Eleven Realtime v1 Max so với GPT-Live-1: Khoảng cách benchmark không có lợi cho ElevenLabs

Thông cáo báo chí cho Eleven Realtime v1 Max mở đầu bằng 98,8% trên Big Bench Audio và thời gian phản hồi 0,57 giây. Cả hai con số đều đúng, cả hai đều tốt nhất trong phân khúc, và cả hai đều không phải điểm mấu chốt khi so sánh với GPT-Live-1 — bởi vì thước đo quyết định các tác nhân giọng nói trong vận hành thực tế không phải là suy luận giọng nói, và ở thước đo đó, mô hình của OpenAI thắng với khoảng cách đủ lớn để lấn át lợi thế khởi đầu 0,7 giây mà ElevenLabs đang quảng bá.Các sự cố AI và lỗi tác nhân được ghi chép liên quan đến các mô hình thuộc 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 tranh chấp.

Chạy cùng một bộ khung đánh giá Artificial Analysis trên cả hai, và sự phân tách thật rõ ràng. Eleven Realtime v1 Max dẫn đầu về suy luận giọng nói, 98,8% so với 89%, và về tốc độ, 0,57 giây so với 1,24 giây. G​PT-Live-1 dẫn đầu về hoàn thành tác vụ agentic, 59,3% so với chưa đo được, về động lực hội thoại, 97,3% so với 94,1%, về mức độ ưa thích trên arena, 1.047 Elo so với 997, về tỷ lệ thành công tác vụ, 90,9% so với 87,1%, và về chỉ số tổng hợp, 80,1 so với không có gì cả.

Con số cuối cùng đó không phải là lời nói suông. Eleven Realtime v1 Max không có điểm Speech to Speech Index, vì chỉ số này yêu cầu cả bốn thành phần và lượt chạy tác nhân τ-Voice chưa được công bố cho nó. G​PT-Live-1 có một chỉ số. Đó là chỉ số cao nhất trên bảng.

Toàn bộ bảng điểm, đặt cạnh nhau

Tất cả các hàng đều là số đo của Artificial Analysis trên bộ công cụ đo lường riêng của họ, trừ khi được ghi chú khác. Các số liệu của Eleven Realtime lấy từ thông báo ngày 20 tháng 10 năm 2026; thời điểm API của G​PT-Live-1 khả dụng là từ ngày 10 tháng 9 năm 2026, còn bản thân mô hình được phát hành trong ChatGPT vào ngày 8 tháng 7.

• Chỉ số Chuyển giọng nói thành giọng nói — Eleven Realtime v1 Max không được chấm điểm so với G​PT-Live-1 (Sol, thấp) 80.1

• Suy luận giọng nói (Big Bench Audio) — Tối đa 98,8% so với GPT-Live-1 89%

• Hiệu năng tác tử (τ-Voice) — Max không được đo so với G​PT-Live-1 59,3%

• Động lực hội thoại — Max 94,1% so với GPT-Live-1 97,3%

• Tỷ lệ thành công tác vụ — Max 87,1% so với G​PT-Live-1 90,9%

• Mức ưu tiên Arena (Elo) — Max 997 so với G​PT-Live-1 1,047

• Thời gian đến âm thanh đầu tiên — Tối đa 0.57s so với G​PT-Live-1 1.24s

• Chi phí mỗi giờ âm thanh đầu vào — Max $4.80 so với G​PT-Live-1 $4.47

• Giao thức truyền tải — Max chỉ dùng WebSocket khi ra mắt so với GPT-Live-1 chỉ dùng WebRTC

Một hàng gần nhau hơn tiêu đề gợi ý: chi phí. $4,80 so với $4,47 mỗi giờ âm thanh đưa hai mô hình này vào cùng một khung giá, điều này trái ngược với câu chuyện bạn nhận được khi so sánh Eleven Realtime với mức $0,84 của G​emini 3.8 Live. Ở phần so sánh với O​penAI, mức cao hơn của E​levenLabs là 7%.

Tại sao điểm suy luận lại chỉ sai hướng

Big Bench Audio là 1.000 câu hỏi âm thanh được chuyển thể từ Big Bench Hard thuộc bốn hạng mục — ngụy biện hình thức, điều hướng, đếm vật thể và một bộ bài toán đố dạng boolean. Mô hình nghe một câu hỏi và trả lời thành tiếng, rồi câu trả lời được chấm đúng hoặc sai. Bài kiểm tra này đo mức độ mô hình suy luận về nội dung âm thanh, vốn không giống với mức độ mô hình thực hiện một cuộc hội thoại hoặc hoàn thành một tác vụ.

Max đạt 98,8%, đưa nó lên vị trí thứ ba trên bảng xếp hạng đó, sau StepAudio 3 Realtime (100%) và Qwen Audio 3.0 Realtime Plus (99,2%), đồng thời xếp trên Qwen3.5 Omni Plus Realtime (98,7%) và Grok Voice 3.0 (98,5%). Mức 89% của GPT-Live-1 đứng thứ mười hai. Nếu nhiệm vụ của agent của bạn là nghe một mô tả nói dài và trả lời một câu hỏi về nó, thì khoảng cách chín điểm đó là đáng kể và ElevenLabs là lựa chọn đáng mua hơn.

