Λίγο πάνω από μισό δευτερόλεπτο. Τόσο χρειάζεται, σύμφωνα με την ElevenLabs, το νέο της μοντέλο για να απαντήσει φωνητικά σε κάποιον που του μιλάει. Η εταιρεία, γνωστή κυρίως για τις συνθετικές φωνές της, παρουσίασε δύο μοντέλα με το όνομα Eleven Realtime, φτιαγμένα για συζητήσεις σε πραγματικό χρόνο.
Τα δύο μοντέλα είναι τύπου speech-to-speech: δέχονται φωνή και απαντούν με φωνή. Οι περισσότεροι φωνητικοί βοηθοί δουλεύουν με τρία κομμάτια στη σειρά: ένα σύστημα μετατρέπει την ομιλία σε κείμενο, ένα γλωσσικό μοντέλο γράφει την απάντηση και ένα τρίτο τη διαβάζει δυνατά. Κάθε κρίκος προσθέτει καθυστέρηση, και στη φωνή μια παύση ενός ή δύο δευτερολέπτων ακούγεται αμήχανη.
Το μεγαλύτερο από τα δύο, το v1 Max, πέτυχε 98,8% στο Big Bench Audio, ένα benchmark που ελέγχει πόσο σωστά απαντά ένα μοντέλο σε ερωτήσεις συλλογισμού που του δίνονται ηχητικά. Ο χρόνος απόκρισης ήταν 0,57 δευτερόλεπτα. Η ElevenLabs υποστηρίζει ότι στον πίνακα κατάταξης της Artificial Analysis δεν υπάρχει αυτή τη στιγμή κανένα μοντέλο που να είναι ταυτόχρονα γρηγορότερο και ακριβέστερο. Το v1 Max απευθύνεται σε πιο σύνθετες δουλειές, όπως η εξυπηρέτηση πελατών.
Το μικρότερο v1 Mini κοστίζει λιγότερο και στοχεύει σε πιο φυσική κουβέντα. Η εταιρεία λέει ότι καταλαβαίνει πότε ο συνομιλητής τελείωσε όσα είχε να πει και πότε απλώς κάνει ένα «αχά» για να δείξει ότι ακούει. Ακούγεται μικρή λεπτομέρεια, αλλά είναι από τα συνηθισμένα σημεία όπου οι φωνητικοί βοηθοί σκοντάφτουν: είτε διακόπτουν τον άνθρωπο είτε σταματούν να μιλούν με το πρώτο επιφώνημα.
Και τα δύο διατίθενται μέσα από την πλατφόρμα ElevenAgents, όπου οι επιχειρήσεις στήνουν AI agents, δηλαδή προγράμματα που εκτελούν εργασίες για λογαριασμό του χρήστη. Υπάρχει και Realtime API συμβατό με της OpenAI, όπως αναφέρει το The Decoder, που σημαίνει ότι όποιος έχει ήδη χτίσει εφαρμογή πάνω στη φωνητική υπηρεσία της OpenAI μπορεί να αλλάξει πάροχο χωρίς να ξαναγράψει τον κώδικά του. Η χρέωση γίνεται ανά λεπτό συν το κόστος των tokens, με το v1 Max ακριβότερο από το v1 Mini.
