Thẻ tiêu đề được tạo cho MAI Realtime 1 so với Eleven Realtime Max, cho thấy mức chênh lệch giá gấp tám lần là $0.01 so với $0.08 mỗi phút âm thanh, với tỷ lệ tăng giá được ghi là chưa công bố, kèm theo logo OrcaRouter.
Guides & Insights

MAI Realtime 1 so với Eleven Realtime Max: Khoảng cách giá gấp tám lần, và một con số duy nhất quyết định điều đó

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Mức giá được công bố khiến điều này trông như đã ngã ngũ. MAI Realtime 1 có giá $0,01 mỗi phút âm thanh. Eleven Realtime Max — mô hình chuyển giọng nói sang giọng nói hàng đầu của ElevenLabs, được niêm yết là Realtime v1 Max — tốn khoảng $4,80 mỗi giờ theo cách chuẩn hóa độc lập của Artificial Analysis, tức $0,08 một phút. Tám so với một, trước khi tính đến bất kỳ thứ gì khác. So sánh đó cũng gây hiểu lầm theo một cách số học cụ thể, và phép số học chính là toàn bộ bài viết: MAI Realtime 1 tính thêm một mô hình suy luận tính giá theo token thứ hai chồng lên mức giá theo phút của nó, và chưa ai ngoài Microsoft công bố tần suất đồng hồ đo thứ hai đó chạy.

Vậy câu hỏi hữu ích không phải là con số nổi bật nào nhỏ hơn. Mà là trong hai phương án này, cái nào bạn có thể tính được chi phí trước khi ký, và cái nào bạn phải đo đạc trước. Những câu trả lời đó chỉ về hai hướng ngược nhau, đó là lý do đây là một quyết định thực sự chứ không phải một thủ tục hình thức.

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 Footer reads 'Eleven figures per Artificial Analysis; MAI performance mostly unpublished.'

Mỗi cái là gì, trong một dòng

• MAI Realtime 1 — mô hình giọng nói sang giọng nói đầu tiên của Microsoft, được công bố ngày 17 tháng 11 năm 2026 tại Ignite. Hai hạng: một tuyến hội thoại nhanh với giá một xu mỗi phút, và một động cơ suy luận với giá 1,00 đô la cho mỗi một triệu token đầu vào và 5,00 đô la cho mỗi một triệu token đầu ra, mà những lượt hội thoại khó hơn sẽ được chuyển sang. Bản xem trước hạn chế quyền truy cập qua Foundry; bản demo trong MAI Labs. Hỗ trợ OpenAI Realtime API.

• Eleven Realtime Max — mô hình chuyển giọng nói sang giọng nói của ElevenLabs dành cho các agent thoại đảm nhận những công việc khó hơn trò chuyện xã giao. Một hệ thống được tinh chỉnh bao gồm nhận dạng, quản lý lượt thoại, LLM và giọng nói. Có sẵn trong ElevenAgents và thông qua Realtime API tương thích OpenAI, chỉ qua WebSocket. Hỗ trợ hơn 90 ngôn ngữ.

• Điều mà không bên nào công bố — các ngôn ngữ được MAI Realtime 1 hỗ trợ. Tài liệu ra mắt của Microsoft không liệt kê ngôn ngữ nào, và với một sản phẩm trung tâm liên hệ, đó là câu hỏi hàng đầu chứ không phải một chú thích nhỏ.

Bên duy nhất có số đo thực tế

Eleven Realtime Max được các bài kiểm thử độc lập bao phủ kỹ lưỡng, và hồ sơ của nó mất cân đối theo một cách quan trọng đối với việc thiết kế agent:

Chỉ số speech-to-speech — 77,3, từ Artificial Analysis, dựa trên tổ hợp đánh giá khả năng suy luận, động lực hội thoại và năng lực tác tử.

• Suy luận giọng nói (Big Bench Audio) — 98.8%. Đó là một trong những con số cao nhất trên bảng, và đây là con số mà mô hình được xây dựng xoay quanh: nó trả lời chính xác các câu hỏi giọng nói khó.

• Thời gian đến âm thanh đầu tiên — 570 mili giây, nhanh nhất trong hai sản phẩm khi so sánh trực tiếp và đủ nhanh để tạo cảm giác tức thì.

