一張為 MAI Realtime 1 對比 Eleven Realtime Max 生成的標題卡,顯示每音訊分鐘 $0.01 對 $0.08 的八倍價差,調漲費率標示為未公布,並附有 OrcaRouter 標誌。
Guides & Insights

MAI Realtime 1 vs Eleven Realtime Max:八倍價差,以及決定一切的關鍵數字

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

公布的費率讓這件事看似已成定局。MAI Realtime 1 每音訊分鐘收費 $0.01。Eleven Realtime Max——ElevenLabs 最頂尖的語音轉語音模型,列名為 Realtime v1 Max——根據 Artificial Analysis 的獨立標準化,每小時約 $4.80,也就是每分鐘 $0.08。八比一,這還沒把其他任何費用算進去。這個比較也以一種具體的算術方式產生誤導,而整篇文章講的就是這套算術:MAI Realtime 1 會在其每分鐘費率之外,再對第二個以 token 計價的推理模型收費,而微軟以外沒有人公布過第二道計費機制多久運行一次。

所以,有用的問題不是哪個標題數字比較小。而是這兩者之中,哪一個你能在簽約前算出成本,哪一個你必須先進行測量。這些答案指向相反方向,這正是為什麼這是個真正的決定,而不是形式上的程序。

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 Footer reads 'Eleven figures per Artificial Analysis; MAI performance mostly unpublished.'

每一項是什麼,用一行說明

• MAI Realtime 1 — Microsoft 首個語音轉語音模型,於 2026 年 11 月 17 日在 Ignite 發表。兩種層級:每分鐘一美分的快速對話路徑,以及每百萬輸入 token 1.00 美元、每百萬輸出 token 5.00 美元的推理引擎,較困難的輪次會移交給後者。透過 Foundry 提供有限存取預覽;在 MAI Labs 提供示範。支援 O​penAI Realtime API。

• Eleven Realtime Max — ElevenLabs 的語音轉語音模型,專為從事比閒聊更複雜工作的語音代理而設計。一套經過調校的系統,涵蓋語音辨識、輪流發言、LLM 與語音。可於 ElevenAgents 中使用,亦可透過與 OpenAI 相容的 Realtime API 使用,僅限 WebSocket。涵蓋 90 種以上語言。

• 兩者都未公布的是——MAI Realtime 1 支援哪些語言。Microsoft 的發布資料一個也沒列出,而對聯絡中心產品來說,這是首要問題,並非註腳。

有真實測量數據的那一面

Eleven Realtime Max 已有充分的獨立測試涵蓋,而其概況呈現失衡,這種失衡對代理設計有實質影響:

• 語音對語音指數 — 77.3,由 Artificial Analysis 提供,為推理、對話動態與代理能力的綜合評分。

• 語音推理(Big Bench Audio)— 98.8%。這是榜上最高的數字之一,也是模型圍繞打造的核心數字:它能準確回答困難的口語問題。

• 首次音訊時間 — 570 毫秒,在直接比較中是兩者中最快的,而且快到足以讓人感覺即時。

• 代理式任務完成度(τ-Voice)— 47.6%。這是弱點所在。一個能對所聽到的內容進行出色推理的模型,仍只完成評測框架所設定之多步驟任務的不到一半。

• 對話動態 — 94.1%。

• 混合成本——根據 Artificial Analysis 將 40 題 Big Bench Audio 子集標準化為每小時基準,每小時音訊約 4.80 美元。那是一種測量慣例,並非 ElevenLabs 的價目表,兩者不應互換引用。

