Eleven Realtime od ElevenLabs. Cena i możliwości modeli dla agentów głosowych

Czym jest Eleven Realtime

Eleven Realtime to nowa klasa modeli ElevenLabs typu speech-to-speech, czyli takich, które przyjmują mowę i odpowiadają mową. Według dokumentacji każdy model Realtime to kompletny agent głosowy. Składa się z rozpoznawania mowy, wykrywania aktywności głosu i zmiany tury rozmowy, modelu językowego oraz syntezy mowy. Firma dobrała te elementy i dostroiła je tak, by działały jak jeden system.

Dla zespołu, który buduje agenta, oznacza to jeden wybór zamiast czterech. Wystarczy wskazać v1 Mini albo v1 Max, a transkrypcja, rozpoznawanie przerwań i głos są już skonfigurowane. Ceną za tę wygodę jest mniejsza kontrola. ElevenLabs nie ujawnia, jaki model językowy pracuje w środku, i nie pozwala go podmienić w ramach Realtime.

v1 Mini i v1 Max - czym się różnią

Oba modele mają tę samą architekturę, ale inne przeznaczenie. Przejście z jednego na drugi wymaga zmiany nazwy modelu, a nie nowej integracji. Poniżej zestawiamy dane z dokumentacji i strony produktu ElevenLabs.

• v1 Mini - przeznaczenie: asystenci AI, korepetytorzy, postacie w grach i aplikacjach rozrywkowych; czas do pierwszego dźwięku 620 ms; Full-Duplex-Bench 95,8 proc.; Elo 988 w Speech Agent Arena.
• v1 Max - przeznaczenie: obsługa klienta, kwalifikacja leadów, umawianie terminów; czas do pierwszego dźwięku 570 ms; Big Bench Audio 98,8 proc.; skuteczność wykonania zadań 87,1 proc.; wywoływanie narzędzi w trakcie rozmowy.
• Oba modele - ponad 90 języków, głosy z biblioteki ElevenLabs, obsługa wtrąceń rozmówcy, wdrożenie na telefon, widżet na stronie, WhatsApp i platformy contact center.

Ile kosztuje Eleven Realtime w złotych

ElevenLabs rozlicza Realtime w dwóch częściach. Pierwsza to opłata za minutę połączonego dźwięku, taka sama w obu modelach. Druga to tokeny modelu językowego, czyli jednostki tekstu, które agent przetwarza i generuje. Kwoty w złotych przeliczyliśmy po średnim kursie NBP z 20 października 2026 roku (3,8959 zł za 1 USD). Ceny pochodzą z cennika API dla planu Free i rozliczenia pay as you go, bez VAT.

• Minuta połączenia (v1 Mini i v1 Max) - 0,08 USD, ok. 0,31 zł. Godzina rozmowy to 4,80 USD, ok. 18,70 zł, przed doliczeniem tokenów.
• v1 Mini, tokeny wejściowe - 0,20 USD za milion, ok. 0,78 zł.
• v1 Mini, tokeny wyjściowe - 6 USD za milion, ok. 23,38 zł.
• v1 Max, tokeny wejściowe - 1,80 USD za milion, ok. 7,01 zł.
• v1 Max, tokeny wyjściowe - 9 USD za milion, ok. 35,06 zł.
• Minuta ponad limit równoczesnych rozmów (burst) - 0,16 USD, ok. 0,62 zł.

Jak wypada na tle GPT-Live 1 i Voxtral 3

Sama opłata za minutę jest w Eleven Realtime wyższa niż u dwóch bezpośrednich konkurentów. Sesja głosowa w GPT-Live 1 od OpenAI kosztuje 0,05 USD za minutę, a model zaplecza i narzędzia są płatne osobno. Agent głosowy w Voxtral 3 od Mistrala kosztuje 0,04 USD za minutę z modelem Mistral Small 4 i 0,08 USD z innym modelem językowym. Porównanie samych stawek minutowych jest jednak mylące, bo każda firma inaczej liczy tokeny i inaczej dzieli koszt między elementy systemu.

Przewagą ElevenLabs jest zgodność z Realtime API OpenAI. Według dokumentacji wszystkie zdarzenia klienta i serwera przychodzą w tym samym formacie, więc przy migracji wystarczy zmienić adres połączenia i nazwę modelu. Zespół, który ma już aplikację na Realtime API, może więc porównać oba rozwiązania na własnych rozmowach przy niewielkim nakładzie pracy. W naszej ocenie taki test na kilkudziesięciu prawdziwych zgłoszeniach powie więcej niż benchmarki producentów.

Czy Eleven Realtime mówi po polsku

Formalnie tak. Dokumentacja deklaruje ponad 90 języków i odsyła do listy języków modelu syntezy mowy Eleven v4, na której jest polski. ElevenLabs nie podał jednak żadnych wyników testów dla polskiego, a wszystkie liczby na stronie produktu dotyczą benchmarków ogólnych.

Dla polskiej firmy oznacza to konieczność własnej próby. Warto sprawdzić rozpoznawanie nazwisk, adresów, numerów PESEL i NIP, kwot podawanych słownie oraz zachowanie agenta, gdy klient przerywa w połowie zdania. Te elementy najczęściej decydują o tym, czy rozmowa z automatem na infolinii kończy się sukcesem.

Ograniczenia i niewiadome

Premiera pozostawia kilka pytań, które warto wyjaśnić przed wdrożeniem produkcyjnym.

• ElevenLabs nie ujawnia, jaki model językowy działa w Eleven Realtime, ani gdzie przetwarzane są dane rozmów.
• Wyniki testów pochodzą od producenta. Niezależnych porównań na razie brak.
• Koszt tokenów zależy od długości rozmowy i liczby wywołań narzędzi, więc łączną cenę minuty trudno oszacować przed testem.
• Limit 4 równoczesnych rozmów na planie Free i pay as you go wystarczy do testów, ale nie do obsługi infolinii.
• Nagrania rozmów to dane osobowe w rozumieniu RODO, a AI Act wymaga, by rozmówca wiedział, że rozmawia z systemem AI, chyba że wynika to jasno z kontekstu.

Od czego zacząć test

Najprostsza droga prowadzi przez ElevenAgents. Przy tworzeniu agenta wystarczy wybrać v1 Mini albo v1 Max z listy modeli i od razu rozpocząć rozmowę w przeglądarce. Programiści mogą skorzystać z SDK Realtime od OpenAI, kierując połączenie WebSocket na serwer ElevenLabs.

W pierwszym teście warto porównać oba modele na tym samym scenariuszu, na przykład zmