简介
10月20日，ElevenLabs发布两款语音到语音（S2S）模型：Eleven Realtime v1 Max与v1 Mini。Max版在Big Bench Audio上拿到98.8%的高分，响应时间仅0.57秒。
核心指标
- 延迟：约半秒即可开始说话，已接近人类对话的自然节奏。
- 覆盖：支持90+语言，通过ElevenAgents平台与OpenAI兼容的Realtime API提供。
- 分级：Max面向高保真复杂对话，Mini面向低成本高并发场景。
为什么重要
传统语音链路是"语音识别→文本推理→语音合成"三段式，每段都有延迟与信息损耗。S2S模型直接从语音到语音，保留语气、停顿等副语言信息，让AI电话客服、实时口译、语音游戏NPC这类应用的体验出现质变。0.57秒意味着对话中不再有明显"卡顿感"。
对比与竞争
与Mistral Voxtral 3相比（见Voxtral 3发布解读），ElevenLabs的强项是延迟与情感表现力，但价格更高且需云服务。国内用户如需语音合成也可关注站内音频类工具。
优缺点
- 优点：延迟行业领先、语言覆盖广、API生态成熟。
- 不足：无法本地部署，高并发成本不低。
总结
做实时语音产品的团队，Eleven Realtime v1 Max是目前体验上限最高的选择之一，详见Eleven Realtime工具页。