Generación de voz

Eleven Realtime Mini vs Max: qué modelo de ElevenLabs elegir para agentes de voz

Eleven Realtime v1 Mini y Max comparados en latencia, razonamiento hablado y uso de herramientas, con los casos de uso de cada modelo y las advertencias de precio antes de lanzar un agente de voz.

8 min readBy The Arena Editor
#ElevenLabs#Agentes de voz#Speech to speech#API Realtime
Dos flujos de ondas sonoras entre un micrófono y un altavoz, ilustración minimalista

Algunos enlaces son de socios: si te suscribes a través de ellos, podemos ganar una comisión, sin coste adicional para ti. Los veredictos del público siguen siendo independientes.

Eleven Realtime Mini o Max: es la primera decisión real al montar un agente de voz sobre la nueva API speech-to-speech de ElevenLabs. Max es más rápido y mucho más preciso; Mini apunta a la conversación natural a menor coste. Los benchmarks independientes publicados en el lanzamiento de octubre de 2026 dejan el dilema muy claro, y el precio por minuto es el único dato que todavía falta.

Max para actuar, Mini para conversar

Elegir Eleven Realtime v1 Max para soporte, cualificación de leads y llamadas a herramientas en varios pasos: logra 98,8 % en Big Bench Audio y 87,1 % en tool use, frente al 75,9 % y 60,3 % de Mini. Elegir Mini para asistentes, tutores y personajes, donde gana en fluidez (95,8 % en Full-Duplex-Bench). Los planes de ElevenLabs empiezan en 5 $/mes.

Qué es Eleven Realtime y qué cambió el 20 de octubre

Eleven Realtime es una familia de modelos speech-to-speech: entra audio, sale audio, con un único ID de modelo. Hasta ahora, un agente de voz de ElevenLabs encadenaba tres pasos (transcripción, modelo de lenguaje y síntesis de voz). Un modelo speech-to-speech nativo elimina dos relevos, que es justo donde se generaba la mayor parte del retraso conversacional.

El 20 de octubre de 2026 salieron dos modelos (el anuncio oficial se actualizó el 29 de octubre):

  • Eleven Realtime v1 Mini: conversación natural a bajo coste (asistentes de IA, profesores, personajes interactivos).
  • Eleven Realtime v1 Max: tareas complejas con muchas llamadas a herramientas (atención al cliente, cualificación de leads, flujos de varios pasos).

Ambos hablan más de 90 idiomas y pueden usar cualquiera de las más de 17.000 voces de la biblioteca de ElevenLabs. Esa cifra pesa: la voz que oye quien llama puede ser la misma que la marca ya usa para sus narraciones de YouTube o sus audiolibros, una coherencia que ninguna pila solo OpenAI ofrece.

Tres semanas después, en su Summit de Nueva York del 11 de noviembre, ElevenLabs añadió Memory, Routines y una vista previa del Interaction Engine a su plataforma de agentes, además de Scribe v3 Medical para transcripción. Realtime es la capa de voz bajo todo ese conjunto.

Eleven Realtime Mini vs Max: latencia y precisión comparadas

Las puntuaciones siguientes proceden de Artificial Analysis, un evaluador independiente, y ElevenLabs las publicó con el lanzamiento.

BenchmarkQué midev1 Miniv1 MaxGanador
Tiempo hasta el primer audioRetraso medio antes de que el agente hable0,62 s0,57 sMax
Big Bench AudioRazonamiento hablado, 1.000 preguntas75,9 %98,8 %Max
Tool useLlamadas correctas a funciones en plena conversación60,3 %87,1 %Max
Full-Duplex-BenchDinámica conversacional (turnos, interrupciones)95,8 %94,1 %Mini
Speech Agent ArenaPuntuación de preferencia humana988998Max

Tres lecturas destacan.

La latencia no decide. Una diferencia de 0,05 segundos (0,62 s frente a 0,57 s) es imperceptible para quien llama. Ambos modelos quedan muy por debajo del umbral de un segundo en el que una llamada empieza a sentirse rota. Elegir Mini «por velocidad» no tiene sentido: Max es el más rápido de los dos.

La precisión marca la diferencia. La brecha es de 22,9 puntos en Big Bench Audio y de 26,8 puntos en tool use. En la práctica, un 60,3 % en tool use significa que unas cuatro de cada diez llamadas fallan: una reserva en la fecha equivocada, una consulta de pedido que no llega, un campo del CRM vacío. Para cualquier agente cuyo trabajo sea hacer algo, Mini no está listo para producción con estas cifras.

Mini conversa algo mejor. En Full-Duplex-Bench, que mide cómo gestiona un modelo las interrupciones, las pausas y el habla superpuesta, Mini supera a Max (95,8 % frente a 94,1 %). Para un tutor de idiomas o un personaje de videojuego, donde la conversación es el producto y no se llama a ninguna API, esa es la métrica que importa.

Qué modelo elegir según el caso de uso

El veredicto de la arena sigue a los benchmarks, no a las gamas comerciales.

