Eleven Realtime: ElevenLabs-მა ხმოვანი აგენტებისთვის ახალი მოდელები გამოუშვა

Eleven Realtime არის ElevenLabs-ის ახალი speech-to-speech მოდელების ოჯახი, რომელიც ბუნებრივად მოსაუბრე ხმოვანი აგენტების შექმნას ამარტივებს. კომპანიამ ის 20 ოქტომბერს ოფიციალურ ბლოგზე წარადგინა. პირველ გამოშვებაში ორი მოდელია: v1 Mini ბუნებრივი საუბრისთვის და v1 Max რთული ამოცანებისთვის. ორივე 90-ზე მეტ ენაზე მუშაობს, ElevenLabs-ის ხმების ბიბლიოთეკას იყენებს და უკვე ხელმისაწვდომია როგორც ElevenAgents პლატფორმაზე, ისე OpenAI-თან თავსებად Realtime API-ში.

speech-to-speech ნიშნავს, რომ მოდელი ადამიანის მეტყველებას იღებს და პასუხსაც პირდაპირ ხმით აბრუნებს. დღეს ასეთი აგენტის ასაწყობად დეველოპერს რამდენიმე ცალკეული კომპონენტის შერჩევა უწევს: მეტყველების ამოცნობა, ხმის აქტივობის აღმოჩენა, საუბრის რიგითობის მართვა (turn-taking), ენობრივი მოდელი და ტექსტის ხმად გარდაქმნა. ElevenLabs-ის თქმით, ასეთი სტეკის აწყობა თავისთავად ცალკე პროექტია, ხოლო კომპონენტების ერთმანეთთან კარგად ამუშავება დამატებით ტესტირებასა და მორგებას მოითხოვს. Eleven Realtime ამ ნაწილებს ერთ სისტემად აერთიანებს.

სარჩევი

• რა არის Eleven Realtime და რით განსხვავდება Mini და Max
• შედეგები Artificial Analysis-ის ტესტებში
• როგორ გამოვიყენოთ: ElevenAgents და Realtime API
• ფასი და უსაფრთხოება
• შეჯამება
• სხვა თემები

რა არის Eleven Realtime და რით განსხვავდება Mini და Max

პროდუქტის გვერდის მიხედვით, თითოეული მოდელი სრულფასოვანი ხმოვანი AI აგენტია: მეტყველების ამოცნობა, საუბრის რიგითობა, LLM და ხმა ერთად, ბოლომდე არის მორგებული. ამიტომ დეველოპერს ცალკეული ნაწილების კონფიგურაციის ნაცვლად მხოლოდ ერთი მოდელის არჩევა სჭირდება. ორი ვერსია სხვადასხვა ამოცანისთვისაა შექმნილი:

• v1 Mini: ბუნებრივი საუბრისთვის დაბალ ფასად. ElevenLabs მას AI ასისტენტებისთვის, მასწავლებლებისა და ინტერაქტიული პერსონაჟებისთვის გვთავაზობს და ამბობს, რომ შემთხვევების უმეტესობისთვის ის საკმარისი იქნება. დეველოპერებისთვის ეს ნაგულისხმევი არჩევანია (მოდელის ID: eleven_realtime_v1_mini).
• v1 Max: რთული ამოცანებისთვის. ის პასუხამდე მსჯელობს და განკუთვნილია მომხმარებელთა მხარდაჭერისთვის, პოტენციური კლიენტების შერჩევისთვის (lead qualification) და მრავალსაფეხურიანი პროცესებისთვის, სადაც აგენტმა პროცედურას უნდა მიჰყვეს და ხელსაწყოები გამოიძახოს. ის უფრო ძვირია (მოდელის ID: eleven_realtime_v1_max).

ბლოგის მიხედვით, ორივე მოდელს შეუძლია ElevenLabs-ის ბიბლიოთეკის 17 000-ზე მეტი ხმიდან ნებისმიერის გამოყენება. ცოტა ხნის წინ კომპანიამ Eleven v4 გამოუშვა, რომელსაც თავის ყველაზე ემოციურ მოდელს უწოდებს. ახალი ოჯახი კი ცოცხალ, ორმხრივ საუბარზეა ორიენტირებული.

