深度解读 · 约 5 分钟阅读
Eleven Realtime 怎么选：开口快，不等于语音任务已经办完
Mini 与 Max 同时发布，推理、打断、工具执行和接入方式需要分别判断。
- 本站发布
- 原文发布
- 核实时间
ElevenLabs 于10月20日发布 Eleven Realtime v1 Mini 和 Max。完整公告把它们描述为语音到语音模型，可通过 ElevenAgents 平台或独立 WebSocket API 使用。选型真正要回答的是哪些对话任务可以交给系统，而不是用一个开口速度就判断整套服务可靠。
听读资讯
朗读当前文章，或连续收听资讯。
正在准备听读…
设备语音
朗读由浏览器或设备处理，AISubHub 不向音频 API 发送文本。可用语音及锁屏播放能力因设备而异。
继续播放时可能重复一小段。
一分钟速览
- 公告报告 Max、Mini 的语音推理正确率分别为98.8%、75.9%，工具任务成功率为87.1%、60.3%；这些是来源披露的评测，并非本站实测。
- 独立 API 仅用 WebSocket，不支持直接沿用 WebRTC 传输；平台功能与 API 接入不是同一件事。
语音链路被整合，业务责任仍需要定义
传统语音应用通常连接识别、语言模型与合成，还要决定何时接话、何时等待以及如何处理打断。ElevenLabs 这次强调更完整的对话接口，减少开发者需要协调的组件，但公告没有证明内部所有处理阶段已经消失。业务端依然要明确模型可执行什么、需要什么授权。比如询问预约时间和真正改掉预约，是两种不同的责任：说得自然，只能说明输出像对话，不能证明后台已经接受正确修改。对开发团队而言，接口简化的价值应与权限、状态及失败恢复分别评估。
四组成绩，回答的是四个问题
公告将评测归于 Artificial Analysis。Big Bench Audio 用1000道口述推理题评估回答，Max、Mini 分别报告98.8%和75.9%；工具任务成功率另为87.1%与60.3%。但衡量轮次、停顿、打断等对话动态的 Full-Duplex-Bench 上，Mini 的95.8%高于 Max 的94.1%。Speech Agent Arena 的998和988则是分数，不是成功百分比。本站据此判断，选型必须按任务和指标拆开，不能把某一项优势推广成所有场景都更好。我们没有独立审计这些样本、置信范围或具体测试条件。
第一段声音到达，任务可能还没结束
来源给出的平均开口时间为 Max 0.57秒、Mini 0.62秒。它不是整段回答完成时间，也不是工具完成、电话网络送达或业务状态落库的耗时。设想一个教学用场景：来电者说到一半纠正地址，系统很快开口，却仍把旧地址写入后台。这个假设说明为什么验收要同时观察打断恢复与最终状态，而不能只听开口快慢；我们并未声称两款模型实际发生过该错误。对需要多步工具的业务，完整任务耗时与结果一致性，比截取最早的音频片段更贴近用户真正要办的事。
兼容 SDK，仍不是整个应用一键迁移
公告称 API 兼容 OpenAI Realtime，并给出修改端点和模型名后连接既有 SDK 的示例；同时明确独立 API 只支持 WebSocket，原本走 WebRTC 的应用必须调整传输。API 又与 ElevenAgents 分开运行，后者提供渠道、知识库、工作流、护栏与监控等平台能力。因此团队应先列出现有应用依赖，再判断哪些由平台提供、哪些仍需自己完成。认证、业务工具授权、异常处理和恢复都要在实际集成里验收。连接成功只证明连接这一层，不能从示例代码推导全部功能、事件行为和生产可靠性都已等价。
先定任务边界，再比较模型和声音
厂商把 Mini 定位于常规自然对话，把 Max 定位于较复杂、工具较多的工作流，并称支持90多种语言和17000多种库内声音。合理试点应固定任务、语言、音频条件和权限，分别记录正确回答、成功的授权动作、打断处理及完整任务时间。不要把 Arena 分数当成功率，也不要把声音库规模当推理水平。价格与使用资格仍要单独核对：发布公告没有建立免费或开源权益。更多声音意味着更多呈现选择，但方言效果、每种声音的使用权以及真实电话环境的表现，都需要对应证据，不能由总数直接保证。
有什么影响
本站分析：把自然交流、正确判断和获授权的外部动作分开验收，才能解释不同模型的取舍。同一批任务不仅要听声音，还要核对最终操作是否正确，尤其是用户打断并修改要求之后。
限制与可用性
我们完整读取了公告及接入说明，未独立审计底层评测样本、调用 API、购买额度或试听音色。原文未提供可核的单位价格和普遍免费权益；语言及音色数量不保证各语言质量一致，也不证明任何音色都可无限制商用。
来源与证据
原文发布: · 核实时间:
AI 辅助采编，依据所列一手来源核实。厂商自报结论注明归属，收录不代表背书。