Eleven Realtime v1 Max 對比 Gemini 3.8 Live：速度更快、推理更精準，價格卻高達 5.7 倍

Eleven Realtime v1 Max 在 0.57 秒內開口，並在 Big Bench Audio 上取得 98.8% 的正確率。G​emini 3.8 Live 在 1.18 秒內開口，正確率為 92%。在人們爭論語音模型時常引用的兩項指標上，E​levenLabs 兩項都勝出——但隨後在財務團隊關心的幾乎每一個面向上都落敗，首先是在同一份基準評測中，G​emini 每小時音訊為 0.84 美元，而 Eleven Realtime Max 為 4.80 美元。這類模型背後有紀錄的 AI 事件與代理失敗，都收錄在 OrcaRouter AI 事件檔案庫中，每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

這兩款模型對於什麼是語音代理也意見分歧。G​emini 3.8 Live 是平台的一部分：它有一項指數分數、一份有文件記載的費率卡、97 種語言、對每個生成的秒數套用 SynthID 浮水印，以及兩種變體——標準版與 Extended Thinking——將推理與對話分開。Eleven Realtime v1 Max 則是單一模型，其販售承諾是辨識、輪流發言、思考與語音經過共同調校，而且它完全沒有 Speech to Speech Index，因為該指數背後的代理式基準測試尚未在其上執行。

最後那句話，就是整個論點的濃縮。這些模型之中，有一個擁有完整的公開成績單；另一個則在它僅有的兩行上交出最漂亮的數字，而最難的那一行卻是空白。

計分板上實際寫的是什麼

以下每一項數據都來自 Artificial Analysis 的語音轉語音排行榜；該排行榜以同一套測試架構對兩個模型進行測試，而非轉述廠商頁面。若廠商提供的數據有所不同，則會加以標註。

• 語音推理（Big Bench Audio）— Eleven Realtime v1 Max 98.8% 對比 G​emini 3.8 Live 92%

• 首個音訊輸出時間 — Max 0.57 秒，而 G​emini 為 1.18 秒

• 任務成功率 — Max 87.1% vs G​emini 93.2%

• 代理式效能（τ-Voice）— Max 未測量，對比 G​emini 30.1%

• 對話動態（Full-Duplex-Bench）— Max 94.1% 對比 Gemini 96.1%

• 競技場偏好（Elo）— Max 997 對上 G​emini 1,078

• 語音轉語音指數 — Max 未評分，對比 Gemini 76.0

• 每小時輸入音訊成本 — Max $4.80，對比 Gemini $0.84

這個模式並不是「ElevenLabs 在音訊上更強，Google 在其他所有方面都更強」。它更狹窄，也更有意思。Max 在固定音訊問題集上進行的兩項量測中勝出——正確回答、快速回答——但在三項需要人類參與迴路或工具呼叫才能完成的量測中落敗。Arena 偏好是人們聆聽並選擇。任務成功是正確的函式是否被呼叫。對話動態是輪流發言是否感覺恰當。那些是生產指標，而 Gemini 拿下全部三項。

在任何人引用 τ-Voice 這一列之前，值得先加個但書。Gemini 3.8 Live 的 30.1% 確實是很差的代理任務分數——它自家的 Extended Thinking 同系列模型在同一項測試拿到 68.6%，而 GPT-Live-1（Astra，medium）拿到 74.5%。如果你的代理必須在政策規範內變更預訂，單純的 3.8 Live 不是你要的模型。但 Max 的空白不是零，也不應被解讀為零。那表示這項測試尚未執行。

價差從何而來，以及為何它可能沒有表面上看起來那麼重要

{{1}}Gemini 3.8 Live 的音訊輸入每分鐘收費 $0.005、音訊輸出每分鐘 $0.018，文字則為每百萬個 token $0.75 與 $4.50，圖像或影片輸入為每百萬 $1.00。{{/1}}Eleven Realtime 完全不公布各模型的費率：在 ElevenAgents 中，您需支付標準的每分鐘代理費用，另加按 Realtime 模型費率計算的 token 費用；而透過 Realtime API，則需支付連線音訊的每分鐘費用外加 token 費用，且所有方案中的 token 價格皆相同。Artificial Analysis 將兩者換算為固定題組上的每小時成本，這是唯一能誠實比較兩者的方式，結果為 $0.84 對上 $4.80。

隨之而來有兩點。第一，如果你的用量是以每天數千分鐘計，那麼差距本身就是決策依據——5.7 倍不是捨入誤差，而 ElevenLabs 除了更便宜的 Mini 之外，沒有任何公開的手段可以縮小這個差距。第二，這種比較不像標價那樣靜態。Google 過去曾調降 Gemini 的音訊價格，而當供應商將標價直接轉嫁時，降價當天就會反映在我們這邊，因為 OrcaRouter 不加價。反過來也一樣：如果 ElevenLabs 公布 Realtime 的價格，數字就會改變，無需任何人改寫整合。

