ElevenLabs a présenté le 20 octobre 2026 la famille de modèles voix-à-voix Eleven Realtime, avec l'ambition de remplacer l'architecture dont dépendent les agents vocaux depuis des années : reconnaissance vocale, puis modèle de langage, puis synthèse vocale, avec latence et erreurs qui s'accumulent à chaque couture. Eleven Realtime supprime cette chaîne au profit d'un modèle vocal natif unique, qui écoute et répond directement. Deux variantes sont proposées : Eleven Realtime v1 Mini, pensé pour les conversations simples avec la latence la plus basse, et Eleven Realtime v1 Max, pensé pour le raisonnement et la précision sur les tâches complexes. Tous deux prennent en charge jusqu'à 90 langues, puisent dans les 17 000 voix de la bibliothèque ElevenLabs et sont entraînés aux dynamiques humaines de la conversation : pauses, interruptions et tours de parole.
La répartition entre les deux modèles compte plus que leurs noms
Mini vise les dialogues simples à fort volume : questions, réservations, suivis, là où il n'y a guère à réfléchir ; son naturel conversationnel dépasse même légèrement celui de Max. Max prend le travail qui demande de penser : support client, flux d'agents, raisonnement en plusieurs étapes et appels d'outils en pleine conversation. Vendre les deux séparément est en soi un signal : le marché des agents vocaux a dépassé le modèle unique, et le travail sensible à la latence n'est pas le même métier que celui sensible au raisonnement.
ElevenLabs s'est déjà illustré dans des contextes réels, par exemple lorsqu'un clone vocal ElevenLabs s'est exprimé à la Chambre des lords, démonstration de qualité de synthèse. Realtime s'attaque à l'autre moitié du problème : aussi réaliste que soit la voix, une réponse lente ou fausse fait raccrocher l'interlocuteur.
Lire les benchmarks : cette fois, vitesse et précision vont ensemble
Sur le test de raisonnement vocal Big Bench Audio d'Artificial Analysis, cité par ElevenLabs, Max obtient 98,8 %, juste devant Grok Voice 3.0 à 98,5 % et Gemini 3.8 Live Extended Thinking à 97,7 % ; Mini est à 75,9 %. Côté latence, Max commence à répondre en environ 470 millisecondes et Mini en environ 500, contre 810 millisecondes pour Grok Voice 3.0 et 1,14 seconde pour GPT-Realtime-2 (High). Les appels d'outils séparent nettement la famille : 87,1 % de réussite pour Max contre 60,3 % pour Mini. La dynamique conversationnelle atteint 95,8 % pour Mini et 94,1 % pour Max, au niveau du GPT-Realtime 2.1 d'OpenAI, et dans l'arène aveugle Speech Agent Arena, Max marque 998 points et Mini 988.
Ces chiffres sont publiés par le fournisseur et mesurés sur le modèle seul, hors réseaux téléphoniques, files d'attente en charge et allers-retours vers les systèmes métier. En production, la latence de bout en bout est régulièrement supérieure ; le tableau sert à présélectionner, pas à spécifier.
Choisir : tout se joue sur les 27 points d'écart en appels d'outils
Pour des points d'entrée vocaux fréquents, courts et à réponse déterminée, le compromis de Mini est le bon : le coût reste sur la conversation simple, le naturel ne souffre pas et une réponse en une demi-seconde évite que l'appel ne refroidisse. Si l'agent doit en revanche vérifier des commandes, modifier des réservations ou dérouler des processus en plusieurs étapes pendant l'échange, l'écart de 87,1 % contre 60,3 % en appels d'outils devient décisif ; une seule erreur d'exécution coûte bien plus que 30 millisecondes.
Pour les équipes qui construisent du support vocal et des agents téléphoniques, le changement profond est architectural : un modèle voix-à-voix natif n'aplatit plus le ton, l'émotion et les interruptions dans un relais textuel, et le débogage se concentre d'un triple pipeline vers un seul modèle. Le test pratique est simple : évaluer en aveugle les 50 questions réelles les plus fréquentes de votre trafic, mesurer le percentile élevé de la première réponse et le taux de réussite des appels d'outils, puis dévaluer les classements en conséquence. Les benchmarks dressent la liste restreinte ; les contrats se signent sur vos propres mesures.