Nhưng ElevenLabs không bán Max cho mục đích đó. Trang của chính họ định vị Max cho “các tác vụ phức tạp” với “sử dụng công cụ nhiều bước” — hỗ trợ khách hàng, sàng lọc khách hàng tiềm năng, lên lịch có trợ giúp. Đó là lãnh địa của τ-Voice, và τ-Voice là nơi Max không có con số nào còn GPT-Live-1 có 59,3%.

Con số của O​penAI cũng cần có lưu ý riêng, và tài liệu của chính O​penAI đã cung cấp điều đó: bằng chứng triển khai được công bố còn mỏng. Bài đánh giá chuẩn hỗ trợ thoại cho ngân hàng mà O​penAI công bố khi ra mắt API cho thấy tỷ lệ đạt của G​PT-Live-1 là 32%, so với 12,4% của G​PT-Realtime-2.1. Tỷ lệ đạt 32% là một cải thiện lớn và vẫn có nghĩa là hệ thống thất bại trong hai phần ba một quy trình được quản lý theo quy định. Con số τ-Voice của Artificial Analysis hữu ích hơn vì nó được chạy trên một bộ khung kiểm thử chung, nhưng đó là điểm số ở mức giữa bảng, không phải một màn đăng quang.

Điểm mà lợi thế của {{1}}GPT-Live-1{{/1}} mang tính cấu trúc, chứ không phải chỉ là biên tế

{{1}}Khoảng cách 3,2 điểm về động lực hội thoại và khoảng cách 50 điểm Elo trên đấu trường đến từ một lựa chọn kiến trúc mà ElevenLabs đã không thực hiện{{/1}}. GPT-Live-1 là song công toàn phần theo nghĩa chặt chẽ: nó nghe và nói trên cùng một dòng thời gian, và khi người gọi hỏi điều gì đó cần xử lý thực sự, nó chuyển tác vụ qua một ranh giới bất đồng bộ đến một mô hình backend riêng vẫn tiếp tục suy nghĩ trong khi cuộc hội thoại bằng giọng nói tiếp diễn. Lớp giọng nói là giao diện phía trước. Việc suy luận diễn ra ở nơi khác và được ghép trở lại khi sẵn sàng.

Thiết kế đó là lý do vì sao GPT-Live-1 có thể chạy các cuộc gọi công cụ mà đường dây không bị im lặng, và cũng là lý do vì sao điểm suy luận của nó thấp hơn: mô hình trả lời câu hỏi Big Bench không phải là mô hình đang thực hiện suy nghĩ sâu trong một phiên thực tế. Eleven Realtime Max đặt cược ngược lại. Một mạng lưới đảm nhận nhận dạng, luân phiên lượt nói, suy luận và giọng nói, chính điều này mang lại 0,57 giây — không có bàn giao nào phải chờ — và cũng chính là thứ giới hạn lượng suy luận có thể diễn ra trước khi người gọi nhận ra khoảng dừng.

Lựa chọn nào đúng phụ thuộc vào việc ngân sách độ trễ hay ngân sách hoàn thành tác vụ của bạn đang eo hẹp hơn. Với một tác nhân lập lịch phải kiểm tra lịch, xác nhận một khung giờ và ghi lại một bản ghi, mô hình bàn giao thắng về khả năng hoàn thành. Với một gia sư trả lời một câu hỏi nói trong một hơi, mô hình hợp nhất thắng về cảm giác.

Các chi tiết về thanh toán và vận chuyển quyết định việc tích hợp

GPT-Live-1 tính giá cố định $0,05 mỗi phút thoại, tính theo giây, với việc khởi tạo phiên bị tính 15 giây trước và số giây đó được trừ vào thời lượng sau này. Mô hình suy luận phía backend được tính phí riêng theo mức giá thông thường của nó, nên một lớp thoại rẻ vẫn có thể tạo ra cuộc gọi đắt đỏ. OrcaRouter không thể định tuyến lớp thoại — endpoint Live Sessions tại v1/live/sessions chỉ thuộc về O​penAI — nhưng nửa backend chỉ là một lệnh gọi mô hình khác, và trên OrcaRouter đó là 209 mô hình từ 16 nhà cung cấp trên một khóa với giá niêm yết của nhà cung cấp, không có phụ phí, cùng tính năng chuyển đổi dự phòng nếu backend bạn chọn gặp lỗi giữa cuộc gọi.

Eleven Realtime tính phí theo cách ngược lại: ElevenAgents tiêu chuẩn tính theo phút, cộng thêm token đầu vào, token đầu vào đã lưu trong bộ nhớ đệm và token đầu ra theo mức giá của mô hình Realtime, trong đó Max có giá cao hơn trên mỗi token so với Mini. Mức giá theo phút của cả hai mô hình không được công bố trên trang định giá của ElevenLabs; bảng điều khiển hiển thị một ước tính, và mức 4,80 đô la của Artificial Analysis là một con số đã chuẩn hóa chứ không phải giá niêm yết.

