英国AI音频独角兽ElevenLabs发布Realtime系列模型，简化语音智能体搭建

10月20日，英国AI音频公司ElevenLabs发布了Eleven Realtime系列模型，包括面向自然交流的v1 Mini和面向复杂任务的v1 Max。此次发布的核心在于简化语音智能体（Voice Agent）的开发流程：过去开发者需分别选型并调试语音识别（ASR）、大语言模型（LLM）和语音合成（TTS）三个独立组件，而Realtime系列将这些底层能力统一封装，开发者只需根据业务场景选择Mini或Max，即可直接配置角色、知识库和工具调用逻辑。

据第三方AI评测机构Artificial Analysis的独立测试数据显示，Eleven Realtime v1 Max在Big Bench Audio语音推理评测中取得了98.8%的正确率，平均首次音频响应时间为0.57秒。在该单项榜单中，Max位列第三，仅次于阶跃星辰的StepAudio 3 Realtime（99.7%）和阿里的Qwen Audio 3.0 Realtime Plus（99.2%）。值得注意的是，作为参考指标，Qwen Audio 3.0 Realtime Plus的首次音频响应时间为1.54秒，显示出ElevenLabs在低延迟交互上的竞争力。

在真人参与的Speech Agent Arena评测中，Max的工具使用任务完成率为87.1%，显著高于Mini的60.3%，表明Max更适合需要频繁调用外部API的多步骤工作流。然而，在全双工对话评测（Full-Duplex-Bench）中，Mini在停顿处理和打断响应等交互细节上的综合得分（95.8%）略高于Max（94.1%），这印证了官方对Mini主打“低成本自然对话”的定位。

智东西的实测体验显示，通过Architect助手用语音修改Agent设置确实减少了菜单操作，但中文语音输出带有明显的外国口音，且回复偏长、偶有卡顿。技术层面，ElevenLabs延续了级联架构，即由独立的ASR、LLM和TTS模块协同工作。该公司承认，这种架构便于单独升级和排查错误，但语音转文字过程中会丢失部分语调和情绪信息，需额外建模补偿。目前，这两款模型可通过ElevenAgents平台或兼容OpenAI Realtime规范的API接入，定价按连接时长和Token用量计费。