ElevenLabs wprowadza Eleven Realtime, modele speech-to-speech dla agentów głosowych

Wpis archiwalny: opisuje wydarzenie z 20 października 2026, a opublikowaliśmy go 8 listopada 2026. Dane pochodzą ze źródeł z tamtego dnia i mogły się od tego czasu zmienić.

Firma ElevenLabs wprowadziła 20 października 2026 r. Eleven Realtime, klasę modeli speech-to-speech dla agentów głosowych, a opisała ją we wpisie na blogu ElevenLabs. Modelami startowymi były v1 Mini, do większości zastosowań, oraz v1 Max, do wieloetapowych procesów i intensywnego wywoływania narzędzi.

Co wprowadziła firma ElevenLabs

• Oba modele obsługują ponad 90 języków i dowolny głos z katalogu ElevenLabs liczącego ponad 17 000 głosów.
• Eleven Realtime zbudowano na architekturze kaskadowej, dostrojonej na całej ścieżce. Każdy etap generuje tekst, co umożliwia zabezpieczenia (guardrails) ElevenAgents oraz maskowanie danych osobowych (PII).
• Według ElevenLabs jego Realtime API jest zgodne z Realtime API OpenAI, a przełączenie wymaga zmiany punktu końcowego i identyfikatora modelu.
• Realtime API łączy się wyłącznie przez WebSocket. Przykładowy punkt końcowy to wss://api.elevenlabs.io/v1/convai/realtime z modelem eleven_realtime_v1_mini.
• ElevenLabs podało, że v1 Max zaczynał mówić średnio po 0,57 s, a v1 Mini po 0,62 s.

Co to oznacza dla osób, które tworzą z AI

Programiści, którzy mieli kod napisany pod Realtime API OpenAI, mogli wypróbować głosy i modele ElevenLabs w agentach głosowych, zmieniając punkt końcowy i identyfikator modelu. Ponieważ każdy etap kaskadowego potoku generuje tekst, można było stosować zabezpieczenia ElevenAgents i maskowanie PII, a dwie wersje pozwalały wybrać między v1 Mini do większości zastosowań a v1 Max do wieloetapowych procesów z intensywnym wywoływaniem narzędzi.

Dostępność i przytoczone wyniki

Modele były dostępne w ElevenAgents i przez Realtime API, a ElevenAgents oferowało kanały telefoniczne, internetowe, WhatsApp i CCaaS. W ogłoszeniu nie podano cen za minutę ani dostępności w poszczególnych planach. Przytoczono też wyniki Artificial Analysis: Big Bench Audio na poziomie 98,8% dla v1 Max i 75,9% dla v1 Mini, Full-Duplex-Bench na poziomie 95,8% dla v1 Mini i 94,1% dla v1 Max oraz użycie narzędzi na poziomie 87,1% dla v1 Max i 60,3% dla v1 Mini.

Źródła

• Introducing Eleven Realtime: a simpler way to build natural voice agents (ElevenLabs, 20 października 2026, oficjalne)

Tekst przygotowany z pomocą AI wyłącznie na podstawie źródeł wymienionych powyżej. Zanim trafił na stronę, przeszedł automatyczną kontrolę dat, źródeł i wszystkich wersji językowych.