ElevenLabs hat am 20. Oktober 2026 die Speech-to-Speech-Modellfamilie Eleven Realtime vorgestellt und zielt damit auf die Architektur, auf die Sprachagenten seit Jahren bauen: Spracherkennung, dann ein Sprachmodell, dann Sprachsynthese, mit Latenz und Fehlern an jeder Nahtstelle. Eleven Realtime ersetzt die Kette durch ein einziges natives Sprachmodell, das direkt hört und direkt antwortet. Es gibt zwei Varianten: Eleven Realtime v1 Mini für einfache Gespräche mit minimaler Latenz und Eleven Realtime v1 Max für Aufgaben, bei denen Schlussfolgern und Genauigkeit zählen. Beide unterstützen bis zu 90 Sprachen, greifen auf die 17.000 Stimmen der ElevenLabs-Bibliothek zu und sind auf menschliche Gesprächsdynamik wie Pausen, Unterbrechungen und Sprecherwechsel trainiert.
Die Aufgabenteilung der zwei Modelle zählt mehr als ihre Namen
Mini ist für einfache Dialoge in großer Zahl gebaut: Auskünfte, Buchungen, Statusabfragen, bei denen kaum nachgedacht werden muss; bei der Gesprächsnatürlichkeit liegt Mini sogar knapp vor Max. Max übernimmt die Denkarbeit: Kundensupport, Agenten-Workflows, mehrstufiges Schlussfolgern und Werkzeugaufrufe mitten im Gespräch. Dass beide getrennt verkauft werden, ist selbst ein Signal: Der Markt für Sprachagenten ist über das Einheitsmodell hinaus, und latenzempfindliche Arbeit ist ein anderes Geschäft als denkempfindliche.
Wie weit ElevenLabs in echte Einsatzfelder vorgedrungen ist, zeigte der Fall, in dem ein ElevenLabs-Stimmenklon im britischen Oberhaus sprach: Dort ging es um Synthesequalität. Realtime adressiert die andere Hälfte des Problems: Wie lebensecht die Stimme auch klingt, eine langsame oder falsche Antwort lässt den Anrufer trotzdem auflegen.
Benchmarks richtig lesen: schnell und genau diesmal gemeinsam
Im von ElevenLabs zitierten Big-Bench-Audio-Test für Sprach-Reasoning von Artificial Analysis erreicht Max 98,8 Prozent, knapp vor Grok Voice 3.0 mit 98,5 und Gemini 3.8 Live Extended Thinking mit 97,7 Prozent; Mini kommt auf 75,9 Prozent. Bei der Reaktionszeit beginnt Max nach etwa 470 Millisekunden, Mini nach etwa 500, gegenüber 810 Millisekunden bei Grok Voice 3.0 und 1,14 Sekunden bei GPT-Realtime-2 (High). Bei erfolgreichen Werkzeugaufrufen trennt sich die Familie deutlich: 87,1 Prozent für Max gegen 60,3 Prozent für Mini. Die Gesprächsdynamik liegt bei 95,8 Prozent für Mini und 94,1 Prozent für Max, auf Höhe von OpenAIs GPT-Realtime 2.1; in der verblindeten Speech Agent Arena erreicht Max 998 und Mini 988 Punkte.
Das sind Herstellerwerte am Modell selbst, ohne Telefonnetze, Warteschlangen unter Last und Rundläufe zu Fachsystemen. Im Livebetrieb ist die Ende-zu-Ende-Latenz regelmäßig höher; die Tabelle ist eine Auswahlliste, keine Spezifikation.
Auswahl: Die 27 Punkte bei Werkzeugaufrufen entscheiden
Für häufige, kurze und eindeutig beantwortbare Spracheingänge ist Minis Kompromiss richtig: Die Kosten bleiben bei einfachen Dialogen, die Natürlichkeit leidet nicht, und eine halbe Sekunde Reaktionszeit hält das Gespräch warm. Muss der Agent dagegen im Gespräch Bestellungen prüfen, Buchungen ändern oder mehrstufige Abläufe durchlaufen, zählt der Abstand von 87,1 zu 60,3 Prozent bei Werkzeugaufrufen; ein einziger Fehlgriff kostet dort mehr als 30 Millisekunden.
Für Teams, die Sprachsupport und Telefonagenten bauen, liegt die eigentliche Veränderung in der Architektur: Ein natives Speech-to-Speech-Modell schleift Ton, Emotion und Unterbrechungen nicht mehr über eine Textstation, und die Fehlersuche schrumpft von drei Pipelines auf ein Modell. Der praktische Test ist einfach: die 50 häufigsten echten Fragen aus dem eigenen Betrieb verblindet testen, die hohe Perzentile der ersten Reaktionszeit und die Erfolgsquote der Werkzeugaufrufe messen und die Bestenlistenwerte entsprechend abwerten. Benchmarks erstellen die Shortlist; unterschrieben wird auf Basis eigener Messungen.
