Stimmgenerierung
Eleven Realtime Mini vs Max: Welches ElevenLabs-Modell für Voice Agents
Eleven Realtime v1 Mini und Max im Vergleich bei Latenz, gesprochenem Schlussfolgern und Tool Use, mit den passenden Einsatzfällen und den Preisvorbehalten vor dem Bau eines Voice Agents.

Some links are partner links: if you subscribe through them, we may earn a commission, at no extra cost to you. The crowd verdicts stay independent.
Eleven Realtime Mini oder Max: Das ist die erste echte Entscheidung beim Bau eines Voice Agents auf der neuen Speech-to-Speech-API von ElevenLabs. Max ist schneller und deutlich präziser, Mini zielt auf natürliche Gespräche zu geringeren Kosten. Die unabhängigen Benchmarks zum Start im Oktober 2026 machen den Kompromiss ungewöhnlich klar, nur der Minutenpreis fehlt noch.
Max zum Handeln, Mini zum Reden
Eleven Realtime v1 Max für Support, Lead-Qualifizierung und mehrstufige Tool-Aufrufe wählen: 98,8 % bei Big Bench Audio und 87,1 % bei Tool Use, gegenüber 75,9 % und 60,3 % bei Mini. Mini für Assistenten, Tutoren und Figuren wählen, wo es beim Gesprächsfluss vorne liegt (95,8 % im Full-Duplex-Bench). ElevenLabs-Tarife starten bei 5 $/Monat.
Was Eleven Realtime ist und was sich am 20. Oktober geändert hat
Eleven Realtime ist eine Familie von Speech-to-Speech-Modellen: Audio rein, Audio raus, hinter einer einzigen Modell-ID. Bisher verkettete ein ElevenLabs-Voice-Agent drei Schritte (Spracherkennung, Sprachmodell, dann Sprachsynthese). Ein natives Speech-to-Speech-Modell spart zwei Übergaben ein, und genau dort entstand der Großteil der Gesprächsverzögerung.
Am 20. Oktober 2026 kamen zwei Modelle (die offizielle Ankündigung wurde am 29. Oktober aktualisiert):
- Eleven Realtime v1 Mini: natürliche Gespräche zu niedrigen Kosten (KI-Assistenten, Lehrkräfte, interaktive Figuren).
- Eleven Realtime v1 Max: komplexe Aufgaben mit vielen Tool-Aufrufen (Kundensupport, Lead-Qualifizierung, mehrstufige Workflows).
Beide sprechen über 90 Sprachen und können jede der mehr als 17.000 Stimmen aus der ElevenLabs-Bibliothek nutzen. Diese Zahl zählt: Die Stimme am Telefon kann dieselbe sein, die eine Marke bereits für YouTube-Narration oder Hörbücher nutzt, eine Konsistenz, die kein reiner OpenAI-Stack bietet.
Drei Wochen später ergänzte ElevenLabs auf dem Summit in New York am 11. November seine Agentenplattform um Memory, Routines und eine Vorschau der Interaction Engine, dazu Scribe v3 Medical für Transkription. Realtime ist die Sprachschicht unter diesem gesamten Stack.
Eleven Realtime Mini vs Max: Latenz und Genauigkeit im Vergleich
Die folgenden Werte stammen von Artificial Analysis, einem unabhängigen Prüfer, und wurden von ElevenLabs zum Start veröffentlicht.
| Benchmark | Was gemessen wird | v1 Mini | v1 Max | Sieger |
|---|---|---|---|---|
| Zeit bis zum ersten Audio | Durchschnittliche Verzögerung, bis der Agent spricht | 0,62 s | 0,57 s | Max |
| Big Bench Audio | Gesprochenes Schlussfolgern, 1.000 Fragen | 75,9 % | 98,8 % | Max |
| Tool Use | Korrekte Funktionsaufrufe mitten im Gespräch | 60,3 % | 87,1 % | Max |
| Full-Duplex-Bench | Gesprächsdynamik (Sprecherwechsel, Unterbrechungen) | 95,8 % | 94,1 % | Mini |
| Speech Agent Arena | Menschliche Präferenzwertung | 988 | 998 | Max |
Drei Erkenntnisse stechen heraus.
Die Latenz entscheidet nicht. 0,05 Sekunden Unterschied (0,62 s gegenüber 0,57 s) nimmt kein Anrufer wahr. Beide Modelle liegen klar unter der Ein-Sekunden-Schwelle, ab der sich ein Telefonat holprig anfühlt. Mini „wegen der Geschwindigkeit" zu wählen, ergibt keinen Sinn: Max ist das schnellere Modell.
