ElevenLabs发布Eleven Realtime：集成式语音智能体模型，支持低延迟对话
ElevenLabs推出Eleven Realtime系列模型，将语音识别、LLM和语音生成整合为单一系统，旨在简化自然语音智能体的开发。官方视频显示，v1 Mini和v1 Max两款模型均能在约0.6秒内开始响应，其中v1 Max在Artificial Analysis的Big Bench Audio测试中得分98.8%。该模型通过ElevenAgents平台及兼容OpenAI Realtime API的接口提供。
ElevenLabs于2026年10月22日发布了一段介绍视频，正式推出了名为“Eleven Realtime”的新型Speech-to-Speech（语音到语音）模型类别。这一发布针对的是希望构建更自然、低延迟语音交互体验的开发者和企业。与传统需要分别配置语音识别（ASR）、大语言模型（LLM）和语音合成（TTS）组件的方案不同，Eleven Realtime将这些功能作为一个整体系统进行调优，从而简化了从模型选择到部署的流程。
视频中介绍了两款可用模型：Eleven Realtime v1 Mini和v1 Max。v1 Mini专为低成本的自然对话场景设计，适用于AI助手、导师和交互式角色；而v1 Max则面向复杂任务和工具调用，如客户支持和多步骤工作流。官方声称，这两款模型都能在约0.6秒内开始说话，显著降低了用户感知的等待时间。
为了佐证其性能，ElevenLabs引用了独立评估机构Artificial Analysis的数据。据称，v1 Max在Big Bench Audio基准测试中获得了98.8%的分数，平均启动时间为0.57秒。公司表示，在该机构的Speech-to-Speech排行榜上，没有模型能同时比它更快且更准确。虽然这是厂商引用的第三方数据，但为读者提供了一个具体的性能参考点。
在接入方式上，Eleven Realtime可通过ElevenAgents平台使用，也可通过Realtime API访问。值得注意的是，该API与OpenAI的Realtime API兼容。这意味着已经在使用OpenAI Realtime API的开发者只需更改端点和模型名称，即可迁移至ElevenLabs的服务，无需重写大部分代码逻辑。这一兼容性策略降低了切换成本，可能吸引现有OpenAI用户尝试。