Eleven Realtime v1 Max 對決 SeedRealtime：一個有定價和六項基準測試，另一個只有示範

Eleven Realtime v1 Max 是一個可呼叫的語音轉語音模型，具備有文件記載的端點、六項已公布的基準測試結果，以及每小時音訊 4.80 美元的標準化成本。SeedRealtime 是 B​yteDance Seed 的視聽全雙工模型，於 2026 年 8 月 5 日宣布，且它沒有 API、沒有權重、沒有技術報告、沒有參數量，也沒有價格。這場比較在開始之前看似已成定局——然後你注意到，E​levenLabs 的模型也少了一項基準測試，而缺少的那一項正是 B​yteDance 從未公布的同一類證據。 此類模型背後有記錄的 AI 事故與代理失效收集於 OrcaRouter AI Incident Archive，其中每一條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

這就是這場對決的真正樣貌。兩款模型都以同一項主張作為賣點：輪流發言應該存在於模型內部，而不是交給外掛在其外的語音活動偵測器。兩者都要求你信任一種只能靠與它們對話來判斷的行為。E​levenLabs 以第三方評估測試框架和每小時成本數字來回應；B​yteDance 則以一份內部偏好研究來回應。其中一個可用；兩者都不完整。

每一項實際上主張的內容

Eleven Realtime v1 Max將四個階段整合到單一網路中：辨識、輪流發言、推理與語音生成。E​levenLabs 的賣點是，將它們一起調校可消除串接式架構留下的接縫——來電者停止說話後那死寂的半秒、會在他人插話時搶話的代理、以及所聽到內容與回話內容之間的落差。Max 在這套設計中加入了推理步驟，定位於處理複雜任務與多步驟工具呼叫；它的同系列產品 Eleven Realtime v1 Mini 則是低成本的對話版本，也是每個新的 ElevenAgents 代理預設會採用的版本。

SeedRealtime在模態方面走得更遠，在其他各方面則沒那麼深入。ByteDance 的模型將音訊、視訊與文字統合於單一的端對端架構中，這意味著它能同時觀看、聆聽與說話，而不是把視覺模型串接到 ASR 模型、再串接到語言模型、再串接到語音。其展示的行為是雙模態系統無法產生的：在吵雜的群體對話中將聲音與人臉綁定，讓模型追蹤誰說了什麼；當目標物體進入畫面時主動出聲；以及在博物館導覽和裝置維修情境中，模型需要看見你正在看的東西。

音訊加視訊是比音訊加文字更難處理的問題，而 SeedRealtime 挑的正是較難的那一個。這一點值得先直白講清楚，之後本文其餘部分才會解釋，為什麼你目前仍然用不了它。

證據，誠實權衡

Artificial Analysis 會對此類別中的模型同時執行語音推理測試與對話動態測試。它已在 Eleven Realtime v1 Max 上執行過這些測試。它尚未在 SeedRealtime 上執行，也無法執行——因為沒有可呼叫的端點。

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

• 對話動態（Full-Duplex-Bench）— Max 94.1% 對比 SeedRealtime 未公布

• 任務成功率 — Max 87.1%，相較之下 SeedRealtime 未公佈

• 競技場偏好（Elo）— Max 997 對 SeedRealtime 未公開

• 代理式效能（τ-Voice）— Max 未測量，對比 SeedRealtime 未公布

• 首個音訊播放時間 — 最高 0.57 秒，而 SeedRealtime 則無以毫秒計的延遲數據

• 每小時輸入音訊成本 — 最高 $4.80，對比 SeedRealtime 尚無商業方案

• 輸入模態 — Max：音訊與文字 vs SeedRealtime：音訊、視訊與文字

SeedRealtime 唯一領先的那一列，正是沒有人買得到的那一列。B​yteDance 唯一公開的數字，是一項端到端人工評估，聲稱 SeedRealtime 能將串接式 ASR＋視覺＋T​TS 系統的對話節奏問題減半——更少截斷、更少誤觸發、回覆更慢也更自然。沒有樣本數、沒有方法論、沒有標註員人數、沒有以毫秒計的延遲。一份次要報告引用相較於該團隊先前模型有 12% 的流暢度提升。這就是全部的證據基礎。

現在來看另一邊的誠實部分。Max 的 τ-Voice 那一列是空白的，這點很重要，因為 Max 是 E​levenLabs 以任務完成為賣點所銷售的模型。它的 98.8% 推理分數是在 1,000 道音訊問題上測得的，而不是在帶有工具與政策文件的客服通話上測得的。所以 E​levenLabs 有六個數字和一個缺口，而 B​yteDance 有一個數字卻沒有端點——不同的失效模式，相同的根本處境：每個模型被行銷主打的內容，並不是每個模型實際被測量的內容。

