ElevenLabs 发 Eleven Realtime：语音到语音，Max 语音推理答对 98.8%

Eleven Realtime 把语音智能体里最耗工的那一段收进模型：过去要自己拼语音识别、静音检测、轮次判断、底层大模型与语音合成，现在两个模型各自就是一套完整的语音到语音系统，支持 90 多种语言、可调用库内 17,000 多个音色。v1 Mini 面向低成本的日常对话，v1 Max 面向要跟着流程推理的客服与多步任务。

Artificial Analysis 独立跑了三个公开基准：Big Bench Audio 语音推理，Max 答对 98.8%、Mini 75.9%；Full-Duplex-Bench 的停顿、抢话与接话，Mini 95.8%、Max 94.1%；语音智能体竞技场盲测 Max 998 分、Mini 988 分。首字延迟分别是 0.57 秒与 0.62 秒。

工程上最实际的一点是兼容：Realtime API 走 WebSocket 并遵循 OpenAI Realtime 规范，已有 OpenAI SDK 的集成只需换 endpoint 与模型名。代价是它只支持 WebSocket，原本走 WebRTC 的集成要先改过来；工具调用完成率 Max 87.1%、Mini 60.3%，重工具调用的场景官方直接建议选 Max。

原文链接：ElevenLabs 官方博客