Eleven Realtime v1 Max 对比 Gemini 3.8 Live：速度更快、推理更敏锐，价格则是 5.7 倍

Eleven Realtime v1 Max 在 0.57 秒内开始说话，并在 Big Bench Audio 上答对 98.8%。Gemini 3.8 Live 在 1.18 秒内开始说话，答对 92%。在人们争论语音模型时最常引用的两个维度上，ElevenLabs 两项都赢了——但随后在财务团队关心的几乎所有维度上都落败，首先是同一个基准榜单所显示的这一点：Gemini 的音频价格为每小时 0.84 美元，而 Eleven Realtime Max 为每小时 4.80 美元。这一类模型背后有据可查的 AI 事件和智能体故障，收录于OrcaRouter AI 事件档案，其中每条记录都带有各自的来源、严重程度、置信等级和争议标记。

这两个模型对于什么是语音智能体也存在分歧。Gemini 3.8 Live 是一个平台的一部分：它有指数得分、有文档记录的费率卡、97 种语言、对每一秒生成内容进行 SynthID 水印处理，以及两个变体——标准版和 Extended Thinking——将推理与对话分离。Eleven Realtime v1 Max 则是一个单一模型，其卖点是识别、轮次转换、思考和语音经过协同调优，而且它完全没有 Speech to Speech Index，因为该指数背后的智能体基准尚未在其上运行。

最后那句话就是整个论点的浓缩。这两个模型中，一个拥有完整的公开评分表；另一个在它仅有的两行上数字最优，而在最难的那一行上却是一片空白。

记分牌实际显示的内容

以下每个数字都来自 Artificial Analysis 的 Speech to Speech 排行榜；该排行榜在同一个测试框架上测试两个模型，而不是转载供应商页面。如果供应商提供的数据不同，则会加以标注。

• 语音推理（Big Bench Audio）——Eleven Realtime v1 Max 98.8% 对比 Gemini 3.8 Live 92%

• 首个音频时间 — Max 0.57s 对比 G​emini 1.18s

• 任务成功率 — Max 87.1% 对比 G​emini 93.2%

• 智能体性能（τ-Voice）——Max 未测量，Gemini 为 30.1%

• 对话动态（Full-Duplex-Bench）—— Max 94.1% 对比 Gemini 96.1%

• 竞技场偏好（Elo）—— Max 997 对比 G​emini 1,078

• 语音转语音指数 — Max 未评分，对比 Gemini 76.0

• 每小时输入音频成本 — Max $4.80 对比 Gemini $0.84

这种模式并不是“E​levenLabs 更擅长音频，G​oogle 更擅长其他一切”。它比这更窄，也更有意思。在一组固定的音频问题上，Max 赢下两项测量——答得对、答得快——却输掉三项需要人工介入或调用工具才能完成的测量。Arena 偏好是人们收听并做选择。任务成功是指是否调用了正确的函数。对话动态是指轮流发言是否感觉自然。这些才是线上指标，而 G​emini 拿下了全部三项。

在任何人引用 τ-Voice 这一行之前，都值得先加一个提醒。G​emini 3.8 Live 的 30.1% 确实是一个很差的 agentic 分数——它自己的 Extended Thinking 同系列模型在同一测试上得到 68.6%，而 G​PT-Live-1（Astra，medium）得到 74.5%。如果你的 agent 需要在策略范围内更改预订，那么普通版 3.8 Live 并不是你想要的模型。但 Max 的空白并不是零，也不应被当作零来解读。它意味着该测试尚未运行。

价格差距从何而来，以及为什么它可能没有看起来那么重要

Gemini 3.8 Live 的计费为：音频输入每分钟 0.005 美元、音频输出每分钟 0.018 美元；文本为每百万 token 0.75 美元和 4.50 美元；图像或视频输入为每百万 1.00 美元。Eleven Realtime 完全不公布按模型计费的价格：在 ElevenAgents 中，你需要支付标准的每分钟代理费用，并按 Realtime 模型的费率支付 token 费用；通过 Realtime API，你则需要按连接音频的分钟数付费，外加 token 费用，而且所有套餐的 token 价格都相同。Artificial Analysis 将两者在固定问题集上换算为每小时成本，这是唯一能公平比较两者的方式，最终得出 0.84 美元对 4.80 美元。

由此得出两点。第一，如果你的用量以每天数千分钟计，这个差距就是决策依据——5.7× 不是舍入误差，而 ElevenLabs 除了更便宜的 Mini 之外，没有已公布的调节手段来缩小它。第二，这种比较不像标价那样静止不变。Google 以前曾下调 Gemini 音频价格，而当供应商按标价传导时，降价当天就会落到我们这一侧，因为 OrcaRouter 不加任何加价。反之亦然：如果 ElevenLabs 公布 Realtime 费率，数字就会改变，无需任何人重写集成。

关于话轮转换的两种不同押注

这些架构并不等价，而这一差异比任何质量方面的说法都更能解释指标上的分化。

Gemini 3.8 Live 是 Google 两年来持续推出的产品系列中的一个条目。

它以近乎实时的方式处理视觉输入，能在对话过程中切换多达 97 种语言，并在后台执行工具调用和 API 调用，使智能体可以确认请求并继续交谈，同时等待查询完成。它的同类模型 G​emini 3.8 Live Extended Thinking 则边推理边说话，实时叙述进展。两者都带有 SynthID 水印，共享一份以 gemini-3-8-audio 发布的模型卡，并且都记录了 API ID：gemini-3.8-live 和 gemini-3.8-live-extended-thinking。

Eleven Realtime 将整个技术栈融为一体，而非对其进行协调。

识别、轮次转换、推理步骤和语音生成构成一个经过调优的整体系统，因此它能在 0.57 秒内给出回答，而无需由单独的语音活动检测器来判断通话者何时说完。E​levenLabs 自己给出的收益示例是反馈性回应：文档记载，Mini 能检测说话人是已经说完，还是只是在用“mm-hmm”插话。正是这种行为让语音智能体不再像对讲机，而这正是级联流水线难以应对的情况，因为必须告诉 VAD 什么才算打断。

合并设计的代价是控制权。在 ElevenAgents 中，选择 Realtime 模型意味着由 ElevenLabs 管理 LLM、推理力度、思考预算、并行工具调用、级联超时、TTS 模型、表达模式和 ASR 提供商。你无法自带自定义 LLM，无法使用 Amazon Bedrock，工作流节点也无法覆盖其中任何设置。Gemini 为你提供模型，并让你保留流水线。

没人会写进对比表里的集成问题

Gemini 3.8 Live 是一个 Gemini API 模型。Eleven Realtime 有两种售卖方式——包含在 ElevenAgents 内，以及通过一个与 OpenAI 事件协议在传输层面兼容的 Realtime API（地址为 wss://api.elevenlabs.io/v1/convai/realtime）。如果你已有 OpenAI Realtime 客户端，迁移工作主要就是更改端点和模型名称；文档中还提供了一个只需一条命令即可完成迁移的 skill。

为了这种兼容性，你放弃的是平台。Realtime API 和 ElevenAgents 是采用不同连接协议的两个独立产品，而该 API 不包含电话或 WhatsApp 渠道、知识库、护栏、脚本化测试或对话监控。E​levenLabs 还明确表示，Realtime API 在发布之初不支持 WebRTC——仅支持 WebSocket。

这种不对称正是路由层适合切入的地方，而且它在 G​emini 一侧比在 E​levenLabs 一侧更合适。OrcaRouter 并不托管 eleven_realtime_v1_max；它没有第三方端点，我们也不会假装有。OrcaRouter 真正托管的是 G​emini 形态技术栈的其余部分：一个密钥背后的 google/gemini-3.8-flash 和其他 G​emini 模型，共来自 16 家提供商的 209 个模型，按提供商目录价、零加价提供，并在提供商出错时自动故障转移。如果语音层构建在 G​emini 上，围绕它的检索和通话后分析就可以替换，并基于你自己的流量进行 A/B 测试，而不是根据排行榜一锤定音。

该选哪一个

选择 Gemini 3.8 Live：如果智能体必须完成一笔交易、你需要每小时低于一美元的价格、需要视觉输入，或需要同一线路支持 97 种语言，它都合适。它拥有完整的公开评分卡、有文档记录的费率表，以及更低的每分钟价格。其智能体能力方面的弱点确实存在，但可以量化；如果任务完成是瓶颈，其 Extended Thinking 兄弟版本就是解决办法。

选择 Eleven Realtime v1 Max，前提是对话本身就是产品——比如辅导老师、角色扮演、客服热线，而“被打断”正是用户的投诉点——并且如果你的工作负载是偏重推理的音频，而不是长时间连续通话。你买到的是榜单上最快的强推理模型和实测表现最好的轮次切换能力，但需要为此支付溢价，在正式投入前应先做好成本测算。

不要只盯着指数得分。Max 没有这个分数，而这并不是贬低 Max 的质量；这只是说明 Max 的行为还有多少尚未被测量。唯一能改变这一比较的数字，是在 Max 上跑一次 τ-Voice 的结果。如果它落在 G​emini 的 68.6% 以上——指 Extended Thinking 变体，而不是标准版——那么 E​levenLabs 的溢价就开始看起来像一份保险单，而不是一笔税。在它出来之前，更快的模型才是更需要证明自己的那个。