Eleven Realtime v1 Max vs Gemini 3.8 Live: Nhanh hơn, sắc bén hơn trong suy luận và giá gấp 5,7 lần

Eleven Realtime v1 Max bắt đầu nói trong 0,57 giây và đạt 98,8% độ chính xác trên Big Bench Audio. G​emini 3.8 Live bắt đầu nói trong 1,18 giây và đạt 92%. Trên hai trục mà người ta thường dẫn ra khi tranh luận về các mô hình giọng nói, E​levenLabs thắng cả hai — rồi lại thua trên gần như mọi trục mà đội tài chính quan tâm, bắt đầu từ trục mà cùng một bảng điểm chuẩn xếp G​emini ở mức 0,84 USD một giờ âm thanh và Eleven Realtime Max ở mức 4,80 USD.Các sự cố AI và lỗi agent được ghi nhận gắn với các mô hình trong nhóm này được tập hợp trong OrcaRouter AI Incident Archive, trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ đánh dấu tranh chấp.

Hai mô hình cũng bất đồng về việc thế nào là một tác nhân giọng nói. Gemini 3.8 Live là một thành phần của một nền tảng: nó có điểm chỉ số, bảng giá được công bố, 97 ngôn ngữ, đóng dấu thủy vân SynthID trên từng giây được tạo, và hai biến thể — tiêu chuẩn và Extended Thinking — tách lý luận khỏi hội thoại. Eleven Realtime v1 Max là một mô hình duy nhất được bán dựa trên lời hứa rằng nhận dạng, luân phiên lượt nói, tư duy và giọng nói đã được tinh chỉnh cùng nhau, và nó hoàn toàn không có Speech to Speech Index vì bài benchmark tác nhân đằng sau chỉ số đó chưa được chạy trên nó.

Câu cuối cùng đó chính là toàn bộ lập luận được nén lại. Một trong những mô hình này có một bảng điểm công khai đầy đủ; mô hình kia có những con số tốt nhất ở hai hàng mà nó có, và một ô trống ở vị trí hàng khó nhất.

Bảng tỉ số thực sự ghi gì

Mọi số liệu dưới đây đều đến từ bảng xếp hạng Speech to Speech của Artificial Analysis, nơi cả hai mô hình được kiểm thử trên cùng một khung kiểm thử thay vì sao chép từ các trang của nhà cung cấp. Trường hợp số liệu của nhà cung cấp có khác biệt, số liệu đó sẽ được đánh dấu.

• Suy luận giọng nói (Big Bench Audio) — Eleven Realtime v1 Max 98,8% so với Gemini 3.8 Live 92%

• Thời gian đến âm thanh đầu tiên — Max 0.57s so với G​emini 1.18s

• Tỷ lệ hoàn thành nhiệm vụ — Max 87,1% so với Gemini 93,2%

• Hiệu năng tác tử (τ-Voice) — Max chưa được đo so với Gemini 30,1%

• Động thái hội thoại (Full-Duplex-Bench) — Max 94,1% so với Gemini 96,1%

• Mức độ ưu tiên trên Arena (Elo) — Max 997 so với Gemini 1,078

• Chỉ số Speech to Speech — Max không được chấm điểm so với Gemini 76.0

• Chi phí mỗi giờ âm thanh đầu vào — Max $4.80 so với Gemini $0.84

Mô thức không phải là "E​levenLabs giỏi âm thanh hơn, G​oogle giỏi mọi thứ còn lại." Nó hẹp hơn và thú vị hơn thế. Max thắng hai phép đo được thực hiện trên một bộ câu hỏi âm thanh cố định — trả lời đúng, trả lời nhanh — và thua ba phép đo liên quan đến việc có con người trong vòng lặp hoặc một lệnh gọi công cụ để hoàn tất. Sở thích trên Arena là việc mọi người nghe và chọn. Thành công tác vụ là việc hàm đúng có được gọi hay không. Động thái hội thoại là việc luân phiên lượt nói có cảm giác đúng hay không. Đó là các chỉ số vận hành thực tế, và G​emini thắng cả ba.

Dòng τ-Voice đáng được lưu ý trước khi bất kỳ ai trích dẫn nó. Mức 30,1% của G​emini 3.8 Live thực sự là một điểm agentic kém — phiên bản anh em Extended Thinking của chính nó đạt 68,6% trong cùng bài kiểm tra, còn G​PT-Live-1 (Astra, medium) đạt 74,5%. Nếu agent của bạn phải thay đổi một đặt chỗ trong phạm vi chính sách, 3.8 Live thường không phải mô hình bạn muốn. Nhưng ô trống của Max không phải là số 0 và không nên bị hiểu là số 0. Điều đó có nghĩa là bài kiểm tra chưa được chạy.