• Hoàn thành tác vụ dạng tác tử (τ-Voice) — 47,6%. Đây là điểm yếu. Một mô hình lý luận rất tốt về những gì nó nghe vẫn hoàn thành chưa đến một nửa số tác vụ nhiều bước mà bộ khung đánh giá giao cho nó.

• Động lực hội thoại — 94,1%.

• Chi phí kết hợp — khoảng 4,80 đô la mỗi giờ âm thanh, theo cách chuẩn hóa của Artificial Analysis đối với tập con Big Bench Audio gồm 40 câu hỏi về cơ sở tính theo giờ. Đó là một quy ước đo lường, không phải bảng giá của ElevenLabs, và không nên trích dẫn hai điều này thay thế cho nhau.

MAI Realtime 1 gần như không có bất kỳ mục nào trong số này, và khoảng cách giữa “gần như” và “không” mới là phần thú vị. Microsoft công bố một con số độ chính xác trên trang mô hình: 98.8% trên Big Bench Audio. Đây là con số do nhà cung cấp công bố — đánh giá của chính Microsoft, trên một benchmark do Microsoft chọn, không có phương pháp luận nào được công bố kèm theo — và chưa có hội đồng độc lập nào chạy lại đánh giá đó. Cũng lưu ý rằng 98.8% về mặt số học giống hệt con số của Eleven Realtime Max ở trên, đó là sự trùng hợp khi hai harness khác nhau cùng cho ra một tỷ lệ phần trăm, và không nên được hiểu là hai mô hình ngang nhau. Ngoài con số duy nhất đó, trang chỉ có một thẻ P50 thời gian đến âm thanh đầu tiên và một chú thích “P50 Latency on BigBench Audio”, không còn gì khác. Không có điểm τ-Voice, không có danh sách ngôn ngữ, không có phân bố đằng sau phân vị. Tuyên bố lớn hơn của Microsoft — rằng mô hình nằm trên biên giới Pareto hiệu năng-giá đối với Big Bench Audio và τ-Voice — là tuyên bố về vị trí một điểm sẽ nằm trên một biểu đồ chưa được công bố công khai. Tính đến ngày 18 tháng 11, Artificial Analysis hoàn toàn không đưa mô hình này vào danh mục.

Sự bất đối xứng đó không phải là lý lẽ ủng hộ ElevenLabs. Đó là lý lẽ về những gì bạn có thể biết ngày hôm nay: một trong những mô hình này có điểm agentic đo được là 47.6% mà bạn có thể dựa vào để lập kế hoạch, còn mô hình kia có một con số độ chính xác do nhà cung cấp báo cáo và một phân vị.

Một lưu ý về nguồn trước khi các con số bắt đầu thay đổi: mọi chỉ số hiệu năng Eleven Realtime Max dưới đây đều là đo lường độc lập của Artificial Analysis. Chỉ số hiệu năng MAI Realtime 1 duy nhất được trích dẫn ở bất kỳ đâu trong bài này — 98.8% trên Big Bench Audio — là của chính Microsoft, chưa được kiểm toán, và được ghi nhãn như vậy ở bất cứ nơi nào nó xuất hiện. Không có bất kỳ thông tin nào khác về hiệu năng của nó được công bố.

Phép tính mà chưa ai hoàn thành

Hãy bắt đầu với đường dây thoại, vì đó là điều duy nhất cả hai bên công bố một cách trung thực.

• MAI Realtime 1 — $0.01/phút → $0.60 mỗi giờ hội thoại, chỉ luồng nhanh.

• Eleven Realtime Max — tương đương khoảng 0,08 USD/phút → 4,80 USD mỗi giờ, theo cách tính của Artificial Analysis.

Một khoảng cách gấp tám lần trên đồng hồ đo phút. Giờ hãy thêm đồng hồ thứ hai, và lưu ý điều còn thiếu trong thông tin công khai: Microsoft chưa nói tỷ lệ bao nhiêu phần trăm lượt được chuyển lên tầng suy luận. Do đó, mọi mô hình chi phí bạn xây dựng đều có một đầu vào mà bạn phải tự nghĩ ra. Đây là tác động của đầu vào được tự nghĩ ra đó lên câu trả lời. Lấy một cuộc gọi hỗ trợ kéo dài năm phút — $0.05 tiền thời gian thoại — và giả sử rằng qua các lượt đã được chuyển lên, công cụ suy luận nhận tổng cộng 5.000 token đầu vào và 1.500 token đầu ra. Với mức giá $1.00 và $5.00 mỗi triệu token của Microsoft, đó là $0.0125 tiền suy luận cho một lượt chạy đầy đủ trên cuộc gọi.

