125 สำหรับการประมวลผลเต็มหนึ่งรอบของสายนั้น

• ไม่มีการปรับขึ้นราคา — $0.050 ต่อการโทร เทียบกับ $0.40 ของ ElevenLabs แปดต่อหนึ่ง ตามที่โฆษณาไว้

หนึ่งรอบการประมวลผลเชิงเหตุผลแบบเต็ม — $0.063 ต่อการเรียกหนึ่งครั้ง ยังคงต่ำกว่าหนึ่งในหกของตัวเลขของ ElevenLabs

• สามรอบการให้เหตุผลแบบเต็ม — $0.088 ต่อครั้ง แค่เกินหนึ่งในห้าเล็กน้อย

• การประมวลผลเหตุผลเต็มรูปแบบสิบรอบ — $0.175 ต่อการเรียก คิดเป็นประมาณ 44% ของตัวเลข ElevenLabs และนี่คือภาระงานที่บทสนทนาให้บริการลูกค้าไม่น่าจะสร้างขึ้นได้จริง

อ่านอีกครั้ง: แม้ภาระการให้เหตุผลจะเพิ่มขึ้นสิบเท่า ก็ยังปิดช่องว่างแปดเท่าในฝั่งเสียงไม่ได้ ซึ่งหมายความว่าเวอร์ชันที่ตรงไปตรงมาของการเปรียบเทียบนี้คือMAI Realtime 1 มีราคาถูกกว่าอย่างมากภายใต้สมมติฐานการขยายใด ๆ ที่บทสนทนาจริงรองรับ — และเหตุผลที่ทำให้ลังเลไม่ใช่ราคา แต่เป็นเพราะคุณยังบอกไม่ได้ว่าโมเดลนี้ดีพอสำหรับงานหรือไม่ และพรีวิวของ Microsoft ยังไม่มีการเรียกเก็บเงินจนกว่าจะถึง public preview ดังนั้นการหาคำตอบจึงมีต้นทุนเป็นเพียงเวลาทางวิศวกรรมเท่านั้น

ข้อควรระวังสองประการเกี่ยวกับการคำนวณนั้น ซึ่งทั้งสองข้อล้วนเป็นเหตุให้ไม่ควรถือเป็นการพยากรณ์ การประมาณการใช้ reasoning เป็นของฉัน ไม่ใช่ของ Microsoft — จำนวนโทเค็นแตกต่างกันมากระหว่างการค้นหาที่ต้องใช้ tool call หนึ่งครั้งกับข้อยกเว้นที่ต้องใช้สี่ครั้ง และฝั่ง ElevenLabs ใช้การปรับเป็นมาตรฐานรายชั่วโมงของ Artificial Analysis แทนตารางราคาของ ElevenLabs เอง เพราะ ElevenLabs ไม่ได้เผยแพร่ตัวเลขราคาต่อนวนาทีแบบคงที่สำหรับ Realtime Max; แต่คิดราคาตามนวนาทีบวกโทเค็น LLM ด้วยการประมาณภายในแอป ดังนั้นการเปรียบเทียบจึงมีทิศทางที่มั่นคงแต่ตัวเลขมีความไม่แม่นยำทั้งสองฝั่ง ซึ่งเป็นเรื่องปกติสำหรับเสียงและควรพูดออกมาชัด ๆ

มีประเด็นหนึ่งที่สมควรแยกเป็นบรรทัดของตัวเอง พรีวิวแบบจำกัดการเข้าถึงของ The Foundry จะไม่เรียกเก็บเงินจากลูกค้าจนกว่าพรีวิวสาธารณะจะเริ่มต้น การเปรียบเทียบต้นทุนที่เขียนขึ้นในเดือนพฤศจิกายนจึงเป็นการเปรียบเทียบสิ่งที่คุณจะต้องจ่ายในภายหลัง กับพรีวิวที่คุณสามารถรันได้ตอนนี้ในราคาศูนย์ แนวทางที่สมเหตุสมผลคือการวัด ไม่ใช่การเจรจา

