ElevenLabs выпустила голосовые модели с задержкой меньше секунды

Стартап голосового ИИ ElevenLabs анонсировал две новые realtime-модели речь-в-речь для голосовых агентов: Eleven Realtime v1 Max и Eleven Realtime v1 Mini. По словам ElevenLabs, их новая модель Max даёт задержку всего 0,57 секунды и набрала 98,8% на бенчмарке Big Bench Audio, который проверяет, насколько хорошо голосовой ИИ понимает звуковой ввод. Сейчас они утверждают, что «на лидерборде Artificial Analysis» (публичном сайте с рейтингом ИИ-моделей) нет модели, которая была бы одновременно быстрее и точнее их.

Eleven Realtime v1 Mini оптимизирован для повседневных сценариев, где важно отличать тишину от быстрых реплик (например, «мм-хм»). Модель Eleven Realtime v1 Max, в свою очередь, рассчитана на более сложные сценарии, например обслуживание клиентов по телефону. Эти модели доступны через платформу ElevenAgents и через Realtime API, совместимый с интерфейсом OpenAI. Оплата идёт за минуты разговора плюс использованные токены, с разными тарифами в зависимости от модели.

Задержка играет ключевую роль в том, насколько реалистичным кажется голосовой агент. Задержка 0,57 секунды достаточно мала, чтобы принести пользу колл-центрам и службам поддержки. Но стоит помнить, что эти 98,8% на Big Bench Audio — данные, заявленные самой ElevenLabs, без проверки третьей стороной. Для текстовых агентов вроде тех, что используются в Claude Code (инструмент для написания кода от Anthropic), это не так важно, но при оценке модели в реальном сценарии использования это, вероятно, значит больше, чем позиция в рейтинге.