為什麼架構比對戰組合更重要

一年前，語音代理是一條管線，上面再加一個協調器。必須有人判斷使用者何時停止說話，把轉錄文本路由到語言模型，等待詞元生成，再把文字交給合成器，而合成器還得聽起來像是本來就參與了這場對話。每個階段都增加延遲，每次交接都多出一道接縫。

這兩個模型都押注接縫正是問題所在。Eleven Realtime 的解答是將音訊端的各個階段——聆聽、輪流發言、思考、說話——合併成單一網路，並讓模型維持純音訊。SeedRealtime 的解答則是將這些階段合併，再加上視覺，讓模型能從指點手勢判斷出「這一個」，或注意到正在交談的對象已經走開。

這項取捨在規格中清楚可見。Eleven Realtime Max 在 0.57 秒內回答，並在僅音訊輸入的推理測試中得分 98.8%。SeedRealtime 的主張是輸入範圍更廣，並意味著每輪有更多上下文；其代價是視覺全雙工服務成本高昂，這可能是它只在消費級應用程式中推出的合理原因。兩家公司都未公布能讓這項比較量化的延遲數據，而且其中只有一家公布了可供第三方查核的內容。

存在但不屬於此模型的 B​yteDance 端點

這是值得避免的錯誤，因為它很容易犯，卻要付出高昂代價才會發現。ByteDance 的雲端事業體 Volcano Engine 記載了一個獨立的即時語音產品——Doubao 即時語音模型 3.0——可透過 WebSocket 端點並搭配主控台 API 金鑰存取，輸入為 16 kHz PCM 或 Opus，輸出為 24 kHz 音訊，並使用即時事件協定。

那是同一家公司、同一產品領域的開發者 API，而且它不是 SeedRealtime。它僅支援音訊：沒有視訊、沒有人臉綁定、沒有視覺接地。它是一個獨立模型，有其自身的發布歷程。尋找 ByteDance 即時語音 API 的團隊會找到那份文件、依它進行整合，並以為自己使用的是報導所指的模型。Volcano Engine 尚未公布影音模型端點的上線日期。任何提供 SeedRealtime 存取權的刊登內容，提供的都是別的東西。

如果你有產品要出貨，這代表什麼

本季生產工作上，這兩者之間無需抉擇。Eleven Realtime v1 Max 現在已可透過 ElevenAgents 或 wss://api.elevenlabs.io/v1/convai/realtime 上相容於 OpenAI 的 Realtime API 呼叫，而 SeedRealtime 則是中國一款手機應用程式內的研究里程碑。

真正存在的決策，是如何圍繞這點來建構。ElevenLabs 的 Realtime API 推出時僅支援 WebSocket——不支援 WebRTC——而且它與 ElevenAgents 是不同產品，因此電話、WhatsApp、知識庫、護欄與監控只會隨平台端提供。Max 也未在印度與新加坡的資料駐留環境中提供，且需要至少 1,024 的 token 上限；奇怪的是，Mini 支援印度與新加坡，卻不支援 Zero Retention Mode 或 HIPAA，而 Max 在美國與歐盟則支援。

OrcaRouter 的適用位置不是語音層。我們不託管 eleven_realtime_v1_max，也沒有針對它的第三方端點。我們託管的是這種形態的 agent 在模型周圍所呼叫的一切：來自 16 家上游供應商的 209 個模型，全部透過同一把金鑰存取，採用供應商牌價且零加成，並在供應商發生錯誤或逾時時自動容錯移轉。語音 agent 中昂貴且變動性高的那一半，是它委派出去的檢索與推理；那一半無須更動音訊迴圈即可替換，而一週的調校正是在這裡帶來回報。

什麼會改變這個

一個給 SeedRealtime 的 API 才能讓這成為真正的比較，而且不只是因為影片的緣故。一個可呼叫的端點能讓 Artificial Analysis 把這個模型放上與其他所有模型相同的四部分測試框架，而這是得出一個能跨廠商通用、有意義數字的唯一途徑。一份技術報告也能達成大致相同的效果。

在 E​levenLabs 這邊，缺的那一塊是在 Max 上跑 τ-Voice。等這個結果出來，這個領域終於會有一個可公平比較的代理式數字，對應 E​levenLabs 當作任務導向模型來宣傳的那個模型。在那之前，總結並不光鮮：這些模型裡，有一個你能呼叫、量測、定價並交付；另一個你只能看著，而這兩種處境之間的差距，比它們架構之間的差距還大。