შედეგები Artificial Analysis-ის ტესტებში

ორივე მოდელი დამოუკიდებლად შეაფასა Artificial Analysis-მა სამ საჯარო ბენჩმარკზე. Big Bench Audio მეტყველებით მსჯელობას ამოწმებს: მოდელს ხმით 1 000 ლოგიკურ კითხვას უსვამენ და მის ზეპირ პასუხს აფასებენ. Full-Duplex-Bench საუბრის დინამიკას ზომავს, Speech Agent Arena კი ადამიანების უპირატესობასა და ამოცანების შესრულებას.

• მსჯელობა (Big Bench Audio): Eleven Realtime v1 Max სწორად პასუხობს კითხვების 98.8%-ს, v1 Mini კი 75.9%-ს.
• სიჩქარე: პირველი ხმის მიღების საშუალო დრო (time to first audio) Max-ისთვის 570 მილიწამია, Mini-სთვის 620 მილიწამი.
• საუბრის დინამიკა (Full-Duplex-Bench): პაუზების, რიგითობის, შეწყვეტისა და მოკლე დამადასტურებელი რეპლიკების ტესტში Mini 95.8%-ს აგროვებს, Max 94.1%-ს.
• Speech Agent Arena: ბრმა ცოცხალ საუბრებში, სადაც ადამიანები ორ მოდელს ადარებენ, Max-მა 998 Elo ქულა მიიღო, Mini-მ 988.
• ხელსაწყოების გამოყენება: Max ამოცანების 87.1%-ს ასრულებს, Mini მხოლოდ 60.3%-ს.

Mini საუბრის ბუნებრიობაში Max-ს ოდნავ უსწრებს, მსჯელობასა და ხელსაწყოებთან მუშაობაში კი მკვეთრად ჩამორჩება. ამიტომაც ElevenLabs ხელსაწყოების ინტენსიური გამოყენებისთვის Max-ს გვირჩევს.

ElevenLabs-ის გრაფიკები სხვა მოდელებთან შედარებასაც აჩვენებს Artificial Analysis-ის Speech to Speech რეიტინგის ოქტომბრის მონაცემებით. Big Bench Audio-ზე Eleven Realtime v1 Max უსწრებს Grok Voice 3.0-ს (98.5%), Gemini 3.8 Live Extended Thinking-ს (97.7%) და OpenAI-ის GPT-Realtime-2-ს (High, 96.6%). სიჩქარეში სხვაობა უფრო დიდია: Grok Voice 3.0 პირველ ხმას 810 მილიწამში იძლევა, GPT-Realtime-2 (High) კი 1 140 მილიწამში.

თუმცა სრული რეიტინგის სათავეში Eleven Realtime არ არის. Artificial Analysis-ის გვერდის მიხედვით, 43 შეფასებულ მოდელს შორის Big Bench Audio-ზე პირველია StepAudio 3 Realtime (99.7%), მეორეა Qwen Audio 3.0 Realtime Plus (99.2%), v1 Max კი მესამეა. პირველი ხმის სიჩქარეშიც ის მესამეა, Raon SpeechChat-ისა (0.04 წამი) და Deepslate Opal-ის (0.44 წამი) შემდეგ. ElevenLabs აქცენტს სიზუსტისა და სიჩქარის ბალანსზე აკეთებს: კომპანიის თქმით, ყველაზე ზუსტი მოდელები ჩვეულებრივ ყველაზე ნელა პასუხობენ, ყველაზე სწრაფები კი სიზუსტეს კარგავენ, Max კი ორივე მაჩვენებელში გამოირჩევა.

როგორ გამოვიყენოთ: ElevenAgents და Realtime API

კომპანია ElevenAgents-ს რეკომენდებულ გზად მიიჩნევს. საკმარისია აგენტის შექმნა ან არსებულის გახსნა და ჩამოსაშლელ სიაში Eleven Realtime მოდელის არჩევა. ტრანსკრიფცია, რიგითობა და ხმა უკვე მორგებულია. ერთი და იგივე აგენტი შეიძლება გაეშვას სატელეფონო ხაზზე, ვებ-ვიჯეტში, WhatsApp-სა და საკონტაქტო ცენტრის პლატფორმებზე, ცოდნის ბაზით, შეზღუდვებით (guardrails), ტესტირებითა და მონიტორინგით. არსებული აგენტები არ იცვლება, სანამ მფლობელი მათ თავად არ განაახლებს.

