英伟达投资的AI语音独角兽发布两款新模型，半秒内实时响应

10月20日，英国AI音频独角兽ElevenLabs发布实时语音系列模型Eleven Realtime，包括面向自然交流的Eleven Realtime v1 Mini，以及面向客服、多步骤任务的Eleven Realtime v1 Max。两款模型均支持超过90种语言，可使用ElevenLabs声音库中超过1.7万种音色。

此次发布主打简化语音智能体的搭建和调试。Eleven Realtime统一配置和调优底层组件，开发者选择Mini或Max后，即可围绕具体业务设置角色、知识库和工具，无需再逐项选择底层模型。

实测体验：操作方便但中文口音明显

智东西测试了其中的Architect搭建助手。实测发现，用语音修改Agent设置比较方便，多项操作无需手动点击。不过，模型中文口音明显，回复偏长，且存在较明显的响应等待和偶发卡顿，打断响应不够及时。

模型表现：Mini主打自然对话，Max处理复杂任务

第三方AI评测机构Artificial Analysis的独立测试显示，Max在Big Bench Audio语音推理评测中以98.8%的正确率位列第三，平均首次音频响应时间为0.57秒；Mini正确率为75.9%，响应时间为0.62秒。在Speech Agent Arena评测中，Max的工具使用任务完成率为87.1%，Mini为60.3%。而在全双工对话评测中，Mini在停顿、打断等接话表现上略胜一筹。

技术路线与商业化

ElevenLabs延续采用级联架构，由语音识别、大语言模型和语音合成等独立组件协同完成对话。定价方面，Realtime API按音频连接时长和Token用量计费。超出套餐额度后，音频连接费用均为每分钟0.08美元；Mini每百万输入Token收费0.20美元、输出收费6美元；Max分别为1.80美元和9美元。

ElevenLabs成立于2022年，今年2月完成5亿美元D轮融资，估值110亿美元；9月估值达到220亿美元。投资方包括红杉资本、a16z以及英伟达旗下NVentures等。目前，两款模型可通过ElevenAgents平台或兼容OpenAI Realtime规范的Realtime API使用。