Голосовые агенты ElevenLabs получили управляемый режим: 20 октября компания представила Eleven Realtime с двумя моделями — Mini и Max. Они берут на себя распознавание речи, рассуждение, синтез голоса и управление репликами; разработчик быстрее получает работающего бота, но теряет доступ к настройке ключевых частей пайплайна. Для команд, которые строят голосовую поддержку, ассистентов или автоматизацию звонков, это знакомый обмен: меньше инженерной рутины в обмен на меньший контроль.
Как пишет The New Stack, Eleven Realtime запущен во вторник, 20 октября. Обе модели используют каскадную архитектуру: внутри работают отдельные компоненты, но ElevenLabs подбирает и оптимизирует их как единую систему. В режиме Realtime нельзя независимо выбрать языковую модель, провайдера распознавания речи, TTS-модель, параметры reasoning, thinking budget, параллельные вызовы инструментов и ряд других настроек. Компания фактически берёт на себя не только «голос», но и весь агентский контур: определение конца реплики, обработку перебиваний и оркестрацию.
При этом у команды остаются системный промпт, голос, инструменты, база знаний, языки, температура и настройки диалога — например, тайм-ауты, перебивания и eagerness, то есть склонность агента быстрее или осторожнее вступать в разговор. Для MVP это выглядит почти образцово: не нужно склеивать ASR, LLM, VAD, TTS и отдельно лечить стыки между ними. Но при проблеме вида «агент неверно понял клиента после перебивания» разработчик уже не сможет точечно заменить распознавание речи или подкрутить внутреннюю логику модели. Остаётся менять внешние настройки, тестировать промпт либо возвращаться в Custom mode.
Mini компания предлагает как вариант по умолчанию для быстрых и недорогих диалогов: ассистентов, образовательных сценариев и интерактивных персонажей. Max рассчитан на сложные инструкции и многошаговые действия через инструменты — например, поддержку с поиском данных, квалификацию лида или оформление заявки. В тесте Big Bench Audio на 1 000 голосовых вопросов Max набрал 98,8%, Mini — 75,9%. В задачах с использованием инструментов разрыв тоже заметный: 87,1% успешных задач у Max против 60,3% у Mini. Эти метрики подготовила Artificial Analysis, поэтому их разумнее считать ориентиром для собственного пилота, а не готовым SLA.
Любопытно, что в разговорной механике Mini слегка опередил старшую модель: на Full-Duplex-Bench, где проверяют паузы, перебивания и смену говорящего, он получил 95,8% против 94,1% у Max. Зато Max быстрее начал выдавать аудио: среднее время до первой реплики составило 570 мс, у Mini — 620 мс. Разница в полсотни миллисекунд едва ли определит пользовательский опыт сама по себе; куда важнее, не приводит ли экономия на модели к повторным вопросам, ошибочным вызовам API и переводу диалога на оператора.
ElevenLabs также нацеливается на команды, уже использующие OpenAI Realtime API. Realtime API сервиса говорит по тому же протоколу и работает через WebSocket, поэтому в существующем клиенте достаточно поменять endpoint и имя модели — SDK менять не требуется. Однако миграция не всегда сводится к двум строкам конфигурации. Eleven Realtime поддерживает только WebSocket: приложению на WebRTC придётся сменить транспорт. Кроме того, SDK автоматически работает с аудио для WebRTC, а при WebSocket команде нужно самостоятельно захватывать и воспроизводить PCM16-аудио с частотой 24 кГц.
Есть и менее очевидные ограничения, которые лучше поймать до запуска в прод. Агент в режиме Realtime может переводить разговор между Mini и Max, но не может передавать его агенту в Custom mode или принимать перевод от него. Mini недоступен для Zero Retention Mode и HIPAA-конфигураций; Max поддерживает их в США и ЕС, но недоступен в окружениях с резидентностью данных в Индии и Сингапуре. Обе модели оплачиваются по стандартной поминутной ставке ElevenAgents плюс токены, причём Max дороже по токенам. Для российских команд, работающих с зарубежной инфраструктурой, сюда добавляются обычные вопросы трансграничных данных, оплаты и доступности сервиса — управляемая модель их не отменяет.
Главная проверка для голосовых агентов ElevenLabs теперь не в том, насколько эффектно бот звучит на демо. Важнее, даст ли платформа достаточно диагностики, чтобы понять причину сбоя в реальном звонке, и сохранится ли заявленная скорость под нагрузкой. Рынок голосовых ИИ движется от конструктора компонентов к готовым агентским контурам; выиграют поставщики, которые сумеют совместить простоту запуска с внятной наблюдаемостью. Подробности релиза и ограничения режима собраны в материале .
