ElevenLabs 发布端到端语音模型 Eleven Realtime v1 Mini / Max：Max 在 Big Bench Audio 答对 98.8%、平均 0.57 秒开口，兼容 OpenAI Realtime API

核心背景与行业痛点

做一个听起来自然的语音 Agent，通常要自己挑语音识别、语音活动检测、轮次切换、大模型和语音合成，再反复调它们之间的配合。ElevenLabs 的判断是开发者不该先变成配置专家，所以把整条链路做进一个模型。同一天 Mistral 发布的 Voxtral 3 语音 Agent SDK 走的是串联管线路线，两种思路正好形成对照。

架构亮点与底层机制

Eleven Realtime 是语音到语音模型，直接听、想、说。v1 Mini 面向助手、教学和互动角色，官方说大多数场景够用；v1 Max 会先推理再回答，适合要按流程走的客服和线索筛选。两者都支持 90+ 语言，可调用 ElevenLabs 库里 17,000+ 种音色，接口遵循 OpenAI Realtime 规范。

权威 Benchmark 与实测跑分对比

以下为 ElevenLabs 引用的 Artificial Analysis 独立评测。Big Bench Audio 上 Max 答对 98.8%、Mini 75.9%；平均开口时间 Max 0.57 秒、Mini 0.62 秒，比推文里的「半秒」略慢。Full-Duplex-Bench 上 Mini 95.8% 反超 Max 的 94.1%；Speech Agent Arena 盲测 Max 998、Mini 988；工具调用任务完成率 Max 87.1%、Mini 60.3%。官方发布文未公布价格。

开发者实战落地与开箱指南

官方推荐在 ElevenAgents 里新建或打开 Agent，在下拉框选 Realtime 模型，即可使用电话、网页、WhatsApp 和呼叫中心渠道、知识库和监控。已经接了 OpenAI Realtime 的应用，把 WebSocket 地址改成 wss://api.elevenlabs.io/v1/convai/realtime、模型改成 eleven_realtime_v1_mini 就能试。注意它只支持 WebSocket，WebRTC 需先迁移，且独立 API 不带 ElevenAgents 的渠道和知识库。