MAI Realtime 1 幾乎沒有這些,而「幾乎」與「完全沒有」之間的差距才是有趣之處。Microsoft 在模型頁面上公布了一個準確率數字:Big Bench Audio 上達 98.8%。這是廠商數據——Microsoft 自己的評估、使用 Microsoft 挑選的基準,旁邊沒有公布方法論——而且沒有任何獨立評測機構重新跑過。另請注意,98.8% 在算術上與上方的 Eleven Realtime Max 數字相同;這只是兩套不同測試框架恰好落在同一百分比的巧合,不應解讀為兩個模型打平。除了那個單一數字之外,頁面上只有一張 P50 首次音訊時間卡,以及一個「BigBench Audio 上的 P50 延遲」說明文字,別無其他。沒有 τ-Voice 分數、沒有語言清單、也沒有該百分位數背後的分布。Microsoft 更大的主張——該模型位於 Big Bench Audio 和 τ-Voice 的效能-價格帕雷托前沿上——是在主張某個點會落在一個尚未公開繪製的圖表上的哪個位置。截至 11 月 18 日,Artificial Analysis 完全沒有收錄該模型。

那種不對稱並不是支持 ElevenLabs 的論據。它是關於你如今能知道什麼的論據:這些模型中,有一個具有經測量的 47.6% 代理能力分數,可供你據以規劃;另一個則只有廠商回報的準確率數字和一個百分位數。

在數據開始變動之前,先說明資料來源:以下每一個 Eleven Realtime Max 效能數據,都是 Artificial Analysis 的獨立測量。本文任何地方引用的唯一一項 MAI Realtime 1 效能數據——Big Bench Audio 上的 98.8%——是 Microsoft 自行提供、未經審計,且無論出現在何處都會如此標註。關於其效能,其他任何資訊完全沒有公開。

還沒有人算完的算術

先從語音線路說起,因為這是雙方唯一會如實公開的東西。

• MAI Realtime 1 — 每分鐘 $0.01 → 每小時對話 $0.60,僅限快速路徑。

• Eleven Realtime Max — 約等於每分鐘 $0.08 → 依 Artificial Analysis 的基準,每小時 $4.80。

分鐘計費表上出現八倍落差。現在再加上第二個計量器,並留意公開資訊中少了什麼:Microsoft 尚未說明有多少比例的交談輪次會升級到推理層級。因此,你建立的每個成本模型都有一個你必須自行臆測的輸入。以下是這個臆測輸入對答案造成的影響。以一通五分鐘的支援電話為例——語音時間為 $0.05——並假設在其升級的輪次中,推理引擎總共看到 5,000 個輸入 token 和 1,500 個輸出 token。以 Microsoft 每百萬 token $1.00 和 $5.00 的費率計算,對整通電話完整跑一遍的推理費用是 $0.0125。

• 零漲價——每通電話 $0.050,相較 ElevenLabs 的 $0.40。八比一,與宣傳一致。

• 一次完整推理流程 — 每次呼叫 $0.063。仍不到 ElevenLabs 價格的六分之一。

• 三次完整推理執行 — 每次呼叫 $0.088。略超過五分之一。

• 十輪完整推理——每次呼叫 0.175 美元。約為 ElevenLabs 那個數字的 44%,而這是任何客服對話都不太可能產生的工作量。

再讀一遍:即使推理負載增加到十倍,也無法在語音這條產品線上彌平八倍的差距。這意味著,這場比較最誠實的說法是:在真實對話所支持的每一種升級假設下,MAI Realtime 1 都便宜得多——而讓人猶豫的原因並不是價格。而是你目前還無法判斷這個模型是否足以勝任這項工作;而且 Microsoft 的預覽版在公開預覽前不收費,所以要弄清楚這件事,除了工程時間之外別無成本。

對那項算術有兩點但書,而這兩點都不利於把它當成預測。推論估算是我做的,不是微軟的——token 數量在只需一次工具呼叫的查詢與需要四次的例外情況之間差異極大。而 ElevenLabs 這一邊採用 Artificial Analysis 的每小時標準化,而不是 ElevenLabs 自己的價目表,因為 ElevenLabs 並未公布 Realtime Max 的固定每分鐘美元價格;它是以應用程式內估算來計算分鐘數加上 LLM token 的費用。所以這項比較在方向上站得住腳,但兩邊的數字都不夠精確;這對語音來說很正常,也值得明說。

