概览
ElevenLabs 的端到端语音对语音（Speech to Speech）模型：识别、轮次判断、推理与发声一体调优，v1 Mini 首包音频约 0.62 秒、v1 Max 擅长推理和工具调用；兼容 OpenAI Realtime API，$0.08/分钟另加 LLM 用量。 Eleven Realtime 是 ElevenLabs 于 2026 年 10 月 20 日发布的语音对语音模型系列，每个模型就是一个完整的语音智能体：语音识别、轮次判断、大模型推理和语音合成作为一个系统联合调优。首发两款：v1 Mini 主打自然对话和低成本，v1 Max 先推理再回答，适合需要按流程办事和多步工具调用的客服类场景。两者都支持 90 多种语言和 ElevenLabs 声音库里的 17,000 多种音色。官方给出的首包音频时间为 Mini 约 0.62 秒、Max 约 0.57 秒，Big Bench Audio 上 Max 答对 98.8%。可在 ElevenAgents 里直接选用，也可通过兼容 OpenAI Realtime 协议的 WebSocket API 接入（现有 OpenAI Realtime 代码改端点和模型名即可）。官方定价页标价为两款均 $0.08/分钟，另计 LLM 用量。功能正在逐步向各工作区开放。来源：https://elevenlabs.io/blog/realtime 、https://elevenlabs.io/realtime 、https://elevenlabs.io/docs/eleven-agents/customization/realtime-models 、https://elevenlabs.io/pricing/api （2026-10-21 核对），未补未核实字段。
- 模态
- 音频
能力
- 两款模型：Eleven Realtime v1 Mini（eleven_realtime_v1_mini，默认，延迟和成本最低，适合助手、陪练老师、互动角色）；Eleven Realtime v1 Max（eleven_realtime_v1_max，回答前先推理，适合客服、线索筛选、多步工具调用）
- 一体化：语音识别、轮次切换、LLM 与 TTS 端到端联合调优，不用自己拼 ASR / VAD / LLM / TTS
- 语言与音色：90+ 语言，可用 ElevenLabs 声音库 17,000+ 音色
- 官方数据（自测 / 公开基准）：首包音频 Mini 约 620 ms、Max 约 570 ms；Big Bench Audio Max 98.8%、Mini 75.9%；Full-Duplex-Bench Mini 95.8%、Max 94.1%；工具调用任务完成率 Max 87.1%、Mini 60.3%
- 接入：ElevenAgents（在智能体里把 Voice mode 选为 Realtime，可接电话、网页、WhatsApp 与呼叫中心渠道）；或 Realtime API（WebSocket，wss://api.elevenlabs.io/v1/convai/realtime），兼容 OpenAI Realtime 协议，OpenAI SDK 改端点和模型名即可
- 限制：逐步灰度开放；Realtime API 仅 WebSocket；需要 Zero Retention 或美欧 HIPAA 合规时只能用 Max
- 价格：官方定价页 Realtime v1 Mini 与 v1 Max 均为 $0.08/分钟 + LLM 用量