Caso de usoModelo recomendadoPor qué
Triaje y enrutamiento de llamadasMiniPocas llamadas a herramientas, intercambios cortos, el coste pesa en volumen
Tutores de idiomas, compañeros, personajes de juegoMiniMejor puntuación de turnos (95,8 %), sin herramientas
Soporte con consultas de pedidos o cuentasMax87,1 % en tool use frente a 60,3 %
Cualificación de leads hacia un CRMMaxLógica de varios pasos y escrituras en sistemas externos
Reservas de citas y flujos complejosMaxCada llamada fallida es una cita perdida

Un patrón práctico para centros de contacto: pasar los primeros segundos de la llamada por un agente de triaje más barato y derivar a un agente Max en cuanto la intención exige acciones. Que esa división ahorre dinero de verdad depende del precio por minuto, lo que lleva a la principal advertencia.

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.

API de Eleven Realtime: integración, compatibilidad y límites de precio

La integración es lo mejor del lanzamiento. La API Realtime se conecta por WebSocket y sigue la especificación Realtime de OpenAI, así que el SDK de OpenAI funciona sin cambios: una integración existente con OpenAI Realtime se migra cambiando el endpoint y el nombre del modelo. Para un equipo que ya tiene un agente de voz en OpenAI, probar ElevenLabs cuesta una tarde, no una reescritura.

Tres límites a tener en cuenta antes de comprometerse:

  • Sin WebRTC directo. Las integraciones de navegador o móvil basadas en WebRTC deben pasar antes a WebSocket. Es trabajo real en las apps cliente.
  • La API va aparte de ElevenAgents. Los canales telefónicos, la base de conocimiento y el resto de funciones de la plataforma requieren ElevenAgents, que ElevenLabs recomienda como punto de entrada por defecto.
  • Sin precio por minuto publicado. El anuncio no indica ninguna tarifa de Realtime. Cualquier comparación de coste con OpenAI o con una cadena clásica es una conjetura hasta que ElevenLabs la publique, y por eso aquí no se cita ninguna cifra.

Lo que sí se conoce es la escala de suscripciones, verificada en la página de precios de ElevenLabs en octubre de 2026: Starter a 5 $/mes (anual), Creator a 22 $, Pro a 99 $, Scale a 299 $ y Business a 990 $. El plan gratuito da 10.000 créditos al mes para probar. La principal advertencia del catálogo también aplica: los créditos se agotan rápido, las regeneraciones también consumen, y usuarios reportan costes reales de hasta unas 2,8 veces la tarifa anunciada por carácter. Las sesiones largas de un agente en una línea de mucho volumen presionarán ese sistema mucho más que la narración.

ElevenLabs frente a las alternativas para agentes de voz

En GLAD-IA-TOR, ElevenLabs tiene un 81 % de recomendación del público con 12 votos (11 a favor, 1 en contra), la mejor puntuación de la arena de voz, y «agentes de voz / IVR» es uno de sus cuatro usos ideales. Otras dos herramientas del catálogo suelen compararse para la misma tarea:

HerramientaDesdePuntuación del públicoEnfoque agente de voz
ElevenLabs5 $/mes81 % (12 votos)Speech-to-speech nativo (Realtime), más de 17.000 voces, API compatible con OpenAI
Resemble AI2 $/mes por clon de voz50 % (sin votos)TTS en streaming a ~200 ms, detección de deepfakes, on-premise; no es una plataforma de agentes completa
WellSaid Labs10 $/mes (anual)50 % (sin votos)Voces de actores con licencia, IVR vía API empresarial; precio de API no publicado

Resemble AI es la alternativa para sectores regulados: TTS a 0,0005 $ por segundo (unos 1,80 $ por hora de audio), SOC 2 Type II, opción on-premise y detección de deepfakes integrada. Sigue siendo una capa de voz: la lógica conversacional requiere herramientas aparte. WellSaid Labs es ante todo un estudio de narración seguro para marcas; su uso como agente pasa por una API empresarial a la que se accede vía ventas. Ninguna de las dos ofrece hoy un modelo speech-to-speech nativo. La clasificación completa está en la página de alternativas a ElevenLabs, y el cara a cara en ElevenLabs vs Resemble AI.

Los equipos que prefieren una cadena clásica (su propia transcripción, un LLM barato y luego la síntesis) conservan el control del «cerebro» del agente. Ese control se paga en latencia, justo lo que Realtime elimina.

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.

El veredicto

  • Max por defecto en cuanto se llama a una herramienta. 87,1 % en tool use y 98,8 % en Big Bench Audio frente a 60,3 % y 75,9 % de Mini: 26,8 puntos de diferencia en acciones es demasiado para soporte o ventas.
  • Mini cuando la conversación es el producto. Tutores, compañeros y personajes aprovechan su 95,8 % en Full-Duplex-Bench, y sin llamadas a herramientas su punto débil nunca aparece.
  • No elegir Mini por velocidad. Max es más rápido (0,57 s frente a 0,62 s) y ambos quedan muy por debajo del segundo.
  • Presupuestar con cautela. No hay precio por minuto de Realtime publicado; calcular sobre la escala de suscripciones (de 5 a 990 $/mes) y el consumo de créditos documentado, y medir el uso real en un piloto.
  • Migrar desde OpenAI Realtime sale barato, salvo si la pila depende de WebRTC.

El público ya ha clasificado al proveedor: el 81 % recomienda ElevenLabs. Para compararlo con todas las demás voces en precio y puntuación, ver la clasificación de los mejores generadores de voz con IA, y leer cómo funcionan de verdad los créditos de ElevenLabs antes de elegir plan.

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