關於輪流發言的兩種不同押注

這些架構並不等價，而這個差異比任何品質主張都更能解釋指標上的分歧。

Gemini 3.8 Live 是 Google 兩年來持續推出的一系列產品中的其中一員。

它以近乎即時的速度處理視覺輸入，能在對話進行中切換 97 種語言，並在背景執行工具與 API 呼叫，讓代理程式能在查詢完成的同時先確認請求並繼續交談。它的同系列模型 Gemini 3.8 Live Extended Thinking 則能邊推理邊說話，同步敘述進度。兩者都帶有 SynthID 浮水印，並共用一份以 gemini-3-8-audio 發布的模型卡；兩者也都公布了 API ID：gemini-3.8-live 與 gemini-3.8-live-extended-thinking。

Eleven Realtime 將整套技術堆疊合併，而非加以協調。

語音辨識、輪流發言、推理步驟與語音生成構成一個經過調校的整合系統，因此它能在 0.57 秒內回應，而不需要另設語音活動偵測器來判斷通話者何時說完。E​levenLabs 自己用來展示成效的例子就是回饋訊號（backchannel）：文件記載 Mini 能偵測說話者是已經講完，還是只是用「mm-hmm」插話。正是這種行為讓語音代理不再給人對講機的感覺，而這也正是串接式管線難以處理的地方，因為必須告訴 VAD 什麼才算打斷。

合併設計的代價就是控制權。在 ElevenAgents 中，選擇 Realtime 模型意味著由 ElevenLabs 全權管理 LLM、推理強度、思考預算、平行工具呼叫、串接逾時、TTS 模型、表達模式與 ASR 供應商。你無法自備 LLM，也無法使用 Amazon Bedrock，而工作流程節點無法覆寫上述任何一項設定。Gemini 則讓你選擇模型，同時保留自己的管線。

沒有人會放進比較表的整合問題

G​emini 3.8 Live 是 G​emini API 模型。Eleven Realtime 以兩種方式販售——在 ElevenAgents 內，以及透過與 O​penAI 事件協定線路相容的 Realtime API（wss://api.elevenlabs.io/v1/convai/realtime）。如果你已有 O​penAI Realtime 用戶端，遷移工作大部分就只是變更端點和模型名稱；文件包含一個只需一道指令的技能。

為了換取那樣的相容性，你犧牲掉的是平台。Realtime API 與 ElevenAgents 是採用不同連線協定的獨立產品，而這個 API 不支援電話或 WhatsApp 頻道、知識庫、護欄、腳本化測試或對話監控。ElevenLabs 也明確表示，Realtime API 推出時不支援 WebRTC——僅支援 WebSocket。

這種不對稱正是路由層發揮作用的地方，而它放在 G​emini 這一側比放在 E​levenLabs 這一側更合適。OrcaRouter 並不代管 eleven_realtime_v1_max；它沒有第三方端點，我們也不會假裝不是這樣。OrcaRouter 真正代管的是 G​emini 形態堆疊的其餘部分：google/gemini-3.8-flash 與其他 G​emini 模型，全都透過同一把金鑰存取，總共 209 個模型、來自 16 家供應商，按供應商定價零加成，並在供應商出錯時自動容錯轉移。如果你在 G​emini 上建構語音層，圍繞它的檢索與通話後分析就能替換，並以你自己的流量進行 A/B 測試，而不是憑排行榜就定案。

該選哪一個

選擇 Gemini 3.8 Live，前提是代理必須完成交易、你需要每小時低於一美元的價格、你需要視覺輸入，或者你需要在同一線路上支援 97 種語言。它具備完整的公開評分卡、有文件記載的費率卡，以及更便宜的每分鐘費率。它的代理式能力弱點確實存在，但可以衡量；如果任務完成是瓶頸，它的 Extended Thinking 版本就是解決方案。

Pick Eleven Realtime v1 Max若對話本身就是產品——例如家教、角色、支援專線，而「被切斷」正是客訴所在——且你的工作負載是推理密集的音訊，而非長時間的連續通話，那就選它。你買到的是市場上最快的強力推理模型，以及量測最完善的輪替發言機制，代價是較高的價格溢價，在正式投入前應先建立成本模型評估。

不要只單憑指標分數就下定論。Max 並沒有這個分數，而這不是在貶低 Max 的品質；這是在說明 Max 的行為還有多少尚未被測量。唯一會改變這項比較的數字，是對 Max 執行一次 τ-Voice 測試。如果結果高於 G​emini 的 68.6%——是 Extended Thinking 版本，不是標準版——E​levenLabs 的高階方案就開始看起來像保險單，而不是稅金。在結果出爐之前，較快的模型才是更需要證明自己的那一方。