ในจุดที่ ElevenLabs ไม่ได้เสียเปรียบเรื่องราคาเลยแม้แต่น้อย

สองสิ่งที่รูปแปดเหลี่ยมซ่อนเอาไว้

ข้อแรกคือ ElevenLabs ไม่ได้ขายมิเตอร์คิดเวลารายนาที ElevenAgents คิดราคาตามนาทีบวกค่าท็อกเกนของ LLM โดยมีค่าประมาณการต่อนาทีภายในแอป และ Realtime API คิดค่าบริการตามนาทีของเสียงที่เชื่อมต่อบวกค่าท็อกเกนในราคาท็อกเกนเดียวกันในทุกแพ็กเกจ ทีมที่ใช้งาน ElevenAgents อยู่แล้วไม่ได้กำลังเปรียบเทียบ $0.01 กับ $0.08 —但他们正在将边际变化与已经集成的平台进行比较,该平台涵盖电话、网页组件、WhatsApp 和联络中心部署,外加 SOC 2、HIPAA、GDPR、EU 数据驻留和零保留选项。

ประการที่สองคือ รายการข้อกำหนดด้านการปฏิบัติตามกฎระเบียบเป็นฟีเจอร์ของผลิตภัณฑ์ที่มีราคาในตัวเอง สำหรับเอเจนต์เสียงด้านคลินิกหรือการเงิน การจัดเก็บข้อมูลในเขต EU และการไม่เก็บรักษาข้อมูลเลย (zero retention) ไม่ใช่สิ่งเสริมที่โมเดลราคาถูกกว่าจะใช้ทดแทนได้ คำประกาศของ Microsoft ไม่ได้กล่าวถึงการจัดเก็บข้อมูลในเขตภูมิภาค การเก็บรักษาข้อมูล หรือการรับรองสำหรับ MAI Realtime 1 เลย — และโมเดลนี้อยู่ในช่วงพรีวิวแบบจำกัด ซึ่งเป็นช่วงที่ข้อกำหนดเหล่านั้นมักยังไม่ถูกกำหนดอย่างแน่ชัด

ดังนั้นเส้นแบ่งจึงไม่ใช่ "ราคาถูกกับราคาแพง" แต่เป็น "ราคาถูกและยังไม่ได้วัดผล โดยเงื่อนไขระดับองค์กรยังไม่ได้เขียนขึ้น" เทียบกับ "ราคาสี่เท่า พร้อมเอกสารที่เรียบร้อยแล้ว และคะแนน agentic 47.6% ที่คุณตัดสินได้ว่าพอหรือไม่พอ"

A screenshot of ElevenLabs' own Realtime landing page captured 18 November 2026, showing the headline 'Instant conversation with Eleven Realtime', the line describing v1 Mini for natural conversations and v1 Max for complex tasks, and the statement that the models are available in ElevenAgents and the Realtime API.

รันทั้งคู่โดยยังไม่เลือก

ทั้งสองโมเดลรองรับ OpenAI Realtime API ซึ่งเป็นข้อเท็จจริงที่มีประโยชน์ที่สุดเพียงข้อเดียวในการเปรียบเทียบครั้งนี้ สแตกเสียงที่เขียนขึ้นให้ทำงานกับอินเทอร์เฟซนั้นสามารถชี้ไปที่โมเดลใดโมเดลหนึ่งในสองตัวได้ ซึ่งเปลี่ยนการตัดสินใจให้กลายเป็นการตั้งค่าแทนที่จะเป็นการเขียนใหม่ทั้งหมด นั่นก็เป็นเหตุผลเช่นกันที่ควรทำให้ทั้งสองตัวเข้าถึงได้ระหว่างการประเมิน แทนที่จะเลือกก่อนแล้วค่อยทดสอบทีหลัง

