ElevenLabsは2026年10月20日、音声対音声モデル群「Eleven Realtime」を発表した。狙いは、音声エージェントが長年頼ってきた旧来の構成、すなわち音声認識、大規模言語モデル、音声合成を三段につなぐ方式からの脱却だ。継ぎ目ごとに遅延と誤りが積み上がるこの方式に対し、Eleven Realtimeは単一のネイティブ音声モデルが直接聞き、直接答える。ラインナップは2モデルで、単純な会話向けに遅延を最小化したEleven Realtime v1 Miniと、複雑なタスク向けに推論と精度を重視したEleven Realtime v1 Max。どちらも最大90言語に対応し、ElevenLabsの音声ライブラリにある17000の声を使え、間の取り方、割り込み、話す順番といった人間らしい会話の動きに合わせて訓練されている。
2モデルの分担は名前以上に重要だ
Miniの担当は、量が多く単純な自然会話だ。質問への回答、予約、状況確認など深く考える必要のない場面で、会話の自然さはMaxをわずかに上回る。Maxは頭を使う仕事向けで、顧客対応、エージェントのワークフロー、多段階の推論、会話の途中でのツール呼び出しを担う。2モデルを分けて売ること自体が一つの信号で、音声エージェント市場は「1モデルで何でも」の段階を過ぎ、遅延重視と推論重視は別の商売になっている。
ElevenLabsが実場面へ食い込んできた例としては、ElevenLabsの音声クローンが英貴族院で使われた件が合成品質を示した。今回のRealtimeが補うのはもう一方の弱点で、どれほど声が似ていても、答えが遅く外れれば電話口の相手はすぐに切ってしまう。
ベンチマークの読み方：今回は速さと正確さが両立
ElevenLabsが引用するArtificial AnalysisのBig Bench Audio音声推論では、Maxが98.8%で、Grok Voice 3.0の98.5%、Gemini 3.8 Live Extended Thinkingの97.7%をわずかに上回り、Miniは75.9%だった。応答開始までの時間はMaxが約470ミリ秒、Miniが約500ミリ秒で、Grok Voice 3.0の810ミリ秒、GPT-Realtime-2（High）の1.14秒と比べ差は明確だ。ツール呼び出しの成功率はMax 87.1%に対しMini 60.3%。会話の自然さはMini 95.8%、Max 94.1%で、OpenAIのGPT-Realtime 2.1と同水準。利用者が盲検で比べるSpeech Agent ArenaではMax 998点、Mini 988点だった。
ただしこれらはベンダー公表値で、電話網、混雑時の待ち行列、業務システムとの往復を含まない。本番の体感遅延はランキングの数字より大きくなりがちで、選定はスコアのコピーで済ませてはいけない。
選ぶ決め手はツール呼び出しの27ポイント差
頻度が高く短く答えが確定している音声入口なら、Miniの割り切りが正しい。単純な会話にコストを寄せ、自然さは損なわず、半秒級の応答で通話は冷めない。一方、会話中に注文確認、予約変更、多段階の手続きを行うなら、87.1%対60.3%のツール呼び出し差が決定的になる。この種のタスクで一度の誤動作は、30ミリ秒の差よりはるかに高くつく。
音声サポートや電話エージェントを作るチームにとって、本当の変化はアーキテクチャにある。ネイティブな音声対音声により、感情や語気、割り込みの処理がテキスト中継で平らにならず、調整対象も3本のパイプラインから1モデルへ収束する。検証は単純でいい。自社で最も多い実際の質問50件で盲検し、初回応答遅延の高パーセンタイル値とツール呼び出し成功率を測り、ランキングの数字を割り引いて使うことだ。ベンチマークは候補リスト作りまで、契約は自社計測で決めるべきだ。
