Eleven Realtime v1 Max 对比 SeedRealtime：一个给出了价格和六项基准测试，另一个只有演示

Eleven Realtime v1 Max 是一个可调用的语音到语音模型，具有有文档记录的端点、六项已公布的基准测试结果，以及每小时音频 4.80 美元的归一化成本。SeedRealtime 是 ByteDance Seed 的音视频全双工模型，于 2026 年 8 月 5 日发布，它没有 API、没有权重、没有技术报告、没有参数数量，也没有价格。这场比较看似在开始之前就已成定局——然后你会注意到，ElevenLabs 的模型也缺少一项基准测试，而缺失的那一项正是 ByteDance 从未公布过的那类证据。 这类模型背后有记录的 AI 事件和智能体故障收录于 OrcaRouter AI Incident Archive，其中每条记录都带有自己的来源、严重程度、置信等级和争议标记。

这就是这场较量的真实格局。两款模型都主打这样一种主张：轮流发言应当存在于模型内部，而不是交给外挂在模型外部的语音活动检测器。两者都要求你信任一种只能通过和它们交谈才能判断的行为。E​levenLabs 用第三方评测工具和每小时成本数据来回应这一点。B​yteDance 则用一项内部偏好研究来回应。其中一个是可用的；但两者都不完整。

每一项实际声称的内容

Eleven Realtime v1 Max将四个阶段合并到一个网络中：识别、轮次切换、推理和语音生成。ElevenLabs 的卖点是，将它们一起调优可以消除级联架构留下的接缝——呼叫者停止说话后的半秒沉默空档、智能体在被打断时仍继续说，以及所听到的内容与回话之间的差距。Max 在该设计中加入了推理步骤，定位用于复杂任务和多步工具调用；其姊妹产品 Eleven Realtime v1 Mini 是低成本的会话变体，也是每个新建 ElevenAgents 智能体默认获得的版本。

SeedRealtime在模态方面走得更远，在其他所有方面则走得没那么远。ByteDance 的模型将音频、视频和文本统一到单一端到端架构中，这意味着它可以同时看、听和说，而不是将视觉模型串联到 ASR 模型、再串联到语言模型、再串联到语音。演示的行为是双模态系统无法产生的：在嘈杂的群组对话中将声音与面孔绑定，使模型能够追踪谁说了什么；当目标物体进入画面时主动开口；以及在博物馆导览和设备维修场景中，模型需要看到你正在看的东西。

音频加视频是比音频加文本更难的问题，而 SeedRealtime 正在尝试更难的那个。这一点值得直截了当地说明，然后再由本文余下部分解释你为什么仍然无法使用它。

诚实地权衡证据

Artificial Analysis 对这类模型会同时进行语音推理测试和对话动态测试。它已在 Eleven Realtime v1 Max 上运行过这两项测试。它尚未在 SeedRealtime 上运行这两项测试，也无法运行——因为没有可调用的端点。

• 语音推理（Big Bench Audio）——Eleven Realtime v1 Max 达 98.8%，而 SeedRealtime 未公布

• 对话动态（Full-Duplex-Bench）—— Max 最高 94.1%，SeedRealtime 未公布

• 任务成功率 — 最高 87.1%，而 SeedRealtime 未公布

• Arena 偏好（Elo）——Max 997 对比 SeedRealtime 未公布

• 智能体性能（τ-Voice）—— Max 未测量，而 SeedRealtime 未公布

• 首个音频响应时间——最高 0.57 秒，而 SeedRealtime 无毫秒级延迟数据

• 每小时输入音频成本 — 最高 $4.80，对比 SeedRealtime 无商业报价

• 支持的模态 — Max 支持音频和文本，而 SeedRealtime 支持音频、视频和文本

SeedRealtime 唯一领先的那一行，恰恰是没人买得到的那一行。B​yteDance 提供的唯一公开数字，是一项端到端人工评估，声称 SeedRealtime 将级联 ASR+视觉+T​TS 系统的对话节奏问题减半——更少的截断、更少的误触发，以及更慢、更自然的回复。没有样本量，没有方法说明，没有标注者人数，也没有毫秒级延迟数据。一份次级报告称，相比该团队此前的模型，流畅度提升了 12%。这就是全部的证据基础。

现在说说另一边的实情。Max 的 τ-Voice 一行是空白的，这一点很关键，因为 Max 是 ElevenLabs 用来推销任务完成能力的模型。它的 98.8% 推理得分是在 1,000 个音频问题上测得的，而不是在带有工具和政策文档的客服通话中测得的。因此，ElevenLabs 有六个数字，却在一个地方留了个洞；而 ByteDance 只有一个数字，却没有终点——不同的失败模式，同一种根本处境：每个模型拿来营销的卖点，并不是它实际被测量的内容。

