ElevenLabs 在 2026 年 10 月 20 日发布 Eleven Realtime 语音到语音模型家族，要改掉语音智能体沿用多年的老架构：过去一条语音回复要先过语音识别、再过大语言模型、最后过语音合成，三段拼接，慢和错都在接缝处累积；Eleven Realtime 改为单个原生语音模型直接听、直接答。这次共两款：面向简单对话、把延迟压到最低的 Eleven Realtime v1 Mini，和面向复杂任务、主打推理与准确率的 Eleven Realtime v1 Max。两款都支持多达 90 种语言，可调用 ElevenLabs 声音库中 17000 个声音，并专门训练了停顿、打断和抢话等真人对话动态。
两款模型的分工，比名字更重要
Mini 的定位是量大、简单的自然对话：问答、预约、状态查询这类不需要多想的场景，它的对话自然度甚至略高于 Max。Max 则为需要动脑子的活准备：客服处理、智能体工作流、多步推理，以及边对话边调用工具。ElevenLabs 把两者拆开卖，本身就是一个信号——语音智能体市场已经过了「一个模型打天下」的阶段，延迟敏感和推理敏感是两种不同的生意。
此前 ElevenLabs 在声音克隆上的进展已经显示它在往真实场景里扎，ElevenLabs 声音克隆走进英国上议院靠的是合成质量；这次 Realtime 补的是另一块短板：合成得再像，答得慢、答错，电话那头的人也会立刻挂断。
跑分怎么看：这次快和准没有打架
按 ElevenLabs 引用 Artificial Analysis 的 Big Bench Audio 语音推理评测，Max 得分 98.8%，略高于 Grok Voice 3.0 的 98.5% 和 Gemini 3.8 Live Extended Thinking 的 97.7%，Mini 为 75.9%。延迟方面，Max 约 470 毫秒开始回应，Mini 约 500 毫秒，对比 Grok Voice 3.0 的 810 毫秒和 GPT-Realtime-2（High）的 1.14 秒，差距明显。工具调用成功率上，Max 为 87.1%，Mini 只有 60.3%；对话动态评分 Mini 95.8%、Max 94.1%，与 OpenAI 的 GPT-Realtime 2.1 相当；在用户盲测的 Speech Agent Arena 中，Max 得 998 分，Mini 得 988 分。
需要提醒的是，这组数字来自厂商发布与评测机构榜单，测的是模型本身，不含电话网络、并发排队和业务系统往返。真实上线时，端到端延迟往往比榜单数字高出一截，选型不能只抄跑分。
落地选哪款，先看工具调用那 27 分的差距
如果场景是高频、短句、答案确定的语音入口，Mini 的取向是对的：成本压在简单对话上，自然度不吃亏，半秒级响应足够让通话不冷场。如果智能体要在对话中查订单、改预约、走多步流程，Max 与 Mini 之间 87.1% 对 60.3% 的工具调用差距才是决定性的——这类任务答错一次的代价，远高于慢 30 毫秒。
对正在做语音客服和电话智能体的团队，这次发布真正值得评估的是架构变化：原生语音到语音省去三段拼接后，情绪、语气和打断处理不再被文本中转磨平，调试对象也从三条流水线收敛成一个模型。建议的验证方式很直接：拿自家最常见的 50 通真实问题做盲测，同时记录首响延迟的高分位值和工具调用成功率，再对照榜单数字打折使用。跑分负责划出候选名单，合同应该签在自测结果上。