Die Genauigkeit ist der eigentliche Unterschied. Bei Big Bench Audio beträgt die Lücke 22,9 Punkte, bei Tool Use 26,8 Punkte. Praktisch heißt 60,3 % Tool Use, dass etwa vier von zehn Aufrufen schiefgehen: ein Termin am falschen Datum, eine fehlgeschlagene Bestellabfrage, ein leeres CRM-Feld. Für jeden Agenten, der etwas tun soll, ist Mini mit diesen Werten nicht produktionsreif.
Mini unterhält sich etwas besser. Im Full-Duplex-Bench, der prüft, wie natürlich ein Modell mit Unterbrechungen, Pausen und überlappender Sprache umgeht, liegt Mini knapp vor Max (95,8 % gegenüber 94,1 %). Für einen Sprachtutor oder eine Spielfigur, bei denen das Gespräch selbst das Produkt ist und keine API aufgerufen wird, ist das die entscheidende Kennzahl.
Welches Modell für welchen Anwendungsfall
Das Urteil der Arena folgt den Benchmarks, nicht den Marketing-Stufen.
| Anwendungsfall | Empfohlenes Modell | Warum |
|---|---|---|
| Anruf-Triage und Weiterleitung | Mini | Wenige Tool-Aufrufe, kurze Dialoge, Kosten zählen bei Volumen |
| Sprachtutoren, Begleiter, Spielfiguren | Mini | Bester Wert beim Sprecherwechsel (95,8 %), keine Tools |
| Support mit Bestell- oder Kontoabfragen | Max | 87,1 % Tool Use gegenüber 60,3 % |
| Lead-Qualifizierung mit CRM-Anbindung | Max | Mehrstufige Logik und Schreibzugriffe auf externe Systeme |
| Terminbuchung und mehrstufige Workflows | Max | Jeder fehlgeschlagene Aufruf ist ein verlorener Termin |
Ein praktisches Muster für Contact Center: die ersten Sekunden eines Anrufs über einen günstigeren Triage-Agenten laufen lassen und an einen Max-Agenten übergeben, sobald das Anliegen Aktionen erfordert. Ob diese Aufteilung wirklich Geld spart, hängt vom Minutenpreis ab, und damit zum wichtigsten Vorbehalt.
ElevenLabs
The realism benchmark for AI voices: best-in-class TTS and cloning at a premium price
Partner link. The crowd verdicts stay independent.
Eleven Realtime API: Integration, Kompatibilität und Preisvorbehalte
Die Integration ist die größte Stärke des Starts. Die Realtime-API verbindet sich per WebSocket und folgt der Realtime-Spezifikation von OpenAI, das OpenAI-SDK funktioniert also unverändert: Eine bestehende OpenAI-Realtime-Integration wechselt durch Austausch von Endpoint und Modellname. Für Teams, die bereits einen Voice Agent auf OpenAI betreiben, kostet ein Test von ElevenLabs einen Nachmittag, keine Neuentwicklung.
Drei Grenzen verdienen Beachtung, bevor man sich festlegt:
- Kein direktes WebRTC. Browser- oder Mobile-Integrationen auf WebRTC-Basis müssen zuerst auf WebSocket umziehen. Das ist echter Aufwand auf Client-Seite.
- Die API ist von ElevenAgents getrennt. Telefonkanäle, Wissensdatenbank und weitere Plattformfunktionen setzen ElevenAgents voraus, das ElevenLabs als Standard-Einstieg empfiehlt.
- Kein veröffentlichter Minutenpreis. Die Ankündigung nennt keinen Realtime-Tarif. Jeder Kostenvergleich mit OpenAI oder einer klassischen Pipeline bleibt Spekulation, bis ElevenLabs ihn veröffentlicht, deshalb wird hier keine Zahl genannt.
Bekannt ist die Abo-Staffel, geprüft auf der ElevenLabs-Preisseite im Oktober 2026: Starter für 5 $/Monat (jährlich), Creator für 22 $, Pro für 99 $, Scale für 299 $ und Business für 990 $. Der Gratis-Tarif bietet 10.000 Credits pro Monat zum Testen. Die wichtigste Warnung aus dem Katalog gilt auch hier: Credits sind schnell verbraucht, Neugenerierungen kosten ebenfalls, und Nutzer berichten von realen Kosten bis etwa zum 2,8-Fachen des beworbenen Preises pro Zeichen. Lange Agentensitzungen auf einer Hotline mit hohem Volumen belasten dieses System stärker als jede Narration.