为什么架构比对位更重要

一年前，语音代理还是一套由编排器统领的流水线。必须有人判断用户何时停止说话，把转录文本路由给语言模型，等待 token 生成，再把文本交给合成器，而合成器还必须听起来像是对话的一部分。每个阶段都增加了延迟，每次交接都增加了一道接缝。

这两种模型都押注问题出在接缝上。Eleven Realtime 的答案是，把音频侧的各个阶段——聆听、对话轮转、思考、说话——合并到一个网络中，并让模型保持纯音频。SeedRealtime 的答案则是将这些阶段合并，并加入视觉，使模型能够根据指向手势判断“这个”，或者注意到正在与其交谈的人已经走开。

这种取舍在规格参数中清晰可见。Eleven Realtime Max 在 0.57 秒内作答，并在仅音频输入的推理测试中得分 98.8%。SeedRealtime 宣称的是更广泛的输入，并暗示每轮对话拥有更多上下文；其代价是视觉全双工的服务成本高昂，这也可能是它仅在消费级应用中提供的一个合理原因。两家公司都没有公布能让这一比较量化的延迟数据，而且只有其中一家公布了可由第三方核查的内容。

存在但不属于此模型的 B​yteDance 端点

这是值得避免的错误，因为它很容易犯，而发现代价高昂。{{1}}ByteDance{{/1}} 的云部门火山引擎在文档中描述了一个独立的实时语音产品——豆包实时语音模型 3.0——可通过 WebSocket 端点并使用控制台 API 密钥访问，输入为 16 kHz PCM 或 Opus，输出为 24 kHz 音频，并使用实时事件协议。

那是同一家公司在同一产品领域提供的开发者 API，而且它不是 SeedRealtime。它仅支持音频：没有视频，没有人脸绑定，也没有视觉定位。它是一个独立模型，有自己的发布历史。那些去寻找 B​yteDance 实时语音 API 的团队会找到那份文档，基于它进行集成，并以为自己正在使用相关报道所说的模型。Volcano Engine 尚未公布音视频模型端点的发布日期。任何向你提供 SeedRealtime 访问权限的列表，提供给你的都是别的东西。

如果你有产品要发布，这意味着什么

就本季度的生产工作而言，这两者之间无需做选择。Eleven Realtime v1 Max 现在即可调用，可通过 ElevenAgents 或 wss://api.elevenlabs.io/v1/convai/realtime 上的 OpenAI 兼容 Realtime API 进行调用；而 SeedRealtime 则是中国一款手机应用内的研究里程碑。

真正存在的决策是如何围绕这一点进行构建。ElevenLabs 的 Realtime API 在发布时仅支持 WebSocket——不支持 WebRTC——并且它是与 ElevenAgents 分开的产品，因此电话、WhatsApp、知识库、防护栏和监控仅随平台侧提供。Max 也未在印度和新加坡的数据驻留环境中提供，并且需要至少 1,024 的 token 上限；奇怪的是，Mini 支持印度和新加坡，但不支持 Zero Retention Mode 或 HIPAA，而 Max 在美国和欧盟则支持这些。

OrcaRouter 的定位不在于语音层。我们不托管 eleven_realtime_v1_max，也没有针对它的第三方端点。我们托管的是这种形态的智能体围绕模型所调用的一切：来自 16 个上游提供商的 209 个模型，通过一个密钥访问，按提供商标价、零加价，并在提供商出错或超时时自动故障转移。语音智能体成本高昂且多变的那一半，是它委托出去的检索与推理；这一半可以在不触碰音频循环的情况下替换，也正是投入一周调优能获得回报的地方。

什么会改变这一点

为 SeedRealtime 提供一个 API 才能让这成为真正的比较，而且不仅仅是因为那段视频。一个可调用的端点能让 Artificial Analysis 把该模型与其他人放在同一个四部分测试框架上，而这是得出一个能在不同厂商之间具有实际意义的数字的唯一途径。一份技术报告也能完成其中大部分工作。

在 ElevenLabs 这边，缺失的一环是在 Max 上跑一次 τ-Voice。等这件事落地，这一领域终于会得到一个可直接对比的智能体（agentic）数值，对应 ElevenLabs 作为任务导向型模型来推广的那款模型。在那之前，总结并不光鲜：这些模型里，有一个你能调用、测量、定价并交付；另一个你只能看着；而这两种处境之间的差距，比它们架构之间的差距还要大。