有一點值得單獨說明。Foundry 有限存取預覽在公開預覽開始之前不會向客戶收費。因此,十一月寫下的成本比較,是拿你日後將支付的費用,對比現在可零成本運行的預覽。理性的做法是實測,而非談判。

ElevenLabs 在哪些方面完全沒有在價格上處於劣勢

八重圖形所隱藏的兩件事。

第一點是,ElevenLabs 賣的不是單純的分鐘計量器。ElevenAgents 按分鐘計價,外加 LLM token 成本,並在應用程式內提供每分鐘預估;Realtime API 則按連線音訊的分鐘數收費,外加 token 費用,且所有方案都採用相同的 token 價格。已經在 ElevenAgents 生態內的團隊,不會拿 $0.01 和 $0.08 相比——他們比較的是相對於已整合平台的邊際變動,該平台具備電話、網頁小工具、WhatsApp 與聯絡中心部署,以及 SOC 2、HIPAA、GDPR、歐盟資料駐留與零保留選項。

第二點是,合規清單本身是一項有其自身價格的產品功能。對於臨床或金融語音代理而言,歐盟資料駐留與零保留並非較便宜模型所能替代的加分項。Microsoft 的公告對 MAI Realtime 1 的資料駐留、保留或認證隻字未提——而該模型正處於有限預覽階段,這正是此類條款通常尚未確定的階段。

所以,分野並不是「便宜對上昂貴」,而是「便宜且未經衡量、企業條款仍付之闕如」對上「價格高出四倍、文書作業已完成,還有一個 47.6% 的代理能力評分,夠不夠由你決定」。

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.

兩者都執行,尚未選擇

兩個模型都支援 OpenAI Realtime API,這是這項比較中最有用的一項事實。只要語音技術堆疊是依照該介面撰寫,就能指向其中任何一個,這讓決策變成設定問題,而不是重寫。這也是為什麼在評估期間應讓兩者都保持可用,而不是先挑一個再測試。

這正是 OrcaRouter 所針對的情境,而值得精確說明的是其中哪一半適用。MAI Realtime 1 不在我們的產品目錄中——它只能透過 Microsoft 的 MAI Labs 示範與 Foundry 有限存取預覽取得,就這樣。我們所路由的是它背後的那一層:語音代理升級後所接上的推理模型,以供應商牌價、0% 加價,因此該層級的價格變動會在其發生當天反映到你的帳單,而不是等到續約時。自動容錯移轉在語音場景比其他任何地方都更重要,因為一輪對話卡住,就是真人在聽著無聲;在幾百毫秒內轉到第二家供應商的請求是聽不出來的,而重試四秒的請求,正是客戶抱怨的來源。當預覽結束、MAI Realtime 1 正式推出時,同一把金鑰與同一套路由規則就能承接它——前提是它會進入產品目錄,而目前它還沒有。

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'.

這週誰該做什麼?

如果你的語音代理是客服或排程介面,多數對話輪次很短,困難的部分是查詢,那麼 MAI Realtime 1 的經濟效益明顯勝出,而且預覽免費——現在就建立評估,自行量測升級率,並把 Microsoft 未公布的尾端延遲視為可由你自己的量測取代的項目。

如果你的代理的價值在於多步驟工作——對接三個系統進行預訂、驗證身分、處理例外——那麼 Eleven Realtime Max 上 47.6% 的代理能力分數,是你讀得懂的基準測試;而 MAI Realtime 1 的則是一片空白。在這裡只按價格購買,等於替工作中最困難的部分買一個未經測量的模型。

如果合規性比效能更早決定你的供應商,那麼 Microsoft 公告中的任何內容都不會改變你這個月的答案。有限預覽不是執行受保護資料的地方,而允許你這麼做的條款尚未公布。

八倍差距是真實存在的,而且很可能會持續下去。它也是這裡最不有趣的數字,因為決定這場對決的問題是:每分鐘一美分的模型究竟能不能完成任務——而唯一還沒告訴我們答案的,就是販售它的那一方。