Tạo giọng nói

Eleven Realtime Mini vs Max: Chọn mô hình ElevenLabs nào cho trợ lý giọng nói

So sánh Eleven Realtime v1 Mini và Max về độ trễ, suy luận bằng lời nói và gọi công cụ, kèm trường hợp sử dụng phù hợp với từng mô hình và lưu ý về giá trước khi xây trợ lý giọng nói.

9 min readBy The Arena Editor
#ElevenLabs#Trợ lý giọng nói#Speech to speech#API Realtime
Hai dòng sóng âm chảy giữa micro và loa, minh họa tối giản

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 hay Max: đây là lựa chọn thực sự đầu tiên khi xây dựng một trợ lý giọng nói trên API speech-to-speech mới của ElevenLabs. Max nhanh hơn và chính xác hơn hẳn, còn Mini hướng đến hội thoại tự nhiên với chi phí thấp hơn. Các benchmark độc lập công bố cùng đợt ra mắt tháng 10/2026 khiến sự đánh đổi trở nên rõ ràng hiếm thấy; con số duy nhất còn thiếu là giá theo phút.

Max để hành động, Mini để trò chuyện

Nên chọn Eleven Realtime v1 Max cho chăm sóc khách hàng, sàng lọc khách hàng tiềm năng và gọi công cụ nhiều bước: đạt 98,8% trên Big Bench Audio và 87,1% về tool use, so với 75,9% và 60,3% của Mini. Nên chọn Mini cho trợ lý, gia sư và nhân vật, nơi nó thắng về độ trôi chảy hội thoại (95,8% trên Full-Duplex-Bench). Gói ElevenLabs bắt đầu từ 5 $/tháng.

Eleven Realtime là gì và điều gì thay đổi ngày 20/10

Eleven Realtime là một họ mô hình speech-to-speech: âm thanh vào, âm thanh ra, dưới một ID mô hình duy nhất. Trước đây, một trợ lý giọng nói ElevenLabs phải nối ba bước (nhận dạng giọng nói, mô hình ngôn ngữ, rồi tổng hợp giọng nói). Mô hình speech-to-speech gốc loại bỏ hai lần chuyển giao, vốn là nơi sinh ra phần lớn độ trễ trong hội thoại.

Hai mô hình ra mắt ngày 20/10/2026 (thông báo chính thức được cập nhật ngày 29/10):

  • Eleven Realtime v1 Mini: hội thoại tự nhiên với chi phí thấp (trợ lý AI, giáo viên, nhân vật tương tác).
  • Eleven Realtime v1 Max: tác vụ phức tạp với nhiều lần gọi công cụ (chăm sóc khách hàng, sàng lọc khách hàng tiềm năng, quy trình nhiều bước).

Cả hai đều hỗ trợ hơn 90 ngôn ngữ và có thể dùng bất kỳ giọng nào trong hơn 17.000 giọng của thư viện ElevenLabs. Con số này đáng kể: giọng mà người gọi nghe thấy có thể chính là giọng thương hiệu đang dùng cho phần thuyết minh YouTube hay sách nói, một sự nhất quán mà không hệ thống thuần OpenAI nào có được.

Ba tuần sau, tại Summit New York ngày 11/11, ElevenLabs bổ sung Memory, Routines và bản xem trước Interaction Engine cho nền tảng trợ lý, cùng Scribe v3 Medical cho phiên âm. Realtime là lớp giọng nói nằm dưới toàn bộ hệ thống đó.

Eleven Realtime Mini vs Max: so sánh độ trễ và độ chính xác

Các điểm số dưới đây đến từ Artificial Analysis, một đơn vị đánh giá độc lập, và được ElevenLabs công bố khi ra mắt.

BenchmarkĐo lường gìv1 Miniv1 MaxThắng
Thời gian đến âm thanh đầu tiênĐộ trễ trung bình trước khi trợ lý bắt đầu nói0,62 giây0,57 giâyMax
Big Bench AudioSuy luận bằng lời nói, 1.000 câu hỏi75,9%98,8%Max
Tool useGọi hàm chính xác giữa cuộc hội thoại60,3%87,1%Max
Full-Duplex-BenchĐộng lực hội thoại (lượt lời, ngắt lời)95,8%94,1%Mini
Speech Agent ArenaĐiểm ưa thích của con người988998Max

Có ba nhận định nổi bật.

