语音智能体跑分98.8%，开发者却拿不到底层模型

ElevenLabs 在周二上线了 Eleven Realtime，一次推出两个托管语音智能体模型：Mini 和 Max。语音识别、推理、轮次切换、语音生成，全部打包在里面。

两个模型都采用级联架构，但开发者无法选择、也无法单独配置底层的模型。换句话说，跑分很漂亮，可拆开看的那把螺丝刀，没交到你手上。

这次发布真正改变的是分工。ElevenLabs 实际上接管了语音智能体的整套运行框架，包括轮次检测、打断处理和编排。好处是搭建与维护语音智能体栈的工作量下来了；代价是开发者失去了独立排查、优化或替换底层组件的能力。

能调的仍然不少。通过 ElevenAgents，开发者可以配置提示词、音色、工具、知识库，以及轮次切换相关设置，包括积极程度、超时和打断处理。控制权留在智能体行为这一层，但为行为负责的单个模型，不在可配置范围内。

想要更多自由，还有 Custom 模式：自己挑底层语言模型和语音模型，自己搭流水线。Realtime 则是用这份灵活性换一套托管实现。

外部测试方的跑分

性能数字由外部测试方 Artificial Analysis 生成，评估维度包括语音推理、对话动态和人类偏好。

在 Big Bench Audio 上——一个包含 1000 道口语推理题的基准——Max 得分 98.8%，Mini 为 75.9%。

工具调用上的差距更明显：Max 完成任务的比例为 87.1%，Mini 为 60.3%。ElevenLabs 建议，频繁或复杂调用工具的智能体应选 Max。做预订、客户账户这类多步骤工作流的团队，值得自己测一测这个差距。

默认模型却是 Mini。官方说法是它能覆盖大多数用例。在测试停顿、打断和轮次切换的 Full-Duplex-Bench 上，Mini 反而略胜一筹：95.8% 对 Max 的 94.1%。

延迟方面两者接近。Max 首音频平均 570 毫秒，Mini 为 620 毫秒。Artificial Analysis 六月的语音到语音指数里，Deepslate Opal 录得 440 毫秒的更快结果，不过那次基准与 Eleven Realtime 并非直接可比。

从 OpenAI Realtime API 迁移

ElevenLabs 也在争取已经在用 OpenAI Realtime API 的团队。迁移指南称，Eleven Realtime 使用相同的协议、相同的 WebSocket 传输，基于 OpenAI SDK 构建的应用可以把地址指向 ElevenLabs，不必更换 SDK。要改的只是端点和模型名。

但迁移不是免费的。端点只支持 WebSocket，原本用 WebRTC 的应用得先换传输方式。SDK 只在 WebRTC 下自行处理音频；走 WebSocket 时，开发者要自己采集和播放 24kHz PCM16 音频。WebRTC 应用今天由 SDK 代劳的采集与播放，迁移过来意味着两样都得自己搭。

Realtime API 还与 ElevenAgents 平台分开运行。电话和 WhatsApp 渠道、知识库、监控，都在平台那一侧。官方建议需要这些能力的团队从一开始就在 ElevenAgents 上构建——先用裸 API 求快的团队，后面可能要把这些重新造一遍。

Mini 与 Max 的取舍

按 ElevenAgents 文档，Mini 和 Max 智能体之间可以互相转接通话，但两者都无法与 Custom 模式下的智能体互转。

Mini 不支持 Zero Retention Mode 和 HIPAA 配置。Max 在美国和欧盟支持这两项，但在印度和新加坡的数据驻留环境中不可用。

计费上，两个模型都按 ElevenAgents 标准每分钟费率收费，另加 token 费用。Max 每 token 更贵，但工具调用表现更强，在 Mini 需要多次尝试才能完成任务的工作负载里，反而可能更便宜。

先测试，再信任

底层模型和编排由 ElevenLabs 负责，可一旦通话失败，开发者仍需要足够的诊断信息来定位问题。Realtime 会开放多少这类信息，目前不清楚。

跑分好看，但没展示 Realtime 在生产负载下的表现。性能能否撑住、ElevenLabs 是否提供足够信息追查故障，开发者得自己看。截至发稿，ElevenLabs 未回应 The New Stack 的置评请求。