一张为 MAI Realtime 1 与 Eleven Realtime Max 生成的标题卡,显示每音频分钟 $0.01 与 $0.08 之间八倍的价差,升级费率标记为未公布,另含 OrcaRouter 标志。
Guides & Insights

MAI Realtime 1 与 Eleven Realtime Max:八倍价差,以及决定胜负的那个数字

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

公布的价格让这件事看起来已成定局。MAI Realtime 1每音频分钟收费 0.01 美元。Eleven Realtime Max——ElevenLabs 顶级的语音到语音模型,列为 Realtime v1 Max——根据 Artificial Analysis 的独立标准化计算,每小时约 4.80 美元,即每分钟 0.08 美元。八比一,这还没算其他任何费用。这种比较还以一种具体的、算术上的方式具有误导性,而算术正是全文的关键:MAI Realtime 1 在按分钟计费之外,还会对第二个按 token 计价的推理模型收费,而微软以外还没有人公布过这第二项计费究竟多久触发一次。

所以,有用的问题不是哪个标题数字更小,而是这两者中哪一个你能在签约前算出成本,哪一个必须先测量。这些答案指向相反的方向,所以这是真正的决策,而不是走形式。

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 Footer reads 'Eleven figures per Artificial Analysis; MAI performance mostly unpublished.'

每项是什么,用一行说明

• MAI Realtime 1 — 微软首个语音到语音模型,于 2026 年 11 月 17 日在 Ignite 上发布。分为两档:每分钟一美分的快速对话通道,以及一个推理引擎,每百万输入 token 收费 1.00 美元、每百万输出 token 收费 5.00 美元,较难的轮次会移交给它处理。通过 Foundry 提供有限访问预览;在 MAI Labs 中有演示。支持 O​penAI Realtime API。

• Eleven Realtime Max — ElevenLabs 的语音到语音模型,适用于承担比闲聊更复杂任务的语音智能体。一个经过调优的系统,涵盖识别、轮流发言、LLM 和语音。可在 ElevenAgents 中使用,也可通过兼容 OpenAI 的 Realtime API 使用,仅支持 WebSocket。覆盖 90 多种语言。

• 两者都未公布的内容——MAI Realtime 1 支持的语言。微软的发布材料没有列出任何一项,而对于一款联络中心产品来说,这是首要问题,而非脚注。

有真实测量数据的那一侧

Eleven Realtime Max 已获得独立测试的充分覆盖,而其性能概况存在不均衡,这一点对智能体设计至关重要:

• 语音到语音指数 — 77.3,来自 Artificial Analysis,基于推理、对话动态与智能体能力的综合评估。

• 语音推理(Big Bench Audio)— 98.8%。这是榜单上最高的数字之一,也是该模型构建时所围绕的核心数字:它能准确回答高难度的语音问题。

• 首次出声时间——570 毫秒,直接对比中是两者中最快的,快到足以让人感觉即时。

• 智能体任务完成率(τ-Voice)——47.6%。这是薄弱环节。一个能对所听到内容进行出色推理的模型,仍然只能完成评测框架为其设定的多步任务中不到一半的任务。

• 对话动态 — 94.1%。

• 混合成本——约为每小时音频 4.80 美元,依据 Artificial Analysis 将包含 40 个问题的 Big Bench Audio 子集按小时基准进行归一化后的结果。这是一种测量口径,而非 ElevenLabs 的费率表,两者不应互换引用。

MAI Realtime 1 几乎没有这些,而“几乎没有”与“完全没有”之间的差距才是有意思的部分。Microsoft 在模型页面上只公布了一个准确率数字:在 Big Bench Audio 上为 98.8%。这是一个厂商数字——由 Microsoft 自己评估、使用 Microsoft 选定的基准测试,旁边没有公布任何方法说明——也没有独立评测机构复跑过。还要注意,98.8% 在算术上与上文的 Eleven Realtime Max 数字完全相同,这只是两套不同测试框架碰巧落在同一百分比上的巧合,不应解读为两个模型打平。除了这一个数字之外,页面上只有一张 P50 首音频时间卡片和一句“BigBench Audio 上的 P50 延迟”的说明,再无其他。没有 τ-Voice 分数,没有语言列表,也没有百分位数背后的分布。Microsoft 更大的主张——即该模型处于 Big Bench Audio 和 τ-Voice 的性能-价格帕累托前沿上——是在说一个点会落在一张尚未公开绘制的图表上的什么位置。截至 11 月 18 日,Artificial Analysis 完全没有收录该模型。

这种不对称性并不是支持 ElevenLabs 的论据。它说明的是你今天能知道什么:这些模型中,有一个拥有可据此规划的、实测 47.6% 的智能体得分;另一个则只有一个供应商报告的准确率数字和一个百分位数。

关于数据来源的说明,在数字开始变化之前:下文每一个 Eleven Realtime Max 性能数据都是 Artificial Analysis 的独立测量结果。本文任何地方引用的唯一一个 MAI Realtime 1 性能数据——Big Bench Audio 上的 98.8%——来自微软自身,未经审计,并且凡出现之处均已如此标注。关于其性能的其他任何信息都完全没有公布。

没人算完的算术

从语音线路开始,因为这是双方唯一会如实公布的信息。

• MAI Realtime 1 — $0.01/分钟 → 每小时对话 $0.60,仅限快速路径。

• Eleven Realtime Max — 按 Artificial Analysis 的计算基准,约合每分钟 0.08 美元 → 每小时 4.80 美元。

分钟计费上存在八倍差距。现在再加上第二个计费表,并注意公开信息中缺失了什么:微软没有说明有多大比例的轮次会升级到推理层级。因此,你构建的每个成本模型都有一个你必须自行臆造的输入。以下是这个臆造输入会对答案产生的影响。设想一通五分钟的支持电话——语音时间为 0.05 美元——并假设在其升级的轮次中,推理引擎总共看到 5,000 个输入 token 和 1,500 个输出 token。按微软每百万 1.00 美元和 5.00 美元的费率计算,对整通电话完整处理一遍的推理费用就是 0.0125 美元。

