Eleven Realtime v1 Mini y Max combinan escucha, razonamiento y respuesta hablada para montar agentes de voz con menos piezas separadas.
Crear un asistente de voz suele exigir conectar por separado el reconocimiento de voz, la detección de turnos, un modelo de lenguaje y la síntesis de audio. ElevenLabs propone reunir esas piezas en Eleven Realtime, una nueva familia de modelos de voz a voz que ya puede utilizarse para construir agentes conversacionales.
La familia llega con dos opciones. Realtime v1 Mini está pensada para conversaciones naturales con menor coste, por ejemplo asistentes, profesores virtuales o personajes interactivos. Realtime v1 Max apunta a procesos con varios pasos, como atención al cliente o clasificación de contactos, donde el agente debe seguir instrucciones y utilizar herramientas.
Ambos modelos admiten más de 90 idiomas y pueden utilizar las más de 17.000 voces de la biblioteca de ElevenLabs. La compañía destaca el manejo de pausas e interrupciones, aspectos necesarios para que una conversación hablada no se comporte como una secuencia rígida de preguntas y respuestas.
ElevenLabs publica resultados de evaluaciones independientes realizadas por Artificial Analysis. En Big Bench Audio, Max respondió correctamente al 98,8 % de las preguntas y Mini al 75,9 %. En esa misma prueba, la respuesta hablada comenzó de media tras 0,57 segundos con Max y 0,62 con Mini. Son mediciones de una prueba concreta, no una garantía de rendimiento idéntico en cualquier aplicación.
Los modelos pueden seleccionarse al crear o editar un agente en ElevenAgents, que ofrece canales como web, teléfono y WhatsApp, además de flujos, base de conocimientos y pruebas. También existe una API en tiempo real por WebSocket compatible con las especificaciones de OpenAI Realtime; las integraciones WebRTC necesitan cambiar de transporte. La API funciona por separado de las funciones completas de ElevenAgents.