Transport mới là sự bất đối xứng rõ nét hơn. API của Eleven Realtime tương thích với OpenAI Realtime qua WebSocket — ví dụ trong chính tài liệu import OpenAIRealtimeWebSocket từ @openai/agents-realtime và trỏ nó tới wss://api.elevenlabs.io/v1/convai/realtime. GPT-Live-1 chỉ hỗ trợ WebRTC, và việc dò đường Realtime cũ bằng ID model GPT-Live trả về lỗi nói rằng các phiên yêu cầu WebRTC. Vậy nên khả năng tương thích chỉ đi một chiều: một client OpenAI Realtime có thể chuyển sang ElevenLabs chỉ bằng thay đổi endpoint, nhưng client OpenAI Realtime không thể chuyển sang GPT-Live-1 nếu không viết lại transport. Các nhóm chuyển sang GPT-Live-1 đang phải viết bắt tay RTCPeerConnection, một data channel oai-events và trao đổi offer phía server; các nhóm chuyển sang Eleven Realtime chỉ đang sửa hai chuỗi.

Các lưu ý khi triển khai ở phía E​levenLabs

Tài liệu của ElevenLabs bổ sung các ràng buộc mà không bài đưa tin ra mắt nào đề cập:

• Tính khả dụng — Các mô hình Realtime đang được “triển khai dần dần”; một không gian làm việc không có cài đặt chế độ Voice sẽ nhận được phản hồi từ API là “Realtime models are not available for this workspace”.

• Lưu trú dữ liệu — Max có sẵn tại Mỹ và EU nhưng không có tại Ấn Độ hoặc Singapore, nơi chỉ cung cấp Mini

• Tuân thủ — Max hỗ trợ Chế độ Không lưu giữ và HIPAA tại Hoa Kỳ và EU; Mini không hỗ trợ cả hai

• Cài đặt được quản lý — LLM, mức độ suy luận, ngân sách suy nghĩ, các lệnh gọi công cụ song song, mô hình TTS, chế độ biểu cảm và nhà cung cấp ASR đều do ElevenLabs kiểm soát khi một mô hình Realtime được thiết lập, và các node quy trình làm việc không thể ghi đè chúng

• LLM tùy chỉnh — Không thể dùng chế độ thời gian thực khi tác nhân sử dụng LLM tùy chỉnh hoặc Amazon Bedrock

Các ràng buộc của riêng G​PT-Live-1 chặt hơn ở một khía cạnh và lỏng hơn ở khía cạnh khác: nó không hỗ trợ Chat Completions, không hỗ trợ Responses, không có lớp tương thích Realtime, không hỗ trợ fine-tuning và không nhận đầu vào hình ảnh hay video, nhưng giới hạn theo bậc của nó được tính bằng số phiên đồng thời — 25 ở Bậc 1, tăng lên 500 ở Bậc 5 — thay vì số yêu cầu mỗi phút.

Ai nên chọn cái nào

Chọn GPT-Live-1 khi tác nhân phải hoàn thành công việc: đặt chỗ, thay đổi, hoàn tiền, bất kỳ việc gì kết thúc bằng một lần ghi vào cơ sở dữ liệu. Nó có tỷ lệ thành công nhiệm vụ cao hơn, mức độ ưu tiên trên arena cao hơn, chỉ số tổng hợp cao hơn và chi phí mỗi giờ thấp hơn, đồng thời là lựa chọn duy nhất trong hai lựa chọn có điểm agentic được công bố. Hãy dự trù ngân sách cho việc viết lại WebRTC và cho hóa đơn riêng của mô hình backend.

Chọn Eleven Realtime v1 Max khi cuộc trò chuyện chính là sản phẩm và khả năng lập luận còn nông: một gia sư, một nhân vật, một đường dây hỗ trợ nơi lời phàn nàn đang bị nói lấn át. Bạn có được mô hình lập luận mạnh nhanh nhất trên thị trường, cách chuyển đổi đơn giản nhất từ một tích hợp OpenAI Realtime hiện có, và mức giá cao hơn 7% so với GPT-Live-1 thay vì mức cao hơn 5,7× so với Gemini. Bạn chấp nhận rằng hành vi tác tử của nó chưa được đo lường và rằng bản ra mắt vẫn chưa đầy đủ.

Kết quả có thể xoay chuyển bài viết này là điểm τ-Voice của Max. E​levenLabs đang đề nghị được tin cậy như một mô hình hoàn thành tác vụ dựa trên một benchmark suy luận; benchmark tác vụ đó tồn tại, đã được chạy trên mười mô hình giọng nói khác và chưa được chạy trên mô hình này. Đó là một lỗ hổng trong bằng chứng, không phải trong mô hình — nhưng chính lỗ hổng đó quyết định bạn nên đưa mô hình nào trong hai mô hình này ra trước một khách hàng trả tiền.