Análisis en profundidad · Unos 4 min de lectura
Eleven Realtime: la primera palabra no demuestra que la tarea esté terminada
Mini y Max exigen comparar razonamiento, interrupciones, herramientas y transporte por separado.
- Publicado aquí
- Fecha de la fuente
- Fuente revisada
ElevenLabs anunció Eleven Realtime v1 Mini y Max el 20 de octubre. El anuncio completo presenta modelos de voz a voz accesibles mediante ElevenAgents o una API WebSocket independiente. La decisión práctica es qué tareas se pueden delegar, no si una cifra de latencia basta para declarar fiable todo el servicio.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- El anuncio comunica 98.8% frente a 75.9% en razonamiento hablado y 87.1% frente a 60.3% en tareas con herramientas, para Max y Mini. No son mediciones nuestras.
- La API utiliza WebSocket, no WebRTC; las funciones de ElevenAgents pertenecen a otra vía de integración.
La integración cambia la coordinación, no la responsabilidad
Una aplicación de voz convencional une reconocimiento, modelo de lenguaje y síntesis, además de reglas para pausas e interrupciones. ElevenLabs propone una interfaz conversacional más integrada; eso puede reducir componentes que coordinar, pero no demuestra que todas las etapas internas hayan desaparecido. El equipo debe seguir definiendo permisos y reglas del negocio. Consultar una cita y modificarla son responsabilidades distintas: una respuesta convincente no prueba que el sistema de reservas haya aceptado una actualización correcta y autorizada.
Cuatro mediciones para preguntas diferentes
El anuncio atribuye la evaluación a Artificial Analysis. Big Bench Audio plantea 1000 preguntas de razonamiento por voz: Max obtiene un 98.8% declarado y Mini un 75.9%. En herramientas se informan 87.1% y 60.3%. Sin embargo, en Full-Duplex-Bench, sobre dinámica conversacional, Mini alcanza 95.8% y Max 94.1%. Los valores 998 y 988 de Speech Agent Arena son puntuaciones, no porcentajes. Nuestra lectura favorece comparaciones por tarea, no un ganador universal; no auditamos muestras, incertidumbre ni condiciones subyacentes.
El primer audio inicia la respuesta
El inicio medio del habla comunicado es de 0.57 segundos para Max y 0.62 para Mini. No equivale a terminar la respuesta, ejecutar una herramienta o atravesar cualquier red telefónica. Imaginemos, como ejemplo didáctico, que alguien corrige una dirección a mitad de frase. Una contestación rápida puede parecer eficaz y aun así guardar la dirección anterior. Conviene medir recuperación tras interrupciones y concordancia del estado final, además del primer audio. No afirmamos que los modelos hayan cometido ese error.
Compatibilidad no significa migración completa
El proveedor describe compatibilidad con OpenAI Realtime y muestra un SDK existente con otro endpoint y modelo. Pero especifica WebSocket exclusivamente: una aplicación WebRTC debe cambiar de transporte. La API independiente tampoco incorpora automáticamente los canales, conocimiento, flujos, controles y supervisión de ElevenAgents. Antes de migrar hay que inventariar las funciones utilizadas. Autenticación, autorización de herramientas, errores y recuperación deben comprobarse en la integración real. El código de ejemplo demuestra una forma de conexión, no la equivalencia funcional ni la aceptación en producción.
Definir la tarea antes de elegir la voz
El fabricante recomienda Mini para conversación habitual y Max para procesos exigentes con herramientas; declara más de 90 idiomas y más de 17000 voces. Una comparación útil fija tarea, idioma, audio y permisos, y registra respuestas correctas, acciones autorizadas, interrupciones y tiempo total. No debe convertir Arena en porcentaje de éxito ni una biblioteca extensa en capacidad de razonamiento. Precio y acceso requieren comprobación separada: el anuncio no establece gratuidad ni código abierto. Tampoco acredita calidad uniforme por dialecto o permiso comercial irrestricto para cada voz.
Por qué importa
Nuestro análisis separa comodidad conversacional, decisiones correctas y acciones autorizadas completadas. Una prueba útil conserva las mismas tareas y comprueba también el estado final después de una interrupción.
Límites y disponibilidad
Leímos el anuncio completo, pero no auditamos los experimentos originales, ejecutamos la API ni compramos créditos. El texto no acredita un precio unitario ni un derecho gratuito general. Los recuentos de idiomas y voces no garantizan igual calidad ni derechos comerciales ilimitados.
Fuentes y pruebas
Fecha de la fuente: · Fuente revisada:
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.