ElevenLabs im Vergleich mit Alternativen für Voice Agents
Auf GLAD-AI-TOR hält ElevenLabs 81 % Empfehlungsquote der Crowd bei 12 Stimmen (11 dafür, 1 dagegen), den Bestwert der Voice-Arena, und „Voice Agents / IVR" ist einer seiner vier Haupteinsatzzwecke. Zwei weitere Katalog-Tools landen oft auf derselben Shortlist:
| Tool | Ab | Crowd-Score | Voice-Agent-Ansatz |
|---|---|---|---|
| ElevenLabs | 5 $/Monat | 81 % (12 Stimmen) | Natives Speech-to-Speech (Realtime), über 17.000 Stimmen, OpenAI-kompatible API |
| Resemble AI | 2 $/Monat pro Stimmklon | 50 % (noch keine Stimmen) | Streaming-TTS mit ~200 ms, Deepfake-Erkennung, On-Premise; keine vollständige Agentenplattform |
| WellSaid Labs | 10 $/Monat (jährlich) | 50 % (noch keine Stimmen) | Lizenzierte Sprecherstimmen, IVR über Enterprise-API; API-Preis nicht veröffentlicht |
Resemble AI ist die Alternative für regulierte Branchen: TTS für 0,0005 $ pro Sekunde (etwa 1,80 $ pro Audiostunde), SOC 2 Type II, On-Premise-Option und eingebaute Deepfake-Erkennung. Es bleibt eine Sprachschicht: Die Gesprächslogik braucht separates Tooling. WellSaid Labs ist zuerst ein markensicheres Narrationsstudio; der Einsatz als Agent läuft über eine Enterprise-API, die nur über den Vertrieb zugänglich ist. Keiner der beiden bietet heute ein natives Speech-to-Speech-Modell. Das vollständige Ranking steht auf der Seite Alternativen zu ElevenLabs, das direkte Duell unter ElevenLabs vs Resemble AI.
Teams, die eine klassische Pipeline bevorzugen (eigene Spracherkennung, ein günstiges LLM, dann TTS), behalten die volle Kontrolle über das „Gehirn" des Agenten. Diese Kontrolle kostet Latenz, also genau das, was Realtime beseitigt.
ElevenLabs
The realism benchmark for AI voices: best-in-class TTS and cloning at a premium price
Partner link. The crowd verdicts stay independent.
Das Urteil
- Standardmäßig Max, sobald ein Tool aufgerufen wird. 87,1 % Tool Use und 98,8 % Big Bench Audio gegenüber 60,3 % und 75,9 % bei Mini: 26,8 Punkte Abstand bei Aktionen sind für Support oder Vertrieb zu viel.
- Mini, wenn das Gespräch das Produkt ist. Tutoren, Begleiter und Figuren profitieren von 95,8 % im Full-Duplex-Bench, und ohne Tool-Aufrufe zeigt sich die Schwäche nie.
- Mini nicht wegen der Geschwindigkeit wählen. Max ist schneller (0,57 s gegenüber 0,62 s), beide liegen deutlich unter einer Sekunde.
- Vorsichtig budgetieren. Ein Realtime-Minutenpreis ist noch nicht veröffentlicht; mit der Abo-Staffel (5 bis 990 $/Monat) und dem dokumentierten Credit-Verbrauch planen, dann die reale Nutzung in einem Pilotprojekt messen.
- Der Umstieg von OpenAI Realtime ist günstig, außer der Stack hängt an WebRTC.
Die Crowd hat den Anbieter bereits eingeordnet: 81 % empfehlen ElevenLabs. Den Vergleich mit allen anderen Stimmen-Tools nach Preis und Score zeigt das Ranking der besten KI-Stimmengeneratoren, und vor der Tarifwahl lohnt der Artikel wie ElevenLabs-Credits wirklich funktionieren.
Keep exploring
Every claim above is backed by the arena's live data: crowd votes, verified pricing, honest pros & cons.
More from the arena journal

Stimmgenerierung
HeyGen Voice Turbo führt das TTS-Leaderboard an: gratis bis 30. November, und dann?
HeyGen Voice Turbo ist bis zum 30. November 2026 gratis, danach kostet es $4 pro 1M Zeichen. Was Platz 1 bei geklonten Stimmen beweist und wie es preislich gegen ElevenLabs v4 abschneidet.
2. Nov. 2026 · 6 Min. Lesezeit

Stimmgenerierung
ElevenLabs startet Eleven v4: Das emotionalste KI-Stimmmodell bisher
ElevenLabs veröffentlicht Eleven v4, ihr ausdrucksstärkstes KI-Stimmmodell. Hier ist, was sich ändert, was es kostet und ob sich das Upgrade lohnt.
5. Okt. 2026 · 3 Min. Lesezeit

Stimmgenerierung
ElevenLabs CLI v1: Was Entwickler vom Terminal aus tun können
ElevenLabs hat CLI v1 am 24. August 2026 veröffentlicht. Das können Entwickler damit bauen: Batch-TTS, Agents-as-Code, CI/CD-Pipelines und maschinenlesbare API-Aufrufe.
9. Sept. 2026 · 5 Min. Lesezeit