Độ trễ không phải yếu tố quyết định. Chênh lệch 0,05 giây (0,62 giây so với 0,57 giây) là không thể nhận ra với người gọi. Cả hai mô hình đều nằm thoải mái dưới ngưỡng một giây, mức mà cuộc gọi bắt đầu có cảm giác bị gián đoạn. Chọn Mini "vì tốc độ" là vô lý: Max mới là mô hình nhanh hơn.

Độ chính xác mới là khác biệt thực sự. Khoảng cách là 22,9 điểm trên Big Bench Audio và 26,8 điểm về tool use. Trên thực tế, 60,3% tool use nghĩa là khoảng bốn trên mười lần gọi bị lỗi: một lịch hẹn sai ngày, một lần tra cứu đơn hàng thất bại, một trường CRM bị bỏ trống. Với bất kỳ trợ lý nào có nhiệm vụ làm một việc gì đó, Mini chưa sẵn sàng cho môi trường thực tế với những con số này.

Mini trò chuyện nhỉnh hơn một chút. Trên Full-Duplex-Bench, bài kiểm tra mức độ tự nhiên khi mô hình xử lý ngắt lời, khoảng lặng và lời nói chồng nhau, Mini vượt Max (95,8% so với 94,1%). Với gia sư ngoại ngữ hay nhân vật trò chơi, nơi bản thân cuộc hội thoại là sản phẩm và không có API nào được gọi, đây mới là chỉ số quan trọng.

Chọn mô hình nào theo từng trường hợp sử dụng

Phán quyết của đấu trường đi theo benchmark, không theo phân hạng tiếp thị.

Trường hợp sử dụngMô hình khuyên dùngLý do
Phân loại và định tuyến cuộc gọiMiniÍt lần gọi công cụ, trao đổi ngắn, chi phí quan trọng khi khối lượng lớn
Gia sư ngoại ngữ, bạn đồng hành ảo, nhân vật gameMiniĐiểm lượt lời tốt nhất (95,8%), không cần công cụ
Hỗ trợ khách hàng có tra cứu đơn hàng hoặc tài khoảnMax87,1% tool use so với 60,3%
Sàng lọc khách hàng tiềm năng đổ về CRMMaxLogic nhiều bước và ghi dữ liệu vào hệ thống bên ngoài
Đặt lịch hẹn và quy trình nhiều bướcMaxMỗi lần gọi lỗi là một lịch hẹn bị mất

Một mô hình thực tế cho tổng đài: để vài giây đầu cuộc gọi đi qua một trợ lý phân loại rẻ hơn, rồi chuyển sang trợ lý Max ngay khi yêu cầu của người gọi cần hành động. Việc chia tách này có thực sự tiết kiệm hay không phụ thuộc vào giá theo phút, và đó là lưu ý chính.

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 Eleven Realtime: tích hợp, tương thích và lưu ý về giá

Tích hợp là điểm mạnh nhất của đợt ra mắt. API Realtime kết nối qua WebSocket và tuân theo đặc tả Realtime của OpenAI, nên SDK của OpenAI chạy nguyên vẹn: một tích hợp OpenAI Realtime sẵn có chỉ cần đổi endpoint và tên mô hình. Với đội ngũ đã vận hành trợ lý giọng nói trên OpenAI, thử ElevenLabs chỉ mất một buổi chiều, không phải viết lại.

Ba giới hạn cần lưu ý trước khi cam kết:

  • Không hỗ trợ WebRTC trực tiếp. Các tích hợp trình duyệt hoặc di động dựa trên WebRTC phải chuyển sang WebSocket trước. Đây là khối lượng việc thật ở phía client.
  • API tách biệt khỏi ElevenAgents. Kênh điện thoại, cơ sở tri thức và các tính năng nền tảng khác đòi hỏi ElevenAgents, thứ ElevenLabs khuyến nghị làm điểm vào mặc định.
  • Chưa công bố giá theo phút. Thông báo không nêu mức giá Realtime nào. Mọi so sánh chi phí với OpenAI hay chuỗi xử lý truyền thống chỉ là phỏng đoán cho đến khi ElevenLabs công bố, vì vậy bài viết không đưa ra con số nào.

