Eleven Realtime 解析：87.1% 任務成功率，為何不等於語音 Agent 全面勝出？（2026）

2026 年 10 月 20 日，ElevenLabs 的 Min Kim 在官網發布了〈Introducing Eleven Realtime: a simpler way to build natural voice agents〉，推出 Eleven Realtime v1 Mini 與 v1 Max。這次 Eleven Realtime 最值得追問的，是把語音、推理與對話節奏交給同一家調校，能否讓 Agent 更可靠地把事情辦完。

先看原文想替開發者省下什麼，再拆開獨立評測的不同成績，最後回到採用決策：哪些工作可以交給整套服務，哪些證據仍得自己留下。

Eleven Realtime 的核心主張：少選零件，多看整段對話

Each model is a complete voice agent, optimized for separate use cases.

中文：每個模型都以完整語音 Agent 的形式提供，分別為不同用途最佳化。

ElevenLabs，2026 年 10 月 20 日發布文

這句話談的是使用者拿到的整套能力。原文把問題放在辨識、語音活動偵測、輪替發言、語言模型與語音合成之間：人停頓一下，是講完了，還是在找資料？一句「嗯嗯」，是在打斷，還是要對方繼續？各零件單獨表現很好，接起來仍可能搶話或空等。

Mini 被定位為低成本的自然對話選項；Max 面向複雜指令與多步工具流程，例如客服、潛在客戶篩選。官方宣布兩者支援 90 多種語言，可使用聲音庫中超過 17,000 種聲線。這些是產品範圍與廠商定位；要服務哪一種口音、能否正確處理姓名與數字，仍需要對應的測例。

現行設定文件說明，Realtime 模式由 ElevenLabs 管理 LLM、語音辨識供應商、TTS 模型及部分推理設定；系統提示詞、聲線、工具、知識庫與對話流程設定則繼續適用。你仍要定義工作和權限，只是部分底層配方交由供應商維護。

語音到語音，為什麼仍然是串接架構？

最容易誤讀的地方，在於把 Speech to Speech 當成內部架構的保證。官方相容性文件的 FAQ明確寫出，Mini 和 Max 採用 cascaded architecture：不同元件仍是各自的模型，再作整體最佳化；它們並非 fused models。文件也明示，底層模型的具體組成並未公開。

each component is a distinct model

中文：每個元件都是一個獨立的模型。

ElevenLabs，Realtime API 相容性文件 FAQ

因此，這次改變可以理解為「整套服務的選型單位變了」。過去你逐一選耳朵、腦和嘴，現在可以先選一套調好的組合。這可能減少整合工作；要進一步判斷是否更好，得看組合之後的表現。架構標籤本身既不能證明優勢，也不足以否定它。

這與先前 Eleven v4 Turbo 的語音合成發布不同：那篇重點是聲音表情與發聲速度，這次則是整個對話系統與工具任務。若要看模型之外的分工，可接著讀 Agent Harness 的原理。

Eleven Realtime 評測：四張成績單，各自回答不同問題

截至 2026 年 10 月 22 日，Artificial Analysis 公開資料可核對 Max 的 Big Bench Audio 準確率 98.8%、Mini 75.9%；平均首段音訊時間約為 0.57 秒與 0.62 秒。Full-Duplex-Bench 對話動態分數則是 Mini 95.8%、Max 94.1%。這些是該評測方在其設定下的結果，本文未執行產品 API 實測。

衡量面向	Mini	Max	它回答的問題
語音推理	75.9%	98.8%	聽到題目後，答案是否正確
平均首段音訊	0.62 秒	0.57 秒	在指定測試中，多久開始回傳音訊
對話動態	95.8%	94.1%	停頓、接話、打斷與附和的處理
Arena 工具任務成功率	60.3%	87.1%	符合納入條件的對話，最終工具呼叫是否正確

評測方法將語音推理、對話動態與 Arena 分開定義。Big Bench Audio 是 1,000 道語音推理題；答對邏輯或計數題，和幫客人完成改訂，是不同的考驗。對話動態則檢查停頓、輪替、打斷和附和等行為。Mini 在這一項分數略高，也提醒我們：Max 並非每一欄都較高。

87.1% 有價值，但不是所有客服來電的解決率

Speech Agent Arena 榜單列出 Max 工具任務成功率 87.1%，Mini 為 60.3%。它衡量的是符合評測納入條件的對話中，模型是否作出正確的最終任務工具呼叫；排除參與者偏離情境與無法驗證的案例。因此，不宜把它換寫成真實企業全部來電的解決率，也不能把其他模擬客服基準的設定套過來。

它仍提供了比單次示範更有用的線索：在這套題目與判分下，Max 比 Mini 更值得列入需要工具操作的候選。但從訂餐或預約測例，走到你的退款規則、身分驗證及外部系統，還有新的失敗方式要測。

任務做對，和人比較喜歡，並不總是同一件事

查閱時，Max 在整體語音偏好榜列第 9，Elo 約 997，排名區間為第 7–14；Mini 列第 12。名次與區間都要一起讀。原公告寫 Max 為 998，和動態榜單的 997 是不同時間的數值，本文保留這個差異。工具任務的優勢，並未讓它自動成為整體偏好的榜首。

