ElevenLabs 发两款实时语音模型，最快 0.57 秒响应

语音助手最怕的不是说错，是慢半拍。对方已经说下一句了，模型还在想上一句怎么回。ElevenLabs 新发的两款模型，直接把这个「延迟账」摆到了台面上。它把响应压到 0.57 秒，但这个数字背后有几个口径，值得拆开看。

一、发生了什么

据 The Decoder 报道，10 月 20 日，ElevenLabs 发布了两款语音到语音模型，合称 Eleven Realtime。大的叫 v1 Max，在 Big Bench Audio 基准上拿到 98.8 分，响应时间 0.57 秒。ElevenLabs 称，在 Artificial Analysis 的语音到语音榜单上，目前没有模型能同时比它更快、更准。小的叫 v1 Mini，为低成本的自然对话设计，能分辨对方是说完了、还是只是「嗯嗯」了一下。Max 则面向客服这类更复杂的任务。两款都通过 ElevenAgents 平台和 OpenAI 兼容的实时接口提供，按分钟加 token 收费，Max 比 Mini 贵，具体价格以官网为准。也就是说，这次发布不是出一个「全能王」，而是把快和准拆成两个产品，让用户按场景挑。这个「快和准分开卖」的思路，其实是在替用户做选择：你不需要为用不上的准确度多付钱，也不需要在等不了的场景里硬忍着慢。理解这一点，比死记 0.57 秒这个数字更有用。对开发者来说，接口兼容 OpenAI 格式，接起来不用重写一堆胶水代码，也是个实打实的省事。

二、跟你有什么关系

对做语音产品的团队：想要低延迟又想要准确，可以拿 Max 做客服、Mini 做闲聊，分开用省成本。复杂的正式场景上 Max，轻量的日常对话上 Mini，账更好算。

对普通用户：以后打 AI 客服电话，接得住你插话、不抢话的体验会更好。你「嗯」一声它不会急着抢答，等你说完它才接，这种自然感最难得。

对做销售或外呼的人：0.57 秒的响应，意味着对话能接近真人节奏，客户不会因为卡顿而挂断，但这是厂商口径，得自己接进来试过才知道真实体验。

对观望的人：官方只明确给出 0.57 秒这一个延迟数字，其余体验要自己接入后试，别只看新闻。一个数字撑不起一个购买决策。

三、怎么判断

1. 看延迟别只看一个数：响应时间、首字延迟、端到端延迟是三回事，厂商常挑最有利的那个说。就像看房价，报单价还是总价，差距很大，先问清是哪个口径。
2. 看场景匹配：Mini 判断「说完了吗」的能力，比单纯的速度更影响对话自然度，闲聊场景优先看这个。抢话比慢更毁体验，判断结束点这件事容易被忽视。
3. 算账：按分钟加 token 收费，先估自己一个月的话务量，再决定用 Max 还是 Mini，别一上来就上贵的。量小时贵点无所谓，量大时价差会被放大很多倍。

四、三个别信的说法

0.57 秒就是所有场景的响应。 错。这是 Max 在特定基准下的数字，不代表日常网络和真实环境。真实对话里有网络抖动、排队，别拿实验室数字当日常承诺。

Mini 一定比 Max 差。 错。Mini 主打低成本自然对话，和 Max 的定位不同，不是降级版。它俩比的不是高低，是用途，就像省油车和跑车，各有各的路。

国内现在就能用。 错。这是海外服务，接入方式和价格都要另看官方说明，不能假设立即可用。能不能用、怎么付款，都得先查本地支持情况。

五、一句话结论

语音模型的竞争，正在从「能不能听懂」转向「能不能接住对话节奏」，延迟成了硬指标。

信息来源

Elevenlabs releases two new speech-to-speech models designed for real-time AI conversations（The Decoder，2026-10-20）

功能与价格以官方公告为准。本文写于 2026 年 10 月 21 日。