Eleven Realtime v1 Max vs SeedRealtime: Một bên có giá và sáu benchmark, bên kia chỉ có bản demo

Eleven Realtime v1 Max là một mô hình giọng nói sang giọng nói có thể gọi được với một endpoint được tài liệu hóa, sáu kết quả benchmark đã công bố và chi phí chuẩn hóa là $4.80 mỗi giờ âm thanh. SeedRealtime là mô hình song công toàn phần nghe nhìn của B​yteDance Seed, được công bố ngày 5 tháng 8 năm 2026, và nó không có API, không có trọng số, không có báo cáo kỹ thuật, không có số lượng tham số và không có giá. Việc so sánh có vẻ đã được định đoạt trước khi bắt đầu — và rồi bạn nhận ra rằng mô hình của E​levenLabs cũng thiếu một benchmark, và cái bị thiếu là cùng loại bằng chứng mà B​yteDance chưa từng công bố. Các sự cố AI và lỗi tác nhân đã được ghi nhận đằng sau các mô hình trong lớp này được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục mang nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp riêng.

Đó là bản chất thực sự của cuộc đối đầu này. Cả hai mô hình đều được quảng bá dựa trên tuyên bố rằng việc luân phiên lượt nói nên nằm bên trong mô hình thay vì trong một bộ phát hiện hoạt động giọng nói được gắn thêm ở bên ngoài. Cả hai đều đòi hỏi bạn tin vào một hành vi mà bạn chỉ có thể đánh giá bằng cách nói chuyện với chúng. E​levenLabs trả lời điều đó bằng một bộ khung đánh giá của bên thứ ba và một con số chi phí theo giờ. B​yteDance trả lời điều đó bằng một nghiên cứu sở thích nội bộ. Một trong hai thứ đó dùng được; cả hai đều chưa hoàn chỉnh.

Mỗi cái thực sự khẳng định điều gì

Eleven Realtime v1 Max hợp nhất bốn giai đoạn thành một mạng duy nhất: nhận dạng, điều phối lượt nói, suy luận và tạo giọng nói. Điểm nhấn của ElevenLabs là việc tinh chỉnh chúng cùng nhau sẽ loại bỏ những mối nối mà kiến trúc chuỗi để lại — khoảng nửa giây chết sau khi người gọi dừng lời, tác nhân nói chen khi bị ngắt lời, và khoảng cách giữa những gì được nghe và những gì được đáp lại. Max bổ sung bước suy luận vào thiết kế đó và được định vị cho các tác vụ phức tạp cùng các lệnh gọi công cụ nhiều bước; người anh em của nó, Eleven Realtime v1 Mini, là biến thể hội thoại giá rẻ, và nó là thứ mọi tác nhân ElevenAgents mới nhận được theo mặc định.

SeedRealtime đi xa hơn về tính đa phương thức và kém hơn ở mọi khía cạnh khác. Mô hình của B​yteDance hợp nhất âm thanh, video và văn bản trong một kiến trúc end-to-end duy nhất, nghĩa là nó có thể vừa xem, vừa nghe và vừa nói cùng lúc thay vì phải nối mô hình thị giác với mô hình ASR, rồi đến mô hình ngôn ngữ, rồi đến giọng nói. Những hành vi được trình diễn chính là điều mà một hệ thống hai phương thức không thể tạo ra: gắn giọng nói với khuôn mặt trong một cuộc trò chuyện nhóm ồn ào để mô hình theo dõi ai nói gì, tự lên tiếng mà không cần được nhắc khi một vật thể mục tiêu đi vào khung hình, các kịch bản hướng dẫn viên bảo tàng và sửa chữa thiết bị, nơi mô hình cần nhìn thấy thứ mà bạn đang nhìn.

Bài toán audio kèm video khó hơn audio kèm văn bản, và SeedRealtime đang theo đuổi bài toán khó hơn. Điều đó đáng để nói thẳng trước khi phần còn lại của bài viết này giải thích lý do vì sao bạn vẫn chưa thể dùng nó.

Bằng chứng, được cân nhắc một cách trung thực

Artificial Analysis chạy cả bài kiểm tra suy luận giọng nói và bài kiểm tra động lực hội thoại trên các mô hình trong danh mục này. Tổ chức này đã chạy chúng trên Eleven Realtime v1 Max. Tổ chức này chưa chạy chúng trên SeedRealtime và không thể — không có endpoint nào để gọi.

