Geração de voz

Eleven Realtime Mini vs Max: qual modelo da ElevenLabs escolher para agentes de voz

Eleven Realtime v1 Mini e Max comparados em latência, raciocínio falado e uso de ferramentas, com os casos de uso de cada modelo e as ressalvas de preço antes de lançar um agente de voz.

7 min readBy The Arena Editor
#ElevenLabs#Agentes de voz#Speech to speech#API Realtime
Dois fluxos de ondas sonoras entre um microfone e um alto-falante, ilustração minimalista

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 ou Max: é a primeira decisão real ao construir um agente de voz na nova API speech-to-speech da ElevenLabs. O Max é mais rápido e bem mais preciso; o Mini foca em conversa natural a um custo menor. Os benchmarks independentes divulgados no lançamento de outubro de 2026 deixam o dilema muito claro, e o preço por minuto é o único número que ainda falta.

Max para agir, Mini para conversar

Escolha o Eleven Realtime v1 Max para suporte, qualificação de leads e chamadas de ferramentas em várias etapas: ele marca 98,8% no Big Bench Audio e 87,1% em tool use, contra 75,9% e 60,3% do Mini. Escolha o Mini para assistentes, tutores e personagens, onde ele vence em fluidez (95,8% no Full-Duplex-Bench). Os planos da ElevenLabs começam em US$ 5/mês.

O que é o Eleven Realtime e o que mudou em 20 de outubro

O Eleven Realtime é uma família de modelos speech-to-speech: entra áudio, sai áudio, com um único ID de modelo. Até agora, um agente de voz da ElevenLabs encadeava três etapas (transcrição, modelo de linguagem e síntese de voz). Um modelo speech-to-speech nativo elimina duas passagens de bastão, que é justamente de onde vinha a maior parte do atraso nas conversas.

Dois modelos chegaram em 20 de outubro de 2026 (o anúncio oficial foi atualizado em 29 de outubro):

  • Eleven Realtime v1 Mini: conversa natural a baixo custo (assistentes de IA, professores, personagens interativos).
  • Eleven Realtime v1 Max: tarefas complexas com muitas chamadas de ferramentas (atendimento ao cliente, qualificação de leads, fluxos de várias etapas).

Os dois falam mais de 90 idiomas e podem usar qualquer uma das mais de 17.000 vozes da biblioteca da ElevenLabs. Esse número importa: a voz que o cliente ouve ao telefone pode ser a mesma que a marca já usa nas narrações do YouTube ou nos audiolivros, uma coerência que nenhuma pilha só OpenAI oferece.

Três semanas depois, no Summit de Nova York de 11 de novembro, a ElevenLabs adicionou Memory, Routines e uma prévia do Interaction Engine à sua plataforma de agentes, além do Scribe v3 Medical para transcrição. O Realtime é a camada de voz por baixo de tudo isso.

Eleven Realtime Mini vs Max: latência e precisão comparadas

As pontuações abaixo vêm da Artificial Analysis, uma avaliadora independente, e foram publicadas pela ElevenLabs no lançamento.

BenchmarkO que medev1 Miniv1 MaxVencedor
Tempo até o primeiro áudioAtraso médio antes de o agente falar0,62 s0,57 sMax
Big Bench AudioRaciocínio falado, 1.000 perguntas75,9%98,8%Max
Tool useChamadas corretas de funções no meio da conversa60,3%87,1%Max
Full-Duplex-BenchDinâmica de conversa (turnos, interrupções)95,8%94,1%Mini
Speech Agent ArenaPontuação de preferência humana988998Max

Três leituras se destacam.

A latência não desempata. Uma diferença de 0,05 segundo (0,62 s contra 0,57 s) é imperceptível para quem liga. Os dois modelos ficam bem abaixo do limite de um segundo em que uma ligação começa a parecer quebrada. Escolher o Mini "pela velocidade" não faz sentido: o Max é o mais rápido dos dois.

A precisão é o que separa. A diferença chega a 22,9 pontos no Big Bench Audio e a 26,8 pontos em tool use. Na prática, 60,3% em tool use significa que cerca de quatro chamadas em cada dez dão errado: um agendamento na data errada, uma consulta de pedido que falha, um campo do CRM que fica vazio. Para qualquer agente cujo trabalho é fazer algo, o Mini não está pronto para produção com esses números.

O Mini conversa um pouco melhor. No Full-Duplex-Bench, que avalia como um modelo lida com interrupções, pausas e falas sobrepostas, o Mini supera o Max (95,8% contra 94,1%). Para um tutor de idiomas ou um personagem de jogo, em que a conversa é o produto e nenhuma API é chamada, essa é a métrica que conta.

Qual modelo escolher por caso de uso

O veredito da arena segue os benchmarks, não as faixas de marketing.

