A Marcio.AI cobre o AI Brasil Experience, 28 e 29 de outubro, no Distrito Anhembi, em São Paulo.

CoberturaIngressos

ElevenLabs lança o Eleven Realtime, voz para voz que responde em 0,57 segundo

Por /
Capa do Watcher com o título ElevenLabs lança o Eleven Realtime
Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI.

A ElevenLabs lançou em 20 de outubro de 2026 o Eleven Realtime, com dois modelos de voz para voz: o v1 Max e o v1 Mini. O Max acerta 98,8% no Big Bench Audio, teste de raciocínio sobre perguntas faladas, e começa a responder em 0,57 segundo. Os dois custam US$ 0,08 por minuto mais o uso do modelo de linguagem. Estão na plataforma ElevenAgents e numa API que segue o padrão da Realtime da OpenAI.

Em resumo

  • Modelos: o Max mira tarefas complexas, como atendimento e qualificação de clientes. O Mini mira conversa natural, como assistentes, tutores e personagens.
  • Números: Max com 98,8% no Big Bench Audio e 87,1% de sucesso em tarefas. Mini com 95,8% no Full-Duplex-Bench, que mede pausas, interrupções e alternância de fala.
  • Comparação: no índice geral de voz para voz da Artificial Analysis, o Max marca 77,3, abaixo do Grok Voice 3.0, com 86,9, e das duas versões do GPT-Live-1 da OpenAI.
  • A troca: quem usa o Realtime aceita o pacote fechado. A ElevenLabs escolhe os componentes, e o cliente não recebe a camada de texto intermediária, segundo o Tech Times.
  • Preço: US$ 0,08 por minuto de áudio conectado mais o modelo de linguagem, igual para Max e Mini, pela tabela de API da ElevenLabs.

O que a ElevenLabs lançou?

O Eleven Realtime tem dois modelos. O v1 Max é voltado a tarefas com várias etapas e chamadas de ferramentas, como atendimento ao cliente. O v1 Mini é voltado a conversa fluida e detecta quando a pessoa terminou de falar ou só soltou um “uhum”, segundo o The Decoder. Os dois conversam em mais de 90 idiomas e usam a biblioteca de mais de 17 mil vozes da empresa.

A API segue a especificação da Realtime da OpenAI, sobre WebSocket. Para migrar, basta trocar o endereço e o nome do modelo, e o kit de desenvolvimento da OpenAI funciona sem mudança, segundo o Journal du Net e o Tech Times. Aplicações em WebRTC precisam de ajuste, porque a versão para esse protocolo não estava pronta no lançamento. Telefone, WhatsApp, base de conhecimento, guardrails e monitoramento ficam na plataforma ElevenAgents, separada da API.

“A parte mais difícil de um agente de voz não é a voz”, disse Mati Staniszewski, cofundador da ElevenLabs, segundo a CX Foundation. A proposta do Realtime é entregar a afinação da conversa já feita.

O que os números mostram?

A página da ElevenLabs e a tabela da Artificial Analysis trazem os mesmos números. O Max tem 98,8% no Big Bench Audio, 94,1% no Full-Duplex-Bench, 87,1% de sucesso em tarefas, 997 pontos na arena de preferência e 0,57 segundo até o primeiro som. O Mini tem 75,9%, 95,8%, 60,3%, 988 pontos e 0,62 segundo.

A ElevenLabs afirma que nenhum modelo do ranking da Artificial Analysis é ao mesmo tempo mais rápido e mais preciso que o Max. A tabela confirma esse recorte. O Grok Voice 3.0 tem raciocínio no mesmo nível, 98,5%, mas leva 0,81 segundo para começar a falar.

O recorte esconde outros números. No índice geral da Artificial Analysis, que soma raciocínio, desempenho agêntico, preferência e sucesso em tarefas, o Max marca 77,3 e o Mini 64,4. O Grok Voice 3.0 tem 86,9, e o GPT-Live-1 da OpenAI tem 83,2 e 80,1 em duas configurações. No desempenho agêntico, o Max fica em 47,6%, contra 71,6% do Grok. A CX Foundation acrescenta que a cascata padrão da própria ElevenLabs aparece com 90,5% de sucesso em tarefas, acima dos 87,1% do Max, com margens de erro que se sobrepõem.

Há uma divergência de latência. O Journal du Net publicou 470 milissegundos para o Max e 500 para o Mini. A página da ElevenLabs e a Artificial Analysis trazem 570 e 620 milissegundos. Este texto usa a fonte primária. A CX Foundation lembra que o tempo até o primeiro som mede quando a fala começa, e não quanto tempo leva para resolver o pedido do cliente.