• Suy luận giọng nói (Big Bench Audio) — Eleven Realtime v1 Max 98,8% so với SeedRealtime chưa công bố

• Động thái hội thoại (Full-Duplex-Bench) — Tối đa 94,1% so với SeedRealtime chưa được công bố

• Tỷ lệ hoàn thành tác vụ — Max 87,1% so với SeedRealtime chưa được công bố

• Mức ưu tiên Arena (Elo) — Max 997 so với SeedRealtime không được công bố

• Hiệu suất tác tử (τ-Voice) — Max chưa được đo lường so với SeedRealtime chưa được công bố

• Thời gian đến âm thanh đầu tiên — Tối đa 0,57 giây so với SeedRealtime không có số liệu độ trễ tính bằng mili giây

• Chi phí mỗi giờ âm thanh đầu vào — tối đa $4,80 so với SeedRealtime không có gói thương mại

• Các phương thức đầu vào — Max: âm thanh và văn bản so với SeedRealtime: âm thanh, video và văn bản

Dòng duy nhất mà SeedRealtime đứng đầu lại là dòng không ai có thể mua. Con số công khai duy nhất mà B​yteDance đưa ra là một đánh giá con người đầu-cuối khẳng định SeedRealtime giảm một nửa các vấn đề về nhịp điệu hội thoại của các hệ thống ASR cộng thị giác cộng T​TS ghép tầng — ít bị ngắt hơn, ít kích hoạt nhầm hơn, phản hồi chậm hơn và tự nhiên hơn. Không có kích thước mẫu, không có phương pháp luận, không có số lượng người gán nhãn, không có độ trễ tính bằng mili giây. Một báo cáo thứ cấp dẫn mức tăng 12% về độ lưu loát so với các mô hình trước đây của nhóm. Đó là toàn bộ cơ sở bằng chứng.

Giờ đến phần trung thực ở phía bên kia. Dòng τ-Voice của Max để trống, và điều đó quan trọng vì Max là mô hình mà ElevenLabs bán để hoàn thành tác vụ. Điểm suy luận 98,8% của nó được đo trên 1.000 câu hỏi âm thanh, chứ không phải trên một cuộc gọi chăm sóc khách hàng có công cụ và một tài liệu chính sách. Vậy là ElevenLabs có sáu con số và một lỗ hổng, trong khi ByteDance có một con số và không có endpoint — các kiểu thất bại khác nhau, cùng một tình huống cốt lõi: thứ mà mỗi mô hình được tiếp thị dựa vào không phải là thứ mà mỗi mô hình đã được đo lường.

Vì sao cấu trúc lại quan trọng hơn sự đối đầu

Một năm trước, các voice agent chỉ là một pipeline với một bộ điều phối ở tầng trên. Ai đó phải quyết định khi nào người dùng đã ngừng nói, chuyển bản chép lời đến một mô hình ngôn ngữ, chờ các token, rồi chuyển văn bản cho một bộ tổng hợp giọng nói mà phải nghe như thể nó đã là một phần của cuộc hội thoại. Mỗi giai đoạn đều làm tăng độ trễ và mỗi lần chuyển giao đều tạo thêm một mối nối.

Cả hai mô hình này đều đặt cược rằng mối nối chính là vấn đề. Câu trả lời của Eleven Realtime là hợp nhất các công đoạn phía âm thanh — nghe, luân phiên lượt nói, suy nghĩ, nói — thành một mạng duy nhất và giữ mô hình chỉ thuần âm thanh. Câu trả lời của SeedRealtime là hợp nhất những công đoạn đó và bổ sung khả năng nhìn, để mô hình có thể xác định “cái này” từ một cử chỉ chỉ tay, hoặc nhận ra rằng người mà nó đang nói chuyện đã bỏ đi.

Sự đánh đổi này có thể thấy rõ trong thông số kỹ thuật. Eleven Realtime Max trả lời trong 0,57 giây và đạt 98,8% trong một bài kiểm tra suy luận với đầu vào chỉ có âm thanh. Tuyên bố của SeedRealtime là đầu vào rộng hơn và, ngụ ý là, nhiều ngữ cảnh hơn mỗi lượt; cái giá của nó là song công toàn phần thị giác tốn kém để phục vụ, đây là lý do hợp lý khiến một ứng dụng dành cho người tiêu dùng là nơi duy nhất nó được triển khai. Không công ty nào đã công bố một con số độ trễ khiến việc so sánh trở nên định lượng, và chỉ một trong số họ đã công bố bất cứ điều gì có thể được bên thứ ba kiểm chứng.