Caso de usoModelo recomendadoPor quê
Triagem e roteamento de chamadasMiniPoucas chamadas de ferramentas, trocas curtas, custo pesa em volume
Tutores de idiomas, companheiros, personagens de jogoMiniMelhor pontuação de turnos (95,8%), sem ferramentas
Suporte com consulta de pedidos ou contasMax87,1% em tool use contra 60,3%
Qualificação de leads alimentando um CRMMaxLógica em várias etapas e gravação em sistemas externos
Agendamentos e fluxos de várias etapasMaxCada chamada que falha é um agendamento perdido

Um padrão prático para centrais de atendimento: passar os primeiros segundos da ligação por um agente de triagem mais barato e transferir para um agente Max assim que a intenção exigir ações. Se essa divisão realmente economiza depende do preço por minuto, o que leva à principal ressalva.

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 do Eleven Realtime: integração, compatibilidade e ressalvas de preço

A integração é o ponto mais forte do lançamento. A API Realtime se conecta via WebSocket e segue a especificação Realtime da OpenAI, então o SDK da OpenAI funciona sem alterações: uma integração existente com o OpenAI Realtime migra trocando o endpoint e o nome do modelo. Para uma equipe que já roda um agente de voz na OpenAI, testar a ElevenLabs leva uma tarde, não uma reescrita.

Três limites merecem atenção antes de fechar a decisão:

  • Sem WebRTC direto. Integrações de navegador ou mobile baseadas em WebRTC precisam migrar antes para WebSocket. É trabalho real no lado do cliente.
  • A API é separada do ElevenAgents. Canais telefônicos, base de conhecimento e os demais recursos da plataforma exigem o ElevenAgents, que a ElevenLabs recomenda como porta de entrada padrão.
  • Nenhum preço por minuto publicado. O anúncio não informa tarifa do Realtime. Qualquer comparação de custo com a OpenAI ou com uma cadeia clássica é chute até a ElevenLabs publicar o valor, e por isso nenhum número é citado aqui.

O que se sabe é a escada de assinaturas, verificada na página de preços da ElevenLabs em outubro de 2026: Starter a US$ 5/mês (anual), Creator a US$ 22, Pro a US$ 99, Scale a US$ 299 e Business a US$ 990. O plano gratuito dá 10.000 créditos por mês para testes. O principal alerta do catálogo vale aqui também: os créditos acabam rápido, regenerações também consomem, e usuários relatam custos reais de até cerca de 2,8 vezes a tarifa anunciada por caractere. Sessões longas de agente em uma linha de alto volume vão pressionar esse sistema muito mais do que a narração.

ElevenLabs contra as alternativas para agentes de voz

No GLAD-IA-TOR, a ElevenLabs tem 81% de recomendação do público com 12 votos (11 a favor, 1 contra), a maior pontuação da arena de voz, e "agentes de voz / URA" é um de seus quatro usos ideais. Outras duas ferramentas do catálogo costumam entrar na mesma lista curta:

FerramentaA partir dePontuação do públicoAbordagem para agentes de voz
ElevenLabsUS$ 5/mês81% (12 votos)Speech-to-speech nativo (Realtime), mais de 17.000 vozes, API compatível com OpenAI
Resemble AIUS$ 2/mês por clone de voz50% (sem votos)TTS em streaming a ~200 ms, detecção de deepfakes, on-premise; não é plataforma de agentes completa
WellSaid LabsUS$ 10/mês (anual)50% (sem votos)Vozes de atores licenciadas, URA via API empresarial; preço de API não publicado

A Resemble AI é a alternativa para setores regulados: TTS a US$ 0,0005 por segundo (cerca de US$ 1,80 por hora de áudio), SOC 2 Type II, opção on-premise e detecção de deepfakes embutida. Continua sendo uma camada de voz: a lógica de conversa exige ferramentas à parte. A WellSaid Labs é antes de tudo um estúdio de narração seguro para marcas; o uso como agente passa por uma API empresarial liberada pelo time comercial. Nenhuma das duas oferece hoje um modelo speech-to-speech nativo. O ranking completo está na página de alternativas à ElevenLabs, e o confronto direto em ElevenLabs vs Resemble AI.

Equipes que preferem uma cadeia clássica (transcrição própria, um LLM barato e depois a síntese) mantêm o controle do "cérebro" do agente. Esse controle custa latência, exatamente o que o 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.

O veredito

  • Max por padrão sempre que uma ferramenta for chamada. 87,1% em tool use e 98,8% no Big Bench Audio contra 60,3% e 75,9% do Mini: 26,8 pontos de diferença em ações é demais para suporte ou vendas.
  • Mini quando a conversa é o produto. Tutores, companheiros e personagens aproveitam seus 95,8% no Full-Duplex-Bench, e sem chamadas de ferramentas o ponto fraco nunca aparece.
  • Não escolher o Mini pela velocidade. O Max é mais rápido (0,57 s contra 0,62 s), e ambos ficam bem abaixo de um segundo.
  • Orçar com cautela. Não há preço por minuto do Realtime publicado; planejar com base na escada de assinaturas (de US$ 5 a US$ 990/mês) e no consumo de créditos documentado, e medir o uso real em um piloto.
  • Migrar do OpenAI Realtime sai barato, a não ser que a pilha dependa de WebRTC.

O público já ranqueou o fornecedor: 81% recomendam a ElevenLabs. Para compará-la com todas as outras vozes em preço e pontuação, veja o ranking dos melhores geradores de voz com IA, e leia como os créditos da ElevenLabs funcionam de verdade antes de escolher um plano.

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