• Không tăng giá — $0.050 mỗi cuộc gọi so với $0.40 của ElevenLabs. Tỷ lệ tám đối một, đúng như quảng cáo.

• Một lượt suy luận đầy đủ — $0.063 mỗi lần gọi. Vẫn dưới một phần sáu con số của ElevenLabs.

• Ba lượt suy luận đầy đủ — $0.088 mỗi lần gọi. Chỉ hơn một phần năm.

• Mười lượt suy luận đầy đủ — $0.175 mỗi lần gọi. Khoảng 44% con số của ElevenLabs, và đây là khối lượng công việc mà không một cuộc hội thoại hỗ trợ nào có thể tạo ra một cách hợp lý.

Hãy đọc lại điều đó: ngay cả khi tải suy luận tăng gấp mười lần cũng không thu hẹp được khoảng cách gấp tám lần ở hạng mục giọng nói. Điều đó có nghĩa là cách diễn đạt trung thực của phép so sánh này là MAI Realtime 1 rẻ hơn một khoảng cách lớn dưới mọi giả định leo thang mà một cuộc trò chuyện thực tế có thể chấp nhận — và lý do để chần chừ không phải là giá. Mà là bạn chưa thể biết liệu mô hình có đủ tốt cho công việc hay không, và bản xem trước của Microsoft chưa bị tính phí cho đến bản xem trước công khai, nên việc tìm hiểu không tốn gì ngoài thời gian kỹ thuật.

Hai lưu ý về phép tính đó, cả hai đều chống lại việc coi nó như một dự báo. Ước tính phần suy luận là của tôi, không phải của Microsoft — số lượng token thay đổi rất lớn giữa một tra cứu cần một lần gọi công cụ và một ngoại lệ cần bốn lần. Và phía ElevenLabs dùng chuẩn hóa theo giờ của Artificial Analysis thay vì bảng giá của chính ElevenLabs, vì ElevenLabs không công bố mức giá đô-la cố định mỗi phút cho Realtime Max; họ tính giá theo phút cộng token LLM với ước tính trong ứng dụng. Vì vậy so sánh này vững về hướng và mềm về số liệu ở cả hai phía, điều bình thường với giọng nói và đáng nói thẳng ra.

Một điểm xứng đáng được dành một dòng riêng. Bản xem trước truy cập hạn chế của Foundry không tính phí khách hàng cho đến khi bản xem trước công khai bắt đầu. Do đó, một bảng so sánh chi phí viết vào tháng Mười Một là sự so sánh giữa những gì bạn sẽ phải trả sau này với một bản xem trước bạn có thể chạy ngay bây giờ với chi phí bằng không. Động thái hợp lý là đo lường, chứ không phải đàm phán.

Nơi ElevenLabs không hề thua kém về giá

Hai điều mà hình tám phần che giấu.

Điều đầu tiên là ElevenLabs không bán đồng hồ tính phút. ElevenAgents tính giá theo phút cộng chi phí token LLM, với ước tính trong ứng dụng theo phút, và Realtime API tính phí theo phút âm thanh được kết nối cộng token với cùng mức giá token trên mọi gói. Một đội ngũ đã ở trong ElevenAgents không so sánh $0,01 với $0,08 — họ đang so sánh một thay đổi cận biên với một nền tảng mà họ đã tích hợp, gồm triển khai điện thoại, widget web, WhatsApp và trung tâm liên hệ, cùng các tùy chọn SOC 2, HIPAA, GDPR, lưu trú dữ liệu EU và không lưu giữ.

Điều thứ hai là danh sách tuân thủ là một tính năng sản phẩm có mức giá riêng. Đối với một tác nhân thoại trong lĩnh vực lâm sàng hoặc tài chính, lưu trú dữ liệu tại EU và không lưu giữ dữ liệu không phải là những tính năng tùy chọn mà một mô hình rẻ hơn có thể thay thế. Thông báo của Microsoft không đề cập gì đến lưu trú dữ liệu, lưu giữ hay chứng nhận đối với MAI Realtime 1 — và mô hình này đang ở giai đoạn xem trước giới hạn, đúng là giai đoạn mà thông thường các điều khoản đó chưa được ấn định.