Khoảng cách giá đến từ đâu, và tại sao nó có thể không quan trọng như vẻ ngoài của nó.

Gemini 3.8 Live tính phí $0,005 mỗi phút âm thanh đầu vào và $0,018 mỗi phút âm thanh đầu ra, với văn bản ở mức $0,75 và $4,50 mỗi triệu token và đầu vào hình ảnh hoặc video ở mức $1,00 mỗi triệu. Eleven Realtime hoàn toàn không công bố mức giá theo từng mô hình: trong ElevenAgents, bạn trả phí tác nhân tiêu chuẩn theo phút cộng thêm token theo mức giá của mô hình Realtime, và thông qua Realtime API, bạn trả phí theo phút âm thanh được kết nối cộng thêm token, với cùng mức giá token trên mọi gói. Artificial Analysis quy đổi cả hai thành chi phí mỗi giờ trên một bộ câu hỏi cố định, đây là cách duy nhất để so sánh chúng một cách trung thực, và cho kết quả $0,84 so với $4,80.

Có hai hệ quả kéo theo. Thứ nhất, nếu khối lượng của bạn được tính bằng hàng nghìn phút mỗi ngày, khoảng cách chính là điều quyết định — 5.7× không phải là sai số làm tròn, và ElevenLabs không có cơ chế nào được công bố để thu hẹp khoảng cách đó ngoài Mini rẻ hơn. Thứ hai, phép so sánh không tĩnh theo kiểu một giá niêm yết là tĩnh. Google đã từng cắt giảm mức giá âm thanh Gemini trước đây, và một đợt cắt giảm sẽ về phía chúng ta ngay trong cùng ngày khi nhà cung cấp chuyển thẳng giá niêm yết, bởi vì OrcaRouter không cộng thêm gì. Điều ngược lại cũng đúng: nếu ElevenLabs công bố mức giá Realtime, con số sẽ thay đổi mà không ai phải viết lại một tích hợp.

Hai đặt cược khác nhau về luân phiên lượt lời

Các kiến trúc không tương đương, và sự khác biệt này lý giải sự phân tách về chỉ số tốt hơn bất kỳ tuyên bố nào về chất lượng.

Gemini 3.8 Live là một mục trong dòng sản phẩm mà Google đã phát hành trong suốt hai năm qua.

Nó xử lý đầu vào hình ảnh gần như trong thời gian thực, chuyển đổi ngôn ngữ giữa cuộc trò chuyện trên 97 ngôn ngữ và chạy các lệnh gọi công cụ và API ở chế độ nền để tác nhân có thể xác nhận yêu cầu và tiếp tục trò chuyện trong khi quá trình tra cứu hoàn tất. Mô hình anh em của nó, G​emini 3.8 Live Extended Thinking, vừa suy luận vừa nói cùng lúc, tường thuật tiến độ. Cả hai đều mang watermark SynthID và dùng chung thẻ mô hình được công bố là gemini-3-8-audio, đồng thời cả hai đều có ID API được ghi lại: gemini-3.8-live và gemini-3.8-live-extended-thinking.

Eleven Realtime hợp nhất toàn bộ stack thay vì phối hợp nó.

Việc nhận diện, luân phiên lượt nói, bước suy luận và tạo giọng nói là một hệ thống được tinh chỉnh duy nhất, đó là lý do nó có thể trả lời trong 0,57 giây mà không cần một bộ phát hiện hoạt động giọng nói riêng biệt quyết định khi nào người gọi đã nói xong. Ví dụ của chính E​levenLabs về lợi ích là backchannel: Mini được ghi nhận là có khả năng phát hiện liệu người nói đã nói xong hay chỉ đang chen ngang bằng một tiếng "mm-hmm." Đó là hành vi khiến một tác nhân giọng nói không còn cảm giác như một chiếc bộ đàm, và đây là kiểu điều mà một đường ống xếp tầng khó xử lý vì VAD phải được cho biết thế nào là một sự ngắt lời.

