声のAI、速さも考える力も。「Eleven Realtime」発表

10月20日、ElevenLabsが、音声で聞いて声で返す「Eleven Realtime」を発表しました。返事の速さと、よく考えた答えの両立を目指し、会話に必要な部品を一式で調整した仕組みです。「約0.5秒」も「正答率98.8％」も、測った条件と一緒に読みましょう。

30秒のまとめ動画。くわしい内容と図解は、下の「Xで記事を読む」から。

30 sec

30秒でわかる、この速報

いつ: 2026年10月20日。公式ブログの掲載日表記で、日本時間への換算はしていません
だれが: 声の生成や音声エージェントを提供するElevenLabs
なにを: 会話向けの「v1 Mini」と、複雑な仕事向けの「v1 Max」を発表
どこで使える: ElevenAgentsと、開発者向けRealtime API。ElevenAgentsへの提供はワークスペースごとに順次
いくら: ElevenAgentsには月額0ドル・通話15分のFreeプランがあるが、Realtimeモデル料は別途確認が必要
なにが変わる: 聞き取り、話す順番、回答を考えるAI、声の出力を、一式の選択で整えられる

Points

おさえるところ

公式発表は「V1 Max starts speaking in 0.57 seconds on average」と説明している。平均0.57秒は、Maxが最初の音声を出すまでの時間。公式ブログが示す平均は、Maxが0.57秒、Miniが0.62秒
最初の声が速くても、仕事全体が同じ時間で終わるわけではない。注文を照会したり、予約を変更したりするなら、外部システムの返事も待つ
98.8％は、音声で考える力を測る「Big Bench Audio」で、1,000問を声で尋ね、声で返された答えを採点した正答率。Maxで98.8％、Miniで75.9％。日本語の問い合わせも98.8％正しいとは言えない
会話の間や割り込みを測る試験では、Miniが95.8％、Maxが94.1％。道具を使う課題の成功率は、Maxが87.1％、Miniが60.3％。別の課題の成績なので、足したり平均したりしない
従来のCustomモードは、回答を考えるモデルや声をつくるモデルなどを自分で選ぶ。Realtimeモードは、そうした設定をElevenLabsが管理する。Customモードがなくなったわけではない
Miniは、自然な会話を低コストで行う用途向け。Maxは、長い指示を守ったり、複数の手順を進めたりする用途向け。Maxには出力トークンの上限が1,024以上、または上限なしという条件もある
両方とも90超の言語に対応し、ライブラリーの17,000超の音声を使えると案内している。日本語は対応言語に含まれる。ただし、自社の固有名詞を正しく読めることとは違う
Realtime APIの接続方式はWebSocket。OpenAIのRealtime APIとの互換性を案内しているが、WebRTCでつないでいるアプリはWebSocketへ移す必要がある
ElevenAgentsの料金ページは、月払い表示でFreeが0ドル、通話15分。Starterは月6ドル、Creatorは通常月22ドルで初月11ドルの表示。Realtimeを使う総額は、この月額だけでは済まず、モデルの入力、キャッシュ入力、出力のトークン料金が加わる。MaxはMiniよりトークン単価が高い
Zero Retention Modeは、Miniでは非対応、Maxは米国とEUで対応と案内されている。利用規約は18歳未満の利用を認めておらず、プライバシーポリシーは18歳未満の声の送信も禁じている。子どもの声を送る試用は案内していない