Elevenlabsは2026年10月20日、音声から音声を生成する新モデル2種を発表した。「Eleven Realtime v1 Max」と「v1 Mini」だ。MaxはBig Bench Audioベンチマークで98.8％を記録し、応答時間は約0.57秒。Miniはより小型で低価格なうえ、話者が話し終えたのか、相づちの「うんうん」を言っているだけなのかを判別できる。どちらのモデルも、ElevenAgentsプラットフォームまたはOpenAI互換のRealtime APIから利用できる。
モデルの違い
v1 Maxは、高い精度と低遅延が求められるカスタマーサポート用ボットなど、負荷の高い用途を想定している。v1 Miniは、コストをより重視する、自然な日常会話向けに設計されている。料金は音声の利用時間とトークン使用量に応じて発生し、Elevenlabsの料金ページによると、MaxのほうがMiniより高い。
なぜ重要か
音声アシスタントを開発する人にとって、Maxは非常に高い精度でほぼリアルタイムに応答できるため、サポート業務でのユーザー体験向上につながる可能性がある。低価格のMiniを使えば、中小企業も大きな計算コストをかけずにリアルタイムの音声対話を導入できる。Elevenlabsの主張を超える第三者機関のベンチマーク結果は、まだ公表されていない。
