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.

6 min readBy The Arena Editor
#ElevenLabs#Voice Agents#Speech to Speech#Realtime API
Zwei Schallwellenströme zwischen Mikrofon und Lautsprecher, minimalistische Illustration

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.

BenchmarkWas gemessen wirdv1 Miniv1 MaxSieger
Zeit bis zum ersten AudioDurchschnittliche Verzögerung, bis der Agent spricht0,62 s0,57 sMax
Big Bench AudioGesprochenes Schlussfolgern, 1.000 Fragen75,9 %98,8 %Max
Tool UseKorrekte Funktionsaufrufe mitten im Gespräch60,3 %87,1 %Max
Full-Duplex-BenchGesprächsdynamik (Sprecherwechsel, Unterbrechungen)95,8 %94,1 %Mini
Speech Agent ArenaMenschliche Präferenzwertung988998Max

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.

AnwendungsfallEmpfohlenes ModellWarum
Anruf-Triage und WeiterleitungMiniWenige Tool-Aufrufe, kurze Dialoge, Kosten zählen bei Volumen
Sprachtutoren, Begleiter, SpielfigurenMiniBester Wert beim Sprecherwechsel (95,8 %), keine Tools
Support mit Bestell- oder KontoabfragenMax87,1 % Tool Use gegenüber 60,3 %
Lead-Qualifizierung mit CRM-AnbindungMaxMehrstufige Logik und Schreibzugriffe auf externe Systeme
Terminbuchung und mehrstufige WorkflowsMaxJeder 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

$5/mo81%(12)

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:

ToolAbCrowd-ScoreVoice-Agent-Ansatz
ElevenLabs5 $/Monat81 % (12 Stimmen)Natives Speech-to-Speech (Realtime), über 17.000 Stimmen, OpenAI-kompatible API
Resemble AI2 $/Monat pro Stimmklon50 % (noch keine Stimmen)Streaming-TTS mit ~200 ms, Deepfake-Erkennung, On-Premise; keine vollständige Agentenplattform
WellSaid Labs10 $/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

$5/mo81%(12)

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