Vertiefende Analyse · Etwa 3 Min. Lesezeit
Eleven Realtime: Der erste Ton beweist noch keinen erfolgreichen Auftrag
Bei Mini und Max müssen Denken, Unterbrechungen, Werkzeuge und Anschluss getrennt bewertet werden.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
ElevenLabs stellte am 20. Oktober Eleven Realtime v1 Mini und Max vor. Die vollständige Ankündigung beschreibt Sprachmodelle über ElevenAgents oder eine separate WebSocket-API. Entscheidend ist, welche Gesprächsaufgaben delegiert werden können; eine einzelne Latenzzahl belegt keine Zuverlässigkeit des gesamten Dienstes.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Die Ankündigung nennt für Max und Mini 98.8% beziehungsweise 75.9% beim gesprochenen Schlussfolgern und 87.1% beziehungsweise 60.3% bei Werkzeugaufgaben. Das sind keine AISubHub-Messungen.
- Die API nutzt WebSocket, nicht WebRTC. Funktionen der ElevenAgents-Plattform werden dabei nicht automatisch übernommen.
Eine integrierte Schnittstelle ersetzt keine Geschäftsregeln
Übliche Sprachanwendungen verbinden Erkennung, Sprachmodell und Ausgabe mit Regeln für Pausen und Unterbrechungen. Die integrierte Schnittstelle kann den Koordinationsaufwand senken; die Ankündigung beweist aber nicht, dass intern sämtliche Verarbeitungsschritte verschwinden. Geschäftsregeln und Berechtigungen bleiben Aufgabe des Teams. Einen Termin abzufragen und ihn zu ändern sind unterschiedliche Verantwortlichkeiten. Eine überzeugende Stimme belegt nicht, dass das Buchungssystem eine richtige, erlaubte Änderung angenommen hat. Einfachere Einbindung, sichere Aktionen und Wiederherstellung bei Fehlern sind daher getrennte Prüfziele.
Vier Zahlenarten beantworten verschiedene Fragen
Laut Ankündigung führte Artificial Analysis die Bewertung durch. Big Bench Audio stellt 1000 gesprochene Denkfragen; berichtet werden 98.8% für Max und 75.9% für Mini. Werkzeugerfolg beträgt getrennt 87.1% und 60.3%. Im Full-Duplex-Bench für Gesprächsdynamik liegt dagegen Mini mit 95.8% vor Max mit 94.1%. Die Speech-Agent-Arena-Werte 998 und 988 sind Punktwerte, keine Prozente. Das spricht für aufgabenspezifische Auswahl, nicht einen universellen Sieger. Stichproben, Unsicherheit und Testbedingungen wurden von uns nicht unabhängig auditiert.
Der erste Ton ist erst der Anfang
Die berichtete durchschnittliche Zeit bis zum Sprechbeginn beträgt 0.57 Sekunden bei Max und 0.62 bei Mini. Das ist weder die vollständige Antwortdauer noch die abgeschlossene Werkzeugaktion oder jede mögliche Telefonverbindung. Ein hypothetischer Anrufer korrigiert etwa mitten im Satz seine Adresse. Eine schnelle Antwort kann trotzdem die alte Adresse festschreiben. Deshalb sollte ein Anwendungstest neben dem ersten Ton die Erholung nach Unterbrechungen und den tatsächlichen Endzustand messen. Dieses Lehrbeispiel beschreibt keinen von uns beobachteten Fehler der Modelle.
Kompatibilität ist nur ein Teil der Migration
ElevenLabs beschreibt OpenAI-Realtime-Kompatibilität und zeigt ein bestehendes SDK mit geändertem Endpunkt und Modell. Zugleich ist die API ausdrücklich nur für WebSocket vorgesehen; WebRTC-Anwendungen müssen ihren Transport ändern. Die separate API übernimmt nicht automatisch Kanäle, Wissensbasis, Workflows, Schutzregeln und Überwachung von ElevenAgents. Ein Team sollte zuerst seine Abhängigkeiten inventarisieren. Authentifizierung, Werkzeugberechtigungen, Fehlerbehandlung und Wiederaufnahme verlangen Tests in der wirklichen Integration. Ein Verbindungsbeispiel ist weder Nachweis gleicher Funktionen noch eine Produktionsabnahme.
Erst die Aufgabe festlegen, dann die Stimme wählen
Der Anbieter positioniert Mini für gewöhnliche Gespräche und Max für anspruchsvolle Werkzeugabläufe; genannt werden mehr als 90 Sprachen und 17000 Stimmen. Ein sinnvoller Pilot hält Aufgabe, Sprache, Audio und Berechtigungen konstant und erfasst richtige Antworten, erlaubte abgeschlossene Aktionen, Unterbrechungen und Gesamtdauer. Arena-Punkte sind keine Erfolgsprozente, eine große Stimmenbibliothek beweist kein besseres Denken. Preise und Zugang müssen separat geprüft werden: Die Ankündigung begründet weder Kostenfreiheit oder Open Source noch gleiche Dialektqualität oder beliebige kommerzielle Rechte an jeder Stimme.
Warum es wichtig ist
Unsere Analyse trennt angenehme Gespräche, richtige Entscheidungen und tatsächlich abgeschlossene autorisierte Aktionen. Gleiche Testaufgaben sollten auch den Endzustand nach einer Unterbrechung prüfen.
Grenzen und Verfügbarkeit
Wir lasen die vollständige Ankündigung, prüften aber nicht die ursprünglichen Benchmark-Läufe, nutzten die API nicht und kauften keine Kontingente. Ein bestätigter Stückpreis oder allgemeiner kostenloser Anspruch fehlt. Sprach- und Stimmenzahlen garantieren weder gleiche Qualität noch uneingeschränkte Nutzungsrechte.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.