音声生成

Eleven Realtime Mini vs Max:音声エージェントに選ぶべき ElevenLabs モデル

Eleven Realtime v1 Mini と Max をレイテンシ、音声での推論、ツール呼び出しで比較。各モデルに合うユースケースと、音声エージェント構築前に知るべき料金面の注意点を解説します。

10 min readBy The Arena Editor
#ElevenLabs#音声エージェント#Speech to speech#Realtime API
マイクとスピーカーの間を流れる2本の音波、ミニマルなイラスト

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 の Mini と Max のどちらを選ぶかは、ElevenLabs の新しい speech-to-speech API で音声エージェントを構築する際に最初に直面する本当の選択です。Max はより速く、精度も大幅に高い一方、Mini は低コストで自然な会話を狙ったモデルです。2026年10月のローンチ時に公開された独立系ベンチマークによってトレードオフは明確になりましたが、分単位の料金だけはまだ公表されていません。

処理は Max、会話は Mini

カスタマーサポート、リード選別、複数ステップのツール呼び出しには Eleven Realtime v1 Max を選ぶべきです。Big Bench Audio で 98.8%、tool use で 87.1% を記録し、Mini の 75.9% と 60.3% を大きく上回ります。アシスタント、家庭教師、キャラクターには Mini が向いており、会話の自然さでは上回ります(Full-Duplex-Bench で 95.8%)。ElevenLabs のプランは月額 $5 から。

Eleven Realtime とは何か、10月20日に何が変わったか

Eleven Realtime は speech-to-speech モデルのファミリーです。音声を入力し、音声を出力し、すべてが単一のモデル ID で動きます。これまで ElevenLabs の音声エージェントは3つの処理(音声認識、言語モデル、音声合成)を連結していました。ネイティブな speech-to-speech モデルはそのうち2回の受け渡しをなくします。会話の遅延の大部分はまさにそこで発生していました。

2026年10月20日に2つのモデルが登場しました(公式発表は10月29日に更新)。

  • Eleven Realtime v1 Mini:低コストでの自然な会話向け(AI アシスタント、講師、インタラクティブなキャラクター)。
  • Eleven Realtime v1 Max:ツール呼び出しの多い複雑なタスク向け(カスタマーサポート、リード選別、複数ステップのワークフロー)。

どちらも90以上の言語に対応し、ElevenLabs ライブラリの17,000以上の音声をどれでも使えます。この数字には意味があります。電話をかけてきた人が聞く声を、ブランドがすでに YouTube のナレーションやオーディオブックで使っている声と揃えられるからです。OpenAI だけで組んだ構成ではこの一貫性は得られません。

その3週間後、11月11日のニューヨーク Summit で、ElevenLabs はエージェント基盤に Memory、Routines、Interaction Engine のプレビューを追加し、文字起こし向けに Scribe v3 Medical も発表しました。Realtime はこのスタック全体を支える音声レイヤーです。

Eleven Realtime Mini vs Max:レイテンシと精度の比較

以下のスコアは独立系評価機関 Artificial Analysis によるもので、ローンチ時に ElevenLabs が公開しました。

ベンチマーク測定内容v1 Miniv1 Max勝者
最初の音声までの時間エージェントが話し始めるまでの平均遅延0.62 秒0.57 秒Max
Big Bench Audio音声での推論、1,000問75.9%98.8%Max
Tool use会話中の関数呼び出しの正確さ60.3%87.1%Max
Full-Duplex-Bench会話のダイナミクス(話者交替、割り込み)95.8%94.1%Mini
Speech Agent Arena人間の選好スコア988998Max

注目すべき点は3つあります。

レイテンシは決め手にならない。 0.05秒の差(0.62秒と0.57秒)は電話の相手には知覚できません。どちらのモデルも、通話がぎこちなく感じ始める1秒の閾値を余裕で下回っています。「速さのために」Mini を選ぶのは筋が通りません。速いのは Max のほうです。

本当の差は精度にある。 Big Bench Audio では22.9ポイント、tool use では26.8ポイントの差があります。実務上、tool use 60.3% とはおよそ10回に4回の呼び出しが失敗することを意味します。予約の日付が間違う、注文照会が失敗する、CRM の項目が空のまま残る、といった具合です。何かを実行することが仕事のエージェントにとって、この数字の Mini は本番運用に耐えません。

会話は Mini がわずかに上。 割り込み、間、発話の重なりをどれだけ自然に処理できるかを測る Full-Duplex-Bench では、Mini が Max を上回ります(95.8% 対 94.1%)。会話そのものが製品で API を呼ばない語学チューターやゲームキャラクターにとっては、この指標こそが重要です。

ユースケース別のモデル選び

アリーナの判定はマーケティング上のグレードではなく、ベンチマークに従います。

ユースケース推奨モデル理由
着信の一次振り分けとルーティングMiniツール呼び出しが少なく短いやり取り、大量処理ではコストが重要
語学チューター、コンパニオン、ゲームキャラクターMini話者交替のスコアが最高(95.8%)、ツール不要
注文やアカウント照会を伴うサポートMaxtool use 87.1% 対 60.3%
CRM に連携するリード選別Max複数ステップのロジックと外部システムへの書き込み
予約受付と複数ステップのワークフローMax呼び出しの失敗はそのまま予約の取りこぼしになる

