暂无AI摘要
0.57 秒意味着什么，客服、陪练、闲聊该选哪一款，这篇一次讲清。
10 月 20 日，ElevenLabs 发布了两个新模型：Eleven Realtime v1 Max 和 v1 Mini。
它们和传统语音 AI 有个根本区别：不是"听懂你说的字、想好了再念出来"，而是一步到位的 speech-to-speech。你开口，它直接用语音回你。官网产品页（elevenlabs.io/realtime）已经上线。
强在哪：三组数字一次看懂
先看 Max（复杂任务档）：首音频 570 毫秒，Big Bench Audio 98.8%，任务成功率 87.1%。
再看 Mini（日常对话档）：首音频 620 毫秒，Full-Duplex-Bench 95.8%，语音 Agent 竞技场 Elo 988。
0.57 秒什么概念？人和人打电话，一方说完另一方开口，间隔大概 0.2 到 0.5 秒。这次，AI 语音的延迟第一次压进了人类对话的体感区间。第三方榜单 Artificial Analysis 上，目前还没有模型能同时做到比它更快、又比它更准。
图片
先搞懂 1 个原理：延迟从哪来
以前的语音 AI 是三段接力：听懂（语音转文字），想（大模型），说（文字转语音）。每段都要排队，延迟自然就高了。
speech-to-speech 把三段并成了一段：模型直接听声音、回声音，延迟才压得下来。
这条公式可以存下来：语音 Agent 的体验，等于准确率除以延迟，再除以成本。三个数有一个拉胯，对话就难受。
两款怎么选：看场景
选 Max 的场景，是听错一个词就可能丢单的地方：客服、电话销售、考试口语陪练。准确率优先。Max 支持 90 多种语言、1.75 万多种声音，做多语言客服不用换方案。
选 Mini 的场景，是对精度不敏感的地方：日常闲聊、语音备忘、给孩子讲故事。成本优先。
Mini 还有个实用细节：打断和快速来回时，语气和节奏依然自然。它能分辨你是真说完了，还是只是在"嗯、嗯"附和。以前语音 AI 一个很恼人的毛病就是乱插话，Mini 正好补上了这一块。
图片
接入和账单：两笔都要算
接入两条路。第一条，ElevenAgents 平台直接用，两款模型下拉菜单一键切换。第二条，走 OpenAI 兼容的 Realtime API。已经在用 OpenAI 语音方案的，换个接口地址和模型名就能迁过去，不用重写代码。
计费是两笔：连接的音频分钟数，加上消耗的 token。在 ElevenAgents 里，选模型时页面会直接显示预估的每分钟成本。做预算时两笔都要算，别只看一头。
一句话总结：语音 AI 的竞争，已经从"能不能说"变成"说得快不快、准不准、贵不贵"。0.57 秒之后，下一个门槛是成本。
觉得内容不错？我要