დეველოპერებისთვის, რომლებიც უკვე OpenAI-ის Realtime API-ს იყენებენ, ElevenLabs-ის API, რომლითაც Eleven Realtime ხელმისაწვდომია, მასთან თავსებადია. საკმარისია მისამართის შეცვლა wss://api.elevenlabs.io/v1/convai/realtime-ით და მოდელის სახელის შეცვლა. OpenAI-ის SDK უცვლელად მუშაობს და ყველა მოვლენა ისე მოდის, როგორც OpenAI-სგან. გადასვლის გასამარტივებლად კომპანიამ მზა skill-იც გამოაქვეყნა, რომელიც აგენტის ან აპლიკაციის მორგებას ერთი ბრძანებით იწყებს.

შეზღუდვებიც არსებობს. Realtime API გაშვებისას მხოლოდ WebSocket-ით მუშაობს, WebRTC-ის მხარდაჭერა ჯერ არ არის, ამიტომ ასეთი ინტეგრაცია ჯერ WebSocket-ზე უნდა გადავიდეს. API ElevenAgents-ისგან დამოუკიდებლად მუშაობს, ამიტომ მასში ტელეფონის, WhatsApp-ის, ცოდნის ბაზის ან მონიტორინგის ფუნქციები არ არის.

ფასი და უსაფრთხოება

ElevenAgents-ში Eleven Realtime მოდელებზე სტანდარტული წუთობრივი ტარიფი მოქმედებს, დამატებით LLM-ის ტოკენების ღირებულებით, ხოლო მოდელის ამრჩევი წუთის სავარაუდო ფასს აჩვენებს. Realtime API-ში მომხმარებელი იხდის დაკავშირებული აუდიოს თითო წუთზე და ტოკენებზე, ტოკენების ფასი კი ყველა გეგმაზე ერთნაირია. ანონსში კონკრეტული თანხები მითითებული არ არის. კომპანიის თქმით, მონაცემები დაშიფრულია, მხარდაჭერილია SOC 2, HIPAA და GDPR მოთხოვნები, ასევე ევროკავშირში მონაცემების შენახვა და Zero Retention რეჟიმი.

შეჯამება

Eleven Realtime არის ElevenLabs-ის ახალი speech-to-speech მოდელები, რომლებიც ხმოვანი აგენტის ყველა კომპონენტს ერთ სისტემად აერთიანებს. v1 Mini იაფი და ბუნებრივი საუბრისთვისაა, v1 Max კი რთული ამოცანებისა და ხელსაწყოების გამოძახებისთვის. ორივე ხელმისაწვდომია ElevenAgents-სა და OpenAI-თან თავსებად API-ში.

ამ გამოშვების ყველაზე პრაქტიკული ნაწილი OpenAI-თან თავსებადობაა: არსებული აპლიკაციის გადატანა რამდენიმე ხაზის შეცვლით შეიძლება, რაც ElevenLabs-ს OpenAI-ის, Google-ისა და Grok-ის ხმოვან მოდელებთან პირდაპირ კონკურენციაში აყენებს. Max-ის 98.8% და 570 მილიწამი ძლიერი კომბინაციაა, თუმცა სრულ რეიტინგში ის პირველი არ არის, შედარებები კი ჯერ ერთი შემფასებლის მონაცემებს ეფუძნება. Mini-ს 60.3% ხელსაწყოების ამოცანებში აჩვენებს, რომ იაფი ვერსია რთული სამუშაო პროცესებისთვის ნაკლებად გამოდგება. WebRTC-ის არქონა და ანონსში კონკრეტული ტარიფების არარსებობა კი ზოგიერთ გუნდს გადასვლის გადადებას აიძულებს.

AI წაიკითხე მეტი როგორ მუშაობს ხელოვნური ინტელექტი AI-ის, დიდი ენობრივი მოდელებისა და ნეირონული ქსელების ახსნა ქართულ ენაზე. →