É voz para voz de verdade?

A ElevenLabs chama o Realtime de nova classe de modelo de voz para voz. O Tech Times e a CX Foundation leem a documentação de outro jeito: por dentro, o sistema encadeia reconhecimento de fala, detecção de voz, lógica de turnos, modelo de linguagem e síntese de voz, afinados juntos. A empresa não revelou quais componentes usa.

Na prática, o modo Realtime tira escolhas do cliente. A ElevenLabs passa a controlar o modelo de linguagem, o reconhecimento de fala, a síntese e a configuração de raciocínio. O cliente mantém prompts, vozes, ferramentas e bases de conhecimento. O Tech Times aponta o custo dessa troca: sem a camada de texto entre as etapas, ferramentas de moderação e de registro para conformidade, que dependem de texto, precisam ser refeitas. E, quando uma ligação falha, o diagnóstico depende do que a ElevenLabs mostra no painel, onde cada conversa fica registrada e pesquisável.

Os dois modelos também têm limites diferentes. O Mini não tem o modo de retenção zero nem configuração elegível à HIPAA, lei americana de dados de saúde. O Max tem os dois, mas só com dados nos EUA ou na União Europeia, segundo o Tech Times.

Como chegamos até aqui?

No fim de setembro a ElevenLabs lançou o Eleven v4, modelo de fala com 90 idiomas. No mesmo mês, uma venda de ações de funcionários avaliou a empresa em US$ 22 bilhões, o dobro da avaliação de fevereiro, segundo o Tech Times. A Marcio.AI cobriu os dois fatos. Em 14 de outubro a xAI lançou o Grok Voice 3.0, que lidera o índice da Artificial Analysis pelo mesmo preço de US$ 0,08 por minuto.

O Realtime chega com a plataforma de agentes em alta. Segundo o Tech Times, a ElevenAgents passou de 15 milhões de conversas por semana, cerca de três vezes o volume de fevereiro de 2026. O Journal du Net informa que grandes empresas respondem por 55% da receita da ElevenLabs, contra 40% doze meses antes. Até aqui a empresa vendia as peças da cascata e deixava a montagem com o cliente. Agora oferece também o conjunto fechado.

O que muda para centrais de atendimento no Brasil?

O Decreto nº 11.034, de 2022, regula o SAC das empresas de serviços regulados pelo governo federal. Ele obriga a guardar a gravação da ligação por no mínimo 90 dias, e nesse prazo o consumidor pode pedir acesso ao conteúdo. O registro do atendimento fica guardado por pelo menos dois anos depois da solução. O histórico de demandas deve ser enviado ao consumidor em até cinco dias corridos quando ele pedir. E o atendimento por telefone precisa oferecer atendente humano por pelo menos oito horas por dia.

Isso pesa na escolha do modelo. O modo de retenção zero da ElevenLabs, útil para privacidade, não dispensa a empresa de gravar e guardar a ligação do lado dela. E o histórico de demandas precisa de registro estruturado, que no Realtime sai do painel da ElevenLabs ou de uma transcrição feita por outra ferramenta. Quem opera SAC regulado deve desenhar esse registro antes do piloto.

Há ainda a questão de onde o dado fica. A ElevenLabs lista residência de dados na União Europeia e modos de instalação local, sem citar região no Brasil. A ElevenAgents já atende por WhatsApp, canal que costuma concentrar atendimento no país, o que encurta o caminho de um piloto.

O que observar nas próximas semanas

A tese da Marcio.AI: em atendimento de setor regulado, a escolha até meados de 2027 vai pesar mais o desempenho em tarefas e o controle do registro do que os 0,57 segundo. Nesse critério, o Max ainda fica atrás do Grok Voice 3.0 e da própria cascata da ElevenLabs. O Realtime ganha primeiro em assistentes, tutores e personagens, onde a fluidez pesa mais que a chamada de ferramentas.

Sinais para conferir até dezembro. O preço por token da API. A versão para WebRTC. A chegada da retenção zero e da HIPAA ao Mini. A posição do Max no índice da Artificial Analysis depois das próximas versões de OpenAI, Google e xAI. E se a ElevenLabs revela os componentes do sistema.

Fontes

Rating Marcio.AI: 4/5 (Global, Muito relevante, No centro do hype). Seção DeepTech do Watcher.

#MarcioAI #ElevenLabs #ElevenRealtime #AgentesDeVoz #AgentesDeIA #Atendimento

Como este texto foi produzido

Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.

Leia também: xAI lança o Grok Voice 3.0, que lidera índice da Artificial Analysis e ElevenLabs dobra de valor para US$ 22 bilhões.

Deixe um comentário

Rolar para cima