ElevenLabs（ポーランド発のスタートアップ）は、10月20日（火）、新たな音声対話（speech-to-speech）モデルファミリー「Eleven Realtime v1」を発表した。このモデルは、書き起こしを経ずに入出力を音声で処理する。MiniとMaxの2バージョンが用意され、完全な音声エージェントとして、OpenAIのRealtime APIと互換性があると説明されている。同社によれば、モデルは発表と同時に利用可能となる。
ElevenLabsは、従来トレードオフの関係にあったことが多い「応答の正確性」と「応答速度」の両立に成功したと主張する。また、このモデルファミリーは、会話をより自然にするため、間（ポーズ）、割り込み、話者交代も処理できる。最大90言語をサポートし、ElevenLabsのライブラリに登録されている17,000種類の音声を使用可能だ。
異なる用途に対応する2つのモデル
ElevenLabsは、応答遅延（レイテンシ）が最優先されるシンプルな自然言語会話にはEleven Realtime v1 Miniを推奨している。同社によれば、このモデルで大半のユースケースは十分に対応可能だ。一方、Eleven Realtime v1 Maxは、カスタマーサービスやエージェントワークフロー（自動化された一連のアクション）など、推論と正確性がより重視されるタスクを対象としている。ツールを活用した多段階の推論を必要とするリクエストに特に適している。
両モデルは、ネイティブな音声エージェントとして機能するよう訓練されている。以前のElevenLabsは、音声AIのために、書き起こし、言語処理、音声合成など複数のモデルを組み合わせていた。新モデルファミリーでは、これらのステップを単一の音声対話モデルに統合した。
ベンチマークによる詳細な評価結果
ElevenLabsが公開した、Artificial Analysisによる評価結果によると、2つのバージョンには明確な差がある。音声推論を測定するBig Bench Audioベンチマークでは、Maxは98.8%の精度を達成し、Miniの75.9%を上回った。Maxは、Grok Voice 3.0（98.5%）やGemini 3.8 Live Extended Thinking（97.7%）も凌駕した。会話のダイナミクスを測定するFull-Duplex-Benchでは、Miniが95.8%を獲得し、Max（94.1%）をわずかに上回った。このレベルは、OpenAIのGPT-Realtime 2.1に近いと評価されている。ツール呼び出しを含むタスクでは差がさらに広がり、Maxは87.1%の成功率を示したのに対し、Miniは60.3%だった。
ユーザーがどちらのモデルを聞いているか知らされずに2つのモデルを比較するSpeech Agent Arenaでは、Maxが998ポイント、Miniが988ポイントを獲得した。レイテンシに関しては、Maxの応答時間は470ミリ秒、Miniは500ミリ秒だった。Grok Voice 3.0の応答時間は810ミリ秒である。Artificial Analysisによれば、Maxよりも精度が高く、かつ高速なモデルはなく、Maxは精度とレイテンシの最適なバランスを提供している。
アクセス方法、API、顧客
このモデルファミリーは、ElevenLabsの「ElevenAgents」を通じて、電話、Web、WhatsApp、またはコンタクトセンター・プラットフォーム経由でのデプロイが可能だ。また、同社のRealtime API（WebSocket経由）でも利用できる。発表時点ではWebRTCはサポートされていない。ElevenLabsによれば、このAPIはOpenAIのものと完全に互換性があり、音声ワークフローを移行するには、エンドポイント（API呼び出しアドレス）とモデル名を変更するだけで済む。
ElevenAgents内では、Realtimeモデルは標準的な分単位の課金が適用される。Realtime API経由では、接続された音声の分数とトークン数が課金対象となる。トークン単価はプランに関わらず同一だが、具体的な金額はまだ公表されていない。ElevenLabsの顧客には欧州の企業グループも含まれており、Deutsche Telekom、Revolut、Klarnaなどが名を連ねる。大規模組織からの収入は、12か月前の40%から現在は55%に増加している。