• 零加价——每次调用 $0.050,而 ElevenLabs 为 $0.40。八比一,一如宣传。

• 一次完整推理——每次调用 $0.063。仍不到 ElevenLabs 数字的六分之一。

• 三次完整推理轮次——每次调用 $0.088。略高于五分之一。

• 十次完整推理轮次——每次调用 0.175 美元。约为 ElevenLabs 数值的 44%,而且这是任何客服对话都不可能合理产生的负载。

再读一遍:即使推理负载增加十倍,也无法弥合语音线上八倍的差距。这意味着,对这项比较最诚实的表述是:在任何真实对话所支持的升级假设下,MAI Realtime 1 都以大幅优势更便宜——而让人犹豫的原因并不是价格,而是你目前还无法判断这个模型是否足以胜任这项工作;并且微软的预览版在公开预览前不收费,所以想弄清楚这一点,付出的只是工程时间,没有金钱成本。

对那套计算有两点提醒,而这两点都不支持把它当作预测。推理部分的估算是我做的,不是微软的——token 数量在不同场景下差异极大:有的查询只需一次工具调用,而有的异常需要四次。ElevenLabs 这一侧用的是 Artificial Analysis 的小时归一化,而不是 ElevenLabs 自己的价目表,因为 ElevenLabs 没有公布 Realtime Max 固定的每分钟美元价格;它是通过应用内估算来对分钟数加 LLM token 计价。所以这个对比在方向上站得住,但两边的数值都不够精确,这对语音来说很正常,也值得明确说出来。

有一点确实值得单独说明。Foundry 的受限访问预览在公开预览开始之前不会向客户收费。因此,一份在 11 月写就的成本对比,实际上是在拿你日后将要支付的费用,与一个你现在就能零成本运行的预览版作比较。理性的做法是去实测,而不是去谈判。

ElevenLabs 在价格上完全不处于劣势

八重图形所隐藏的两件事。

第一点是,ElevenLabs 并不是在卖一个按分钟计量的计价器。ElevenAgents 按分钟定价,外加 LLM token 成本,并在应用内提供每分钟估算;Realtime API 按连接音频的分钟数收费,外加 token 费用,而且所有套餐的 token 价格相同。已经使用 ElevenAgents 的团队并不是在拿 $0.01 和 $0.08 作比较——他们比较的是在已经集成的平台上产生的边际变化,而这个平台具备电话、网页组件、WhatsApp 和联络中心部署,以及 SOC 2、HIPAA、GDPR、欧盟数据驻留和零留存选项。

第二点是,合规清单本身就是一项有自身定价的产品功能。对于临床或金融语音代理而言,欧盟数据驻留和零保留并非可有可无、可被更便宜模型替代的附加项。微软的公告对 MAI Realtime 1 的数据驻留、保留或认证只字未提——而且该模型处于有限预览阶段,而这恰恰是这些条款通常尚未确定的阶段。

所以,区别不在于“便宜还是昂贵”,而在于“便宜且未经衡量、企业条款仍未写定”与“价格是四倍、文书工作已完成,并附带一个 47.6% 的 agentic 评分,让你自行判断它够不够”之间的对比。

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.

两个都运行,还没做选择

两个模型都兼容 OpenAI Realtime API,这是本次比较中最有用的一个事实。基于该接口编写的语音栈可以指向其中任意一个,这使决策变成配置问题,而不是重写。这也是在评估期间让两者都保持可访问、而不是先选一个再测试的原因。

这正是 OrcaRouter 所针对的场景,而值得精确说明的是其中哪一半适用。MAI Realtime 1 不在我们的目录中——它只能通过 Microsoft 的 MAI Labs 演示和 Foundry 的有限访问预览获取,仅此而已。我们路由的是它背后的那一层:语音代理会升级调用的推理模型,按提供商标价、0% 加价,因此该层级的费率一旦变化,当天就会反映到你的账单上,而不是等到续约时。自动故障转移在语音场景中比其他任何地方都更重要,因为一轮对话卡住就是有人在听着沉默;请求在几百毫秒内切换到第二个提供商是听不出来的,而重试四秒的那种情况正是客户会抱怨的。当预览结束、MAI Realtime 1 全面可用时,同一个密钥和同一套路由规则就能承载它——前提是它进入目录,而目前它还没有。

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'.

本周谁应该做什么

如果你的语音智能体是一个支持或日程安排界面,其中大多数轮次都很短,而困难的部分是查询,那么 MAI Realtime 1 的经济性优势非常明显,而且预览是免费的——现在就构建评估,自行测量升级率,并把微软未公布的尾部延迟视为可由你自己的测量来替代的内容。

如果你的智能体的价值在于多步骤工作——跨三个系统预订、验证身份、解决异常——那么 Eleven Realtime Max 上 47.6% 的 agentic 得分是一个可参考的基准,而 MAI Realtime 1 的则是一片空白。在这里只按价格购买,意味着为工作中最难的部分买一个未经测量的模型。

如果合规性先于性能表现决定了你选择哪家供应商,那么微软的公告中没有任何内容会改变你本月得出的答案。有限预览并不是运行受保护数据的地方,而允许你这样做的条款尚未公布。

八倍差距真实存在,而且很可能持久。它也是这里最不有趣的数字,因为决定这场对决的问题是:每分钟一美分的模型能否完成一项任务——而唯一尚未告诉我们答案的,正是出售它的那一方。