コンタクトセンター向けの実践的なパターンは、通話の最初の数秒を安価な一次振り分けエージェントで受け、相手の用件に処理が必要になった時点で Max のエージェントに引き継ぐ方法です。この分担で本当にコストが下がるかは分単位の料金次第で、それが最大の注意点につながります。

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:統合、互換性、料金面の注意点

統合のしやすさは今回のローンチで最も優れた点です。Realtime API は WebSocket で接続し、OpenAI の Realtime 仕様に準拠しているため、OpenAI の SDK がそのまま動きます。既存の OpenAI Realtime 連携は、エンドポイントとモデル名を変えるだけで切り替えられます。すでに OpenAI で音声エージェントを運用しているチームなら、ElevenLabs の検証は書き直しではなく半日の作業で済みます。

導入前に把握すべき制約が3つあります。

  • WebRTC に直接は対応しない。 WebRTC で構築したブラウザやモバイルの連携は、まず WebSocket に移行する必要があります。クライアント側で相応の作業が発生します。
  • API は ElevenAgents とは別。 電話チャネル、ナレッジベース、その他のプラットフォーム機能には ElevenAgents が必要で、ElevenLabs はこれを標準の入口として推奨しています。
  • 分単位の料金は未公表。 発表には Realtime の料金が記載されていません。ElevenLabs が公表するまで、OpenAI や従来型パイプラインとのコスト比較は推測にすぎないため、本記事では金額を挙げていません。

判明しているのはサブスクリプションの段階で、2026年10月に ElevenLabs の料金ページで確認したものです。Starter が月額 $5(年払い)、Creator が $22、Pro が $99、Scale が $299、Business が $990。無料プランではテスト用に毎月10,000クレジットが付与されます。カタログの主要な注意点はここでも当てはまります。クレジットは減りが早く、再生成でも消費され、実際のコストが公称の文字単価の約2.8倍に達したという報告もあります。大量の着信を受けるラインでの長時間のエージェントセッションは、ナレーション用途よりはるかに強くこの仕組みに負荷をかけるでしょう。

音声エージェント向けの ElevenLabs と代替ツールの比較

GLAD-AI-TOR で ElevenLabs は12票(推薦11、回避1)に基づく81%の観客推薦率を獲得しており、音声アリーナで最高のスコアです。「音声エージェント / IVR」は同ツールの4つの得意分野のひとつでもあります。同じ用途でよく比較されるカタログ内のツールがほかに2つあります。

ツール最低価格観客スコア音声エージェントでの位置づけ
ElevenLabs月額 $581%(12票)ネイティブ speech-to-speech(Realtime)、17,000以上の音声、OpenAI 互換 API
Resemble AI音声クローン1件あたり月額 $250%(投票なし)約200ミリ秒のストリーミング TTS、ディープフェイク検出、オンプレミス対応。エンドツーエンドのエージェント基盤ではない
WellSaid Labs月額 $10(年払い)50%(投票なし)ライセンス済みの声優音声、エンタープライズ API 経由の IVR。API 料金は非公開

Resemble AI は規制産業向けの選択肢です。TTS は1秒あたり $0.0005(音声1時間あたり約 $1.80)、SOC 2 Type II、オンプレミスの選択肢、ディープフェイク検出を内蔵しています。ただし音声レイヤーにとどまり、会話ロジックには別のツールが必要です。WellSaid Labs はまずブランドにとって安全なナレーションスタジオであり、エージェント用途は営業経由でしか利用できないエンタープライズ API を通します。どちらも現時点でネイティブな speech-to-speech モデルは提供していません。全体のランキングは ElevenLabs の代替ツール のページに、直接対決は ElevenLabs vs Resemble AI にあります。

従来型のパイプライン(自前の文字起こし、安価な LLM、そして TTS)を好むチームは、エージェントの「頭脳」を完全に掌握できます。その代償はレイテンシであり、Realtime がなくそうとしているのはまさにそれです。

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.

結論

  • ツールを呼ぶならデフォルトは Max。 tool use 87.1%、Big Bench Audio 98.8% に対し、Mini は 60.3% と 75.9%。実行面で26.8ポイントの差は、サポートや営業には大きすぎます。
  • 会話そのものが製品なら Mini。 チューター、コンパニオン、キャラクターは Full-Duplex-Bench 95.8% の恩恵を受け、ツール呼び出しがなければ弱点も表に出ません。
  • 速さを理由に Mini を選ばない。 Max のほうが速く(0.57秒対0.62秒)、どちらも1秒を大きく下回ります。
  • 予算は慎重に。 Realtime の分単位料金はまだ公表されていません。サブスクリプションの段階(月額 $5 から $990)と文書化されたクレジット消費をもとに計画し、パイロットで実使用量を測定すべきです。
  • OpenAI Realtime からの移行コストは低い。 ただしスタックが WebRTC に依存している場合は別です。

観客はすでにこの提供元を評価しています。81% が ElevenLabs を推薦しています。他のすべての音声ツールと価格やスコアで比較するには AI 音声生成ツールのベストランキング を、プランを選ぶ前には ElevenLabs のクレジットの実際の仕組み をご覧ください。

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