นี่คือกรณีที่ OrcaRouter ถูกสร้างขึ้นมาเพื่อรองรับ และควรระบุให้ชัดเจนว่าครึ่งไหนที่ใช้กับกรณีนี้ MAI Realtime 1 ไม่ได้อยู่ในแคตตาล็อกของเรา — เข้าถึงได้ผ่านเดโม Microsoft's MAI Labs และพรีวิวแบบจำกัดการเข้าถึงของ Foundry เท่านั้น สิ่งที่เราเราเตอร์คือเลเยอร์ที่อยู่เบื้องหลังมัน: โมเดลการให้เหตุผลที่เอเจนต์เสียงยกระดับไปใช้ ในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นการเปลี่ยนแปลงอัตราค่าบริการในระดับนั้นจะไปถึงใบแจ้งหนี้ของคุณในวันที่เกิดขึ้น ไม่ใช่ตอนต่ออายุ การสลับไปยังระบบสำรองอัตโนมัติสำคัญกับเสียงมากกว่าที่อื่นใด เพราะรอบสนทนาที่ชะงักคือมนุษย์ที่กำลังฟังความเงียบอยู่ คำขอที่ย้ายไปยังผู้ให้บริการรายที่สองภายในไม่กี่ร้อยมิลลิวินาทีนั้นแทบฟังไม่รู้ และคำขอที่ลองใหม่เป็นเวลาสี่วินาทีคือสิ่งที่ลูกค้าบ่น เมื่อพรีวิวสิ้นสุดลงและ MAI Realtime 1 เปิดให้ใช้ทั่วไปแล้ว คีย์เดิมและกฎการกำหนดเส้นทางเดิมจะรองรับมัน — โดยมีเงื่อนไขว่ามันต้องเข้าสู่แคตตาล็อก ซึ่งวันนี้ยังไม่เป็นเช่นนั้น

A screenshot of the OrcaRouter models catalogue captured 18 November 2026, showing the search and sort controls over a grid of model cards and the header line '226 models · 17 providers · one API key, one bill'.

ใครควรทำอะไรในสัปดาห์นี้

หาก voice agent ของคุณเป็นพื้นที่สำหรับการสนับสนุนหรือการจัดตารางเวลา ซึ่งเทิร์นส่วนใหญ่สั้นและเทิร์นที่ยากคือการค้นหาข้อมูล ความคุ้มค่าทางเศรษฐศาสตร์ของ MAI Realtime 1 นั้นไม่ใกล้เคียงเลย และพรีวิวก็ฟรี — จงสร้างการประเมินตอนนี้เลย วัดอัตราการ escalation ด้วยตัวคุณเอง และถือว่า tail latency ที่ Microsoft ยังไม่เปิดเผยเป็นสิ่งที่การวัดของคุณเองเข้ามาแทนที่

หากคุณค่าของเอเจนต์ของคุณอยู่ที่งานหลายขั้นตอน — การจองกับสามระบบ การยืนยันตัวตน การแก้ไขข้อยกเว้น — คะแนน agentic 47.6% บน Eleven Realtime Max ก็เป็นเกณฑ์มาตรฐานที่คุณอ่านได้ ส่วนของ MAI Realtime 1 นั้นเป็นค่าว่าง การซื้อโดยดูแค่ราคาในที่นี้หมายถึงการซื้อโมเดลที่ยังไม่ได้วัดผลสำหรับส่วนที่ยากที่สุดของงาน

และหากการปฏิบัติตามข้อกำหนดเป็นตัวตัดสินว่าจะใช้ผู้ขายรายใดก่อนที่ประสิทธิภาพจะเป็นตัวตัดสิน สิ่งใดในการประกาศของ Microsoft ก็ไม่เปลี่ยนคำตอบของคุณในเดือนนี้ พรีวิวแบบจำกัดไม่ใช่ที่สำหรับรันข้อมูลที่ได้รับการป้องกัน และเงื่อนไขที่จะอนุญาตให้คุณทำเช่นนั้นยังไม่ถูกเผยแพร่

ช่องว่างแปดเท่านี้เป็นเรื่องจริงและน่าจะคงอยู่ยาวนาน อีกทั้งยังเป็นตัวเลขที่น่าสนใจน้อยที่สุดในที่นี้ด้วย เพราะคำถามที่ชี้ขาดการเผชิญหน้านี้คือว่าโมเดลราคาหนึ่งเซนต์ต่อนาทีจะทำงานหนึ่งงานให้เสร็จได้หรือไม่ — และฝ่ายเดียวที่ยังไม่ได้บอกเราคือฝ่ายที่ขายมันอยู่

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube