Eleven Realtime v1 Max 对比 GPT-Live-1：基准测试差距对 ElevenLabs 不利
- Orca新Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 12 tok/s
- deepseek新DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745智能
- DeepSeek新DeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- Orca新Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 139 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 952 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238智能
- OpenAIOpenAI: GPT-6 Sol2026-09-2248智能
- AnthropicAnthropic: Claude Opus 5.52026-09-2258智能
- xAIGrok 4.72026-09-2146智能
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 每百万 tokens · 51 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 每百万 tokens · 829 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453智能77代码
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241智能76代码
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245智能76代码
- AnthropicAnthropic: Claude Fable 5.12026-09-0153智能82代码
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 每百万 tokens · 47 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 每百万 tokens · 94 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642智能72代码
Eleven Realtime v1 Max 的新闻稿以 Big Bench Audio 上 98.8% 的成绩和 0.57 秒的响应时间作为主打。两个数字都是真的，都是同类最佳，而在与 GPT-Live-1 对比时，两者都不是重点——因为决定生产环境中语音智能体的基准并不是语音推理，而在这方面，OpenAI 的模型胜出的幅度足以压倒 ElevenLabs 所宣传的 0.7 秒领先优势。这一类模型背后有记录的 AI 事件和智能体故障，都收录在 OrcaRouter AI Incident Archive中，每条记录都带有自己的来源、严重程度、置信度等级和有争议标记。
在两者上运行相同的 Artificial Analysis 测试框架，结果分野清晰。Eleven Realtime v1 Max 在语音推理上领先，98.8% 对 89%；在速度上领先，0.57 秒对 1.24 秒。GPT-Live-1 在智能体任务完成率上领先，59.3% 对未测量；在对话动态性上领先，97.3% 对 94.1%；在 arena 偏好上领先，1,047 Elo 对 997；在任务成功率上领先，90.9% 对 87.1%；在综合指数上领先，80.1 对完全没有。
最后那个数字并非修辞。Eleven Realtime v1 Max 没有 Speech to Speech Index 得分，因为该指数要求全部四个组成部分，而针对它的 τ-Voice 智能体运行尚未发布。GPT-Live-1 有指数得分。它是榜单上最高的一个。
完整记分板，并排显示
除非另有标注，所有行均为 Artificial Analysis 在其自有测试框架上进行的测量结果。Eleven Realtime 的数据来自 2026 年 10 月 20 日的公告；GPT-Live-1 的 API 自 2026 年 9 月 10 日起可用，模型本身则于 7 月 8 日在 ChatGPT 中上线。
• 语音到语音指数 — Eleven Realtime v1 Max 未评分，对比 GPT-Live-1（Sol，低）80.1
• 语音推理（Big Bench Audio）— 最高 98.8%，而 GPT-Live-1 为 89%
• 智能体性能（τ-Voice）—— Max 未测量，相较 GPT-Live-1 为 59.3%
• 对话动态 — Max 94.1% 对比 GPT-Live-1 97.3%
• 任务成功率 — Max 87.1% 对比 GPT-Live-1 90.9%
• 竞技场偏好（Elo）— Max 997 对比 GPT-Live-1 1,047
• 首次音频延迟 — Max 0.57 秒，对比 GPT-Live-1 的 1.24 秒
• 每小时输入音频成本 — Max $4.80 对比 GPT-Live-1 $4.47
• 传输 — 发布时 Max 仅支持 WebSocket，而 GPT-Live-1 仅支持 WebRTC
有一行比标题所暗示的更接近：成本。按每小时音频计算，$4.80 对 $4.47，使这两个模型处于同一价格区间，这与将 Eleven Realtime 与 Gemini 3.8 Live 的 $0.84 相比所得出的说法正好相反。在与 OpenAI 的对比中，ElevenLabs 的溢价为 7%。
为什么推理得分指向了错误的方向
Big Bench Audio 包含 1,000 道音频问题，改编自 Big Bench Hard，涵盖四个类别——形式谬误、导航、物体计数和一组布尔文字题。模型听到一个问题并大声作答，答案会被判定为正确或错误。它衡量的是模型对音频内容进行推理的能力，这与模型进行对话或完成任务的能力并不相同。
Max 的 98.8% 使其在该榜单上排名第三，落后于 StepAudio 3 Realtime（100%）和 Qwen Audio 3.0 Realtime Plus（99.2%），领先于 Qwen3.5 Omni Plus Realtime（98.7%）和 Grok Voice 3.0（98.5%）。GPT-Live-1 的 89% 位列第十二。如果你的智能体的工作是听一段较长的口头描述并回答相关问题，那么这九个百分点的差距就很重要，ElevenLabs 是更值得购买的选择。
但 ElevenLabs 并不是为了那个用途来销售 Max 的。它自己的页面把 Max 定位为用于“复杂任务”、具备“多步骤工具使用”能力——客户支持、线索资格筛选、辅助排程。那正是 τ-Voice 的领域，而在 τ-Voice 上，Max 没有数字，GPT-Live-1 则有 59.3%。
OpenAI 的数字也需要单独加一条限定说明，而 OpenAI 自己的文档正好提供了这一点：已公布的部署证据很单薄。OpenAI 在 API 发布时报告的银行业语音支持基准显示，GPT-Live-1 的通过率为 32%，而 GPT-Realtime-2.1 为 12.4%。32% 的通过率已是大幅提升，但仍意味着该系统在三分之二的受监管工作流程中会失败。Artificial Analysis 的 τ-Voice 数值更有用，因为它在统一的测试框架上运行，但这是一个中游分数，并非加冕。
GPT-Live-1 的优势是结构性的，而非边际性的
3.2 分的对话动态差距和 50 分的 Arena Elo 差距，源于 ElevenLabs 没有做出的一项架构选择。GPT-Live-1 是严格意义上的全双工：它在同一时间线上同时倾听和说话；当来电者提出需要实际处理的问题时，它会跨异步边界把任务交给一个独立的后端模型，而该模型会在语音对话继续进行的同时持续思考。语音层只是前端。推理在别处发生，并在准备好后再折返汇入。
这种设计正是 GPT-Live-1 能在执行工具调用时不让通话陷入沉默的原因，也是它推理得分更低的原因：回答 Big Bench 问题的模型，并不是在真实会话中进行深度思考的那个模型。Eleven Realtime Max 则押下相反的赌注。由同一个网络完成识别、轮次切换、推理和语音，这换来了 0.57 秒——无需等待交接——也限制了在通话者察觉到停顿之前能进行多少推理。
哪个赌注正确，取决于你的延迟预算和任务完成预算哪个更紧张。对于一个需要查看日历、确认时间段并写入记录的调度智能体来说，交接模型在完成度上胜出。而对于一个要一口气回答口头提问的辅导老师来说，合并模型在体验感上胜出。
决定集成的计费与传输细节
GPT-Live-1 按每分钟语音固定收费 $0.05，按秒计费；会话初始化会预先计费 15 秒，并在后续时长中抵扣。后端推理模型按其自身标准费率单独计费，因此便宜的语音层仍可能产生昂贵的通话。OrcaRouter 无法路由语音层——v1/live/sessions 的 Live Sessions 端点仅属于 OpenAI——但后端那一半只是另一次模型调用，而在 OrcaRouter 上，那就是来自 16 家提供商的 209 个模型，使用一个密钥，按提供商列表价且无加价，并且在你选择的后端于通话中途出错时进行故障转移。
Eleven Realtime 的计费方式则相反：按标准 ElevenAgents 的每分钟费用，加上按 Realtime 模型费率计算的输入、缓存输入和输出 token 费用，其中 Max 每 token 的费用高于 Mini。两个模型的每分钟费率均未公布在 ElevenLabs 的定价页面上；仪表盘显示的是估算值，而 Artificial Analysis 的 4.80 美元是标准化数值，并非标价。
传输层是更明显的不对称之处。Eleven Realtime 的 API 通过 WebSocket 与 OpenAI-Realtime 兼容——文档自己的示例从 @openai/agents-realtime 导入 OpenAIRealtimeWebSocket，并将其指向 wss://api.elevenlabs.io/v1/convai/realtime。GPT-Live-1 仅支持 WebRTC，而用 GPT-Live 模型 ID 探测较旧的 Realtime 路径会返回错误，提示会话需要 WebRTC。因此这种兼容性是单向的：OpenAI Realtime 客户端只需更改端点即可迁移到 ElevenLabs，但 OpenAI Realtime 客户端若不重写传输层，就无法迁移到 GPT-Live-1。迁移到 GPT-Live-1 的团队要编写 RTCPeerConnection 握手、oai-events 数据通道以及服务端 offer 交换；迁移到 Eleven Realtime 的团队只需修改两个字符串。
ElevenLabs 一侧的推广注意事项
ElevenLabs 的文档补充了一些任何发布报道都未提及的限制：
• 可用性 — Realtime models 正在“逐步推出”；没有 Voice mode 设置的工作区会从 API 收到“Realtime models 不适用于此工作区”的返回。
• 数据驻留 — Max 在美国和欧盟可用，但在印度和新加坡不可用，这些地区仅提供 Mini
• 合规性 — 在美国和欧盟，Max 支持零保留模式和 HIPAA；Mini 两者均不支持
• 托管设置 — 设置 Realtime 模型时，LLM、推理强度、思考预算、并行工具调用、TTS 模型、表现力模式和 ASR 提供商均由 ElevenLabs 控制，且工作流节点无法覆盖它们
• 自定义 LLM — 当智能体使用自定义 LLM 或 Amazon Bedrock 时，实时模式不可用
GPT-Live-1 自身的限制在一个方面更严格，在另一个方面则更宽松：它没有 Chat Completions，没有 Responses，没有 Realtime 兼容层，也没有微调和图像或视频输入，但其层级限额按并发会话数计——Tier 1 为 25，升至 Tier 5 的 500——而不是按每分钟请求数计。
谁应该选择哪一个
请选择 GPT-Live-1，当智能体必须完成实际工作时：预订、变更、退款，以及任何最终以写入数据库收尾的事项。它的任务成功率更高、竞技场偏好更高、综合指数更高，且每小时成本更低，并且它是两者中唯一一个公布智能体评分的。要为 WebRTC 重写和后端模型的单独账单预留预算。
当对话本身就是产品、而推理要求不高时，选择 Eleven Realtime v1 Max：例如辅导老师、角色扮演、客服热线——热线里投诉正被抢白盖过。你能得到当前榜单上最快的强推理模型、从现有 OpenAI Realtime 集成迁移的最简单路径，以及相较 GPT-Live-1 仅 7% 的溢价，而不是相较 Gemini 的 5.7 倍溢价。你也接受它的智能体行为尚未经过测量，且发布仍是部分性的。
能改变这篇文章结论的结果，是 Max 的 τ-Voice 分数。ElevenLabs 正凭借一项推理基准，请求人们信任它是一个能完成任务的模型；任务基准已经存在，已经在另外十个语音模型上运行过，却还没有在这个模型上运行过。这是证据上的缺口，而不是模型本身的缺口——但正是这个缺口决定了你应该把这两者中的哪一个放到付费客户面前。