Điều đã biết là bậc thang gói thuê bao, được xác minh trên trang giá ElevenLabs vào tháng 10/2026: Starter 5 $/tháng (trả theo năm), Creator 22 $, Pro 99 $, Scale 299 $ và Business 990 $. Gói miễn phí cho 10.000 credit mỗi tháng để thử nghiệm. Cảnh báo chính trong danh mục cũng áp dụng ở đây: credit cạn nhanh, tạo lại vẫn tốn credit, và người dùng báo cáo chi phí thực tế lên tới khoảng 2,8 lần mức giá công bố theo ký tự. Các phiên trợ lý dài trên đường dây lưu lượng cao sẽ gây áp lực lên hệ thống này nhiều hơn hẳn so với thuyết minh.

ElevenLabs so với các lựa chọn thay thế cho trợ lý giọng nói

Trên GLAD-AI-TOR, ElevenLabs đạt 81% đề xuất từ khán giả với 12 phiếu (11 đề xuất, 1 nên tránh), điểm cao nhất đấu trường giọng nói, và "trợ lý giọng nói / IVR" là một trong bốn trường hợp sử dụng phù hợp nhất của nó. Hai công cụ khác trong danh mục thường lọt vào danh sách rút gọn cho cùng nhiệm vụ:

Công cụTừĐiểm khán giảHướng tiếp cận trợ lý giọng nói
ElevenLabs5 $/tháng81% (12 phiếu)Speech-to-speech gốc (Realtime), hơn 17.000 giọng, API tương thích OpenAI
Resemble AI2 $/tháng mỗi giọng nhân bản50% (chưa có phiếu)TTS streaming ~200 ms, phát hiện deepfake, on-premise; không phải nền tảng trợ lý trọn gói
WellSaid Labs10 $/tháng (trả theo năm)50% (chưa có phiếu)Giọng diễn viên có bản quyền, IVR qua API doanh nghiệp; chưa công bố giá API

Resemble AI là lựa chọn cho các ngành chịu quản lý chặt: TTS giá 0,0005 $ mỗi giây (khoảng 1,80 $ mỗi giờ âm thanh), SOC 2 Type II, tùy chọn on-premise và tính năng phát hiện deepfake tích hợp. Dù vậy, nó vẫn chỉ là lớp giọng nói: logic hội thoại cần công cụ riêng. WellSaid Labs trước hết là studio thuyết minh an toàn cho thương hiệu; dùng làm trợ lý phải qua API doanh nghiệp, chỉ mở qua bộ phận kinh doanh. Hiện chưa bên nào có mô hình speech-to-speech gốc. Bảng xếp hạng đầy đủ có tại trang lựa chọn thay thế ElevenLabs, còn màn đối đầu trực tiếp ở ElevenLabs vs Resemble AI.

Những đội ngũ ưa chuộng chuỗi xử lý truyền thống (phiên âm riêng, một LLM giá rẻ, rồi TTS) giữ toàn quyền kiểm soát "bộ não" của trợ lý. Cái giá của quyền kiểm soát đó là độ trễ, chính thứ mà Realtime loại bỏ.

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.

Phán quyết

  • Mặc định dùng Max ngay khi có gọi công cụ. 87,1% tool use và 98,8% Big Bench Audio so với 60,3% và 75,9% của Mini: chênh lệch 26,8 điểm về hành động là quá lớn cho chăm sóc khách hàng hay bán hàng.
  • Dùng Mini khi cuộc hội thoại chính là sản phẩm. Gia sư, bạn đồng hành và nhân vật hưởng lợi từ 95,8% trên Full-Duplex-Bench, và khi không gọi công cụ thì điểm yếu không bao giờ lộ ra.
  • Đừng chọn Mini vì tốc độ. Max nhanh hơn (0,57 giây so với 0,62 giây), và cả hai đều dưới một giây khá xa.
  • Lập ngân sách thận trọng. Chưa có giá Realtime theo phút; nên lên kế hoạch dựa trên bậc thang thuê bao (từ 5 đến 990 $/tháng) và mức tiêu hao credit đã được ghi nhận, rồi đo mức dùng thực tế qua một dự án thử nghiệm.
  • Chuyển từ OpenAI Realtime rất rẻ, trừ khi hệ thống phụ thuộc vào WebRTC.

Khán giả đã xếp hạng nhà cung cấp: 81% đề xuất ElevenLabs. Để so sánh với mọi công cụ giọng nói khác về giá và điểm số, xem bảng xếp hạng trình tạo giọng nói AI tốt nhất, và đọc cách credit ElevenLabs thực sự hoạt động trước khi chọn gói.

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