ElevenLabs发布端到端语音模型

语音智能体的技术栈正在被压扁成一个模型。语音创企ElevenLabs周二发布Eleven Realtime系列语音到语音模型，包含v1 Mini与v1 Max两款。官方称，单个模型内就集成了语音识别、说话状态检测、抢话处理、大语言模型与语音合成——过去要靠五六个组件拼接调校的语音助手，如今一个模型直接搞定。

跑分数据相当激进。在Artificial Analysis的Big Bench Audio语音推理基准上，v1 Max得分98.8％，高于Grok Voice 3.0的98.5％与Gemini 3.8 Live深度思考版的97.7％，Mini为75.9％；平均开口延迟v1 Max 0.57秒、Mini 0.62秒。ElevenLabs声称，目前没有任何模型能同时做到更快且更准。对话自然度基准Full-Duplex-Bench上Mini得分95.8％、Max为94.1％，盲测竞技场Speech Agent Arena得分分别为988与998。

两款模型分工明确：Mini主打低价自然对话，适合AI助手、家教和互动角色这类高频简单场景；Max面向要「动脑子」的工作——客户支持、销售资格筛查等多步流程，工具调用成功率87.1％，远高于Mini的60.3％。两者都支持90多种语言，可调用ElevenLabs曲库式的1.7万多个音色。

接入门槛被刻意压到最低：Realtime API完全兼容OpenAI Realtime规范，已有集成只需把端点和模型名改掉即可；不过发布初期仅支持WebSocket、暂不支持WebRTC。在自家ElevenAgents平台上可直接选用，附电话、网页、WhatsApp与呼叫中心渠道，外加知识库、护栏与监控等生产级功能。

放在行业坐标里看，从OpenAI的实时语音模型到xAI的Grok Voice，头部玩家都在把「转写-大模型-合成」的三段式管道换成端到端的语音到语音模型——少一道接缝，就少一分延迟和失真。需要提醒的是，以上跑分均为厂商发布口径，真实链路叠上电话网络、排队和业务系统往返后通常会更慢，选型时还得拿自己的话务盲测。