Cái giá của thiết kế hợp nhất là quyền kiểm soát. Trong ElevenAgents, việc chọn mô hình Realtime có nghĩa là ElevenLabs quản lý LLM, nỗ lực suy luận, ngân sách tư duy, các lệnh gọi công cụ song song, thời gian chờ của cascade, mô hình TTS, chế độ biểu cảm và nhà cung cấp ASR. Bạn không thể đưa vào một LLM tùy chỉnh, bạn không thể sử dụng Amazon Bedrock, và một nút quy trình công việc không thể ghi đè bất kỳ cài đặt nào trong số đó. Gemini cung cấp cho bạn mô hình và cho phép bạn giữ nguyên pipeline.

Câu hỏi về tích hợp mà không ai đưa vào bảng so sánh

Gemini 3.8 Live là một mô hình của Gemini API. Eleven Realtime được bán theo hai cách — trong ElevenAgents và thông qua Realtime API tương thích ở mức truyền tải với giao thức sự kiện của OpenAI, tại wss://api.elevenlabs.io/v1/convai/realtime. Nếu bạn có client OpenAI Realtime, việc thay đổi endpoint và tên mô hình là phần lớn của quá trình di chuyển; tài liệu có kèm một skill chỉ với một lệnh cho việc này.

Điều bạn phải đánh đổi để có được khả năng tương thích đó là nền tảng. Realtime API và ElevenAgents là những sản phẩm riêng biệt trên các giao thức kết nối khác nhau, và API không hỗ trợ kênh điện thoại hoặc WhatsApp, cơ sở tri thức, guardrails, kiểm thử theo kịch bản hay giám sát hội thoại. ElevenLabs cũng nói rõ rằng Realtime API không có WebRTC khi ra mắt — chỉ có WebSocket.

Sự bất đối xứng đó chính là chỗ phù hợp cho một lớp định tuyến, và nó phù hợp hơn ở phía G​emini so với phía E​levenLabs. OrcaRouter không cung cấp eleven_realtime_v1_max; không có endpoint bên thứ ba nào cho nó, và chúng tôi sẽ không giả vờ điều ngược lại. Điều OrcaRouter cung cấp là phần còn lại của một ngăn xếp mang hình dạng G​emini: google/gemini-3.8-flash và các mô hình G​emini khác phía sau một khóa, tổng cộng 209 mô hình từ 16 nhà cung cấp, theo giá niêm yết của nhà cung cấp và không cộng thêm, với tính năng tự động chuyển đổi dự phòng khi một nhà cung cấp gặp lỗi. Nếu bạn xây dựng lớp giọng nói trên G​emini, phần truy xuất và phân tích sau cuộc gọi xung quanh nó có thể được hoán đổi và kiểm thử A/B trên lưu lượng của chính bạn thay vì cam kết dựa trên một bảng xếp hạng.

Chọn cái nào?

Chọn G​emini 3.8 Live nếu tác nhân phải hoàn tất một giao dịch, nếu bạn cần mức giá dưới một đô-la một giờ, nếu bạn cần đầu vào hình ảnh, hoặc nếu bạn cần 97 ngôn ngữ trên một dòng. Nó có bảng điểm công khai đầy đủ, bảng giá được ghi chép rõ ràng và mức giá mỗi phút rẻ hơn. Điểm yếu mang tính tác nhân của nó là thật nhưng có thể đo lường được, và người anh em Extended Thinking của nó chính là giải pháp nếu việc hoàn thành tác vụ là nút thắt cổ chai.

Chọn Eleven Realtime v1 Max nếu bản thân cuộc trò chuyện chính là sản phẩm — một gia sư, một nhân vật, một đường dây hỗ trợ nơi việc bị ngắt lời chính là lý do phàn nàn — và nếu khối lượng công việc của bạn là âm thanh nặng về suy luận thay vì các cuộc gọi dài liên tục. Bạn đang mua bộ suy luận mạnh nhanh nhất trên bảng và khả năng chuyển lượt nói được đo lường tốt nhất, với mức giá cao hơn mà bạn nên mô hình hóa trước khi cam kết.

Đừng chỉ đánh giá dựa trên điểm chỉ số. Max không có một điểm như vậy, và đó không phải là lời chê chất lượng của Max; đó là nhận định về việc còn bao nhiêu hành vi của Max vẫn chưa được đo lường. Con số duy nhất có thể thay đổi phép so sánh này là một lần chạy τ-Voice trên Max. Nếu nó đạt trên 68,6% của G​emini — bản Extended Thinking, không phải bản tiêu chuẩn — thì gói cao cấp của E​levenLabs bắt đầu giống như một hợp đồng bảo hiểm hơn là một khoản thuế. Cho đến khi có kết quả đó, mô hình nhanh hơn là mô hình còn nhiều điều phải chứng minh.