同榜 ElevenLabs 原有的 Default Cascaded System 工具任務成功率為 90.5%，Max 為 87.1%；兩者公布的 95% 區間分別是 86.7%–93.4% 與 82.6%–90.6%。區間重疊，這份比較不足以判定有清楚差異，也不能證明兩套等效。它至少提醒採購者：應把自己現有的組合放進比較，而非只在兩個新名字之間選。

0.57 秒很快，整件工作還有另一支碼表

原文將準確率與速度畫在同一張散點圖上，主張 Max 能兼顧兩者。這個方向值得測：較早開口又答得對，確實比只快或只準更有意義。但座標軸仍是特定語音推理題的準確率與首段音訊時間，沒有涵蓋一通任務所有外部等待。

例如客人說「幫我改到週五……等等，是下週五」。Agent 很快回答「好的」能改善等待感，訂單是否改到正確日期卻是另一個結果。若它得先查庫存、再確認條件、再寫入訂單，還要把工具耗時與錯誤重試放進總時間。這是情境推演，不是本次觀察到的產品案例。

對自己的服務，最好同時量「使用者說完到播放器第一聲」及「到正確完成任務」。語音 Agent 延遲 Trace 教學提供前一條時間線的拆法；MAI 串流轉錄的分析則說明，較早拿到文字與可以安全採取行動之間仍有距離。

省下調校之後，哪些責任仍在自己手上？

導入有兩條路。Realtime API 文件描述的是相容的 WebSocket 事件介面；既有 WebRTC 整合需要調整傳輸。獨立 Realtime API 與 ElevenAgents 平台也是不同入口，不能把「能連線」直接當成已帶有知識庫、電話通路和整套平台工作流程。這使試用比較容易，但仍要核對自己實際用到的能力。

部署文件另說明功能正逐步推出；工作區是否已開通要先確認。適用邊界也有差別：Mini 不適用 Zero Retention Mode／HIPAA；Max 在美國及歐盟可用於這些設定，但不提供印度與新加坡的資料駐留環境。這是環境與功能的限制，不能改寫成該國所有使用者都被禁止。

計費同樣要看所選入口。ElevenAgents 的 Realtime 使用量，包含平台每分鐘費率，再加模型的輸入、快取輸入與輸出 token 費用；Max 的每 token 費用高於 Mini。評估客服成本時，可把測試期間的模型、平台及人工接手費用加總，再除以合格完成件數。這比只比較單價，更接近你實際購買的成果。

AlphaLab 的判讀：值得買的是協調效果，也要驗收協調效果

我同意：整套系統可以是有意義的產品

對小團隊而言，少花時間在零件相互配合，可能比多一個模型設定旋鈕更有價值。輪替發言、工具呼叫與聲音輸出共同影響對話；由同一供應商調整，合理地提供了改善的空間。獨立評測也確實給出可追蹤的結果，讓討論不必只停在展示影片。

我存疑：把配置變少，直接當成驗收也變少

交出底層選型之後，你更需要保留一套不隨供應商配方變動的考卷。否則，今天某次升級讓聲音更順，卻把日期或取消條件處理壞了，很可能只剩「感覺不同」可討論。工具權限、成功定義、失敗後的接手方式，都應由應用的擁有者寫清楚。

下一份關鍵證據，是同一批任務能否少重做

發布文的訴求是降低打造自然語音 Agent 的門檻。對採用者，更可檢驗的命題是：同樣的任務、規則與目標語言，整套 Realtime 是否能在維持正確率與接手品質時，減少等待和維護時間。這是本文提出的後續檢驗方向，並非廠商保證的生產力倍率。

我的結論是，Max 的推理與工具成績足以支持認真試用；它的整體偏好排名、現有串接系統的成績，以及平台限制，同樣應進入採用決策。這次發布讓「誰負責把零件配好」變得更明確；真正的價值，仍要落在你的工作是否更穩定地完成。

下一步：先拿十個假任務，比較三種選項

若已有授權與開通的工作區，可以先準備十個不含真實客戶資料的任務，涵蓋查詢、改訂、取消、說到一半改口與工具失敗。這是起始練習的建議規模，並非足以推論整體品質的統計樣本；本文沒有替你執行這輪測試。

把現有配置、Mini 與 Max 放在相同題目下，預先寫清楚最終資料應變成什麼、哪些動作需確認、何時轉人工。各次記錄是否正確完成、第一聲等待、完成總時間、重試與接手原因。繁中、粵語或其他目標語言要各自成組，不能用語言支援數量代替語意驗收。

先挑最容易出錯的一件，例如「取消後不要再改單」，確認失敗時也能保住正確狀態。若 Max 只是比較早回答，就先記為回應速度改善；若它也減少錯誤與人工補救，再考慮擴大用途。可搭配 Voice Agent Eval 教學建立回歸測例，把每次換配方都變成有證據的選擇。