Vậy nên sự phân hóa không phải là “rẻ so với đắt”. Mà là “rẻ và chưa được đo lường, với các điều khoản dành cho doanh nghiệp vẫn chưa được soạn ra” đối lại với “giá gấp bốn lần, giấy tờ đã hoàn tất, và điểm agentic 47,6% mà bạn có thể tự quyết định là đủ hay không đủ.”

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.

Chạy cả hai mà chưa chọn cái nào

Cả hai mô hình đều hỗ trợ OpenAI Realtime API, và đây là sự thật hữu ích nhất trong so sánh này. Một voice stack được viết dựa trên giao diện đó có thể nhắm tới một trong hai, biến quyết định thành một cấu hình thay vì một lần viết lại. Đó cũng là lý do nên giữ cả hai trong tầm truy cập trong quá trình đánh giá thay vì chọn trước rồi mới kiểm thử.

Đây là trường hợp mà OrcaRouter được tạo ra để xử lý, và cần nói rõ nửa nào áp dụng. MAI Realtime 1 không có trong danh mục của chúng tôi — có thể truy cập qua bản demo MAI Labs của Microsoft và bản xem trước giới hạn quyền truy cập của Foundry, chấm hết. Thứ chúng tôi định tuyến là lớp đằng sau nó: các mô hình suy luận mà một tác nhân thoại chuyển sang, theo giá niêm yết của nhà cung cấp với mức cộng thêm 0%, vì vậy thay đổi giá ở bậc đó sẽ đến hóa đơn của bạn ngay ngày nó xảy ra thay vì vào kỳ gia hạn. Chuyển đổi dự phòng tự động quan trọng hơn trong thoại so với bất kỳ đâu khác, vì một lượt bị khựng lại là một con người đang nghe sự im lặng; một yêu cầu được chuyển sang nhà cung cấp thứ hai trong vài trăm mili giây là không thể nghe thấy, còn một yêu cầu thử lại trong bốn giây chính là thứ khách hàng phàn nàn. Khi bản xem trước kết thúc và MAI Realtime 1 được phát hành rộng rãi, cùng một khóa và cùng các quy tắc định tuyến sẽ mang nó theo — miễn là nó có mặt trong danh mục, mà hiện nay thì chưa.

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'.

Tuần này ai nên làm gì

Nếu tác nhân thoại của bạn là một bề mặt hỗ trợ hoặc lên lịch, nơi hầu hết các lượt đều ngắn và những lượt khó chỉ là tra cứu, thì lợi thế kinh tế của MAI Realtime 1 là quá rõ ràng, và bản xem trước thì miễn phí — hãy xây dựng quy trình đánh giá ngay bây giờ, tự mình đo lường tỷ lệ leo thang, và coi độ trễ đuôi chưa được công bố của Microsoft chính là thứ mà phép đo của riêng bạn sẽ thay thế.

Nếu giá trị của agent của bạn nằm ở công việc nhiều bước — đặt chỗ trên ba hệ thống, xác minh danh tính, xử lý ngoại lệ — thì điểm agentic 47.6% trên Eleven Realtime Max là một benchmark bạn có thể đọc được, còn của MAI Realtime 1 thì là một khoảng trống. Chỉ mua dựa trên giá ở đây nghĩa là mua một mô hình chưa được đo lường cho phần khó nhất của công việc.

Và nếu bộ phận tuân thủ quyết định nhà cung cấp của bạn trước khi hiệu năng làm điều đó, thì không có gì trong thông báo của Microsoft thay đổi câu trả lời của bạn trong tháng này. Bản xem trước giới hạn không phải là nơi để chạy dữ liệu được bảo vệ, và các điều khoản cho phép bạn làm vậy vẫn chưa được công bố.

Khoảng cách gấp tám lần là có thật và có lẽ sẽ còn kéo dài. Đây cũng là con số ít thú vị nhất ở đây, bởi câu hỏi quyết định cuộc so tài này là liệu một mô hình giá một xu mỗi phút có thể hoàn thành một nhiệm vụ hay không — và bên duy nhất chưa nói với chúng ta lại chính là bên đang bán nó.