Endpoint B​yteDance có tồn tại nhưng không phải là mô hình này

Đây là sai lầm đáng tránh, vì nó dễ mắc phải và tốn kém khi phát hiện. Volcano Engine, mảng đám mây của ByteDance, có tài liệu về một sản phẩm giọng nói thời gian thực riêng — mô hình giọng nói thời gian thực Doubao 3.0 — có thể truy cập qua điểm cuối WebSocket bằng khóa API console, đầu vào PCM hoặc Opus 16 kHz và đầu ra âm thanh 24 kHz, sử dụng giao thức sự kiện thời gian thực.

Đó là một API dành cho nhà phát triển từ cùng công ty trong cùng lĩnh vực sản phẩm, và nó không phải là SeedRealtime. Nó chỉ có âm thanh: không có video, không gắn khuôn mặt, không neo vào thị giác. Đây là một mô hình riêng biệt với lịch sử phát hành riêng. Các nhóm tìm kiếm API giọng nói thời gian thực của B​yteDance sẽ tìm thấy tài liệu đó, tích hợp với nó và tin rằng họ đang sử dụng mô hình mà bài viết đang đề cập. Volcano Engine chưa công bố ngày cho endpoint dành cho mô hình nghe nhìn. Bất kỳ danh sách nào cung cấp cho bạn quyền truy cập SeedRealtime đều đang cung cấp cho bạn thứ gì đó khác.

Điều này có nghĩa gì nếu bạn có một sản phẩm cần giao đi?

Không có quyết định nào phải đưa ra giữa hai lựa chọn này cho công việc triển khai thực tế trong quý này. Eleven Realtime v1 Max hiện đã có thể gọi được, thông qua ElevenAgents hoặc một Realtime API tương thích O​penAI tại wss://api.elevenlabs.io/v1/convai/realtime, còn SeedRealtime chỉ là một cột mốc nghiên cứu bên trong một ứng dụng điện thoại tại Trung Quốc.

Quyết định thực sự nằm ở việc xây dựng xoay quanh điều đó như thế nào. Realtime API của ElevenLabs chỉ hỗ trợ WebSocket khi ra mắt — không có WebRTC — và đây là một sản phẩm tách biệt với ElevenAgents, vì vậy điện thoại, WhatsApp, cơ sở kiến thức, guardrails và giám sát chỉ đi kèm với phía nền tảng. Max cũng không được cung cấp trong môi trường lưu trú dữ liệu Ấn Độ và Singapore, và cần giới hạn token tối thiểu 1.024; Mini, kỳ lạ thay, hỗ trợ Ấn Độ và Singapore nhưng không hỗ trợ Zero Retention Mode hay HIPAA, trong khi Max có hỗ trợ ở Mỹ và EU.

Vị trí của OrcaRouter không phải ở lớp giọng nói. Chúng tôi không vận hành eleven_realtime_v1_max và không có endpoint bên thứ ba cho nó. Thứ chúng tôi vận hành là mọi thứ mà một agent có hình dạng này gọi xung quanh mô hình: 209 mô hình từ 16 nhà cung cấp thượng nguồn phía sau một khóa, theo giá niêm yết của nhà cung cấp với mức đánh dấu bằng không, cùng cơ chế chuyển đổi dự phòng tự động khi nhà cung cấp gặp lỗi hoặc hết thời gian chờ. Nửa đắt đỏ và biến động của một voice agent là phần truy xuất và phần suy luận mà nó giao phó; nửa đó có thể hoán đổi mà không cần chạm vào vòng lặp âm thanh, và đó là nơi một tuần tinh chỉnh sẽ được đền đáp.

Điều gì sẽ thay đổi điều này

Một API cho SeedRealtime sẽ biến đây thành một so sánh thực sự, và không chỉ vì video. Một endpoint có thể gọi được sẽ cho phép Artificial Analysis đưa mô hình vào cùng bộ khung bốn phần như mọi mô hình khác, và đó là con đường duy nhất để có một con số có ý nghĩa xuyên các nhà cung cấp. Một báo cáo kỹ thuật cũng sẽ làm được phần lớn việc tương tự.

Về phía E​levenLabs, phần còn thiếu là một lần chạy τ-Voice trên Max. Khi đó, lĩnh vực này cuối cùng sẽ có một con số agentic có thể so sánh cùng chuẩn cho mô hình mà E​levenLabs tiếp thị là mô hình hướng tác vụ. Cho đến lúc đó, bản tóm tắt thật chẳng hào nhoáng: một trong hai mô hình này bạn có thể gọi, đo lường, định giá và triển khai; mô hình còn lại bạn chỉ có thể quan sát, và khoảng cách giữa hai vị thế ấy lớn hơn khoảng cách giữa kiến trúc của chúng.