0.57秒接话，ElevenLabs把AI客服的“耳朵、脑子和嘴”打包了

你问完一句话，AI先沉默几秒；你想补充条件，它又抢着往下说。语音助手让人出戏的时刻，往往就发生在这些细小的停顿与打断里。

10月20日，语音AI公司ElevenLabs发布Eleven Realtime实时语音模型系列，推出Mini和Max两款产品。公司试图把语音助手的“耳朵、脑子和嘴”，连同什么时候接话、怎样处理打断的配合，一起交给开发者。

两款产品均支持90多种语言，可使用ElevenLabs声音库中的逾1.7万种声音。Mini偏重低成本的自然对话，Max面向复杂指令、多步骤流程和工具调用。

从拼零件，到交付一套对话系统

常见的语音助手需要先把人的声音识别成文字，再由大模型理解和生成回答，最后把回答变成声音。开发者还要处理一连串细节：用户停顿多久才算说完，双方同时说话怎么办，用户中途改口后任务怎样继续。

任何一个环节不顺，整段交流都会显得迟钝或冒失。

ElevenLabs将新系列称为“语音到语音”模型，每款都包含完整语音智能体所需的能力，并由公司统一选择和调优相关组件。对开发者来说，变化在于减少逐项配置、测试和磨合的工作。

这也意味着，不能仅凭“语音到语音”的产品名称，推断所有内部组件都已被一种单一模型架构取代。其开发者文档明确把语音识别、对话判断、大模型和声音生成列为统一管理的环节。

快速接话和真正办成事，需要分开看

根据公司披露的测试，Max在1000道语音推理题中答对98.8%，Mini为75.9%。这个测试通过声音提出推理问题，再判断口头回答是否正确，不能直接等同于真实客服问题的解决率。

速度方面，官方当前公布的平均首次发声时间，Max为0.57秒，Mini为0.62秒。第三方评测机构Artificial Analysis的榜单也列出了这一时延。这项指标衡量开始生成音频需要多久，不能理解成整项任务在半秒左右完成。

涉及工具调用的测试任务，Max成功率为87.1%，Mini为60.3%。工具调用可以理解为：AI除了说话，还能按授权查询信息或执行操作。能否准确调用正确工具、遵守业务流程，是预约、售后等场景的重要门槛。

因此，两款产品的区别并不只是声音或速度。较简单的教学陪练、互动角色适合追求流畅交流；处理客服流程、线索筛选等多步骤任务，则更需要推理和执行能力。上述划分是公司的产品定位，实际效果仍取决于具体流程和测试条件。

降低接入门槛，边界也要讲清

新系列可通过ElevenLabs旗下智能体平台或实时接口使用。前者提供渠道、知识库、测试和监控等配套能力；后者兼容OpenAI实时接口的部分接入方式，方便已有开发者迁移。

兼容也有条件：发布文档说明，实时接口当前通过WebSocket连接，即一种持续双向传输数据的网络连接方式；使用其他连接方式的现有项目仍需调整。开发者文档还提示产品正在逐步开放，具体账号的可用状态可能不同。

这次发布传递的竞争方向十分明确：语音AI公司开始把整段对话的体验作为产品交付，而不只提供一个声音生成环节。

对使用者而言，最有价值的检验也很直接：它能否在你停下来时接话、在你打断时听进去，并在获得授权后把事情办完。漂亮的声音与快速回应，最终都要服务于这件事。

参考资料

[1] KIM M. Introducing Eleven Realtime: a simpler way to build natural voice agents[EB/OL]. ElevenLabs, 2026-10-20[2026-10-21].

[2] ElevenLabs. Realtime models[EB/OL]. [2026-10-21].

[3] Artificial Analysis. Speech to Speech AI Model & Provider Leaderboard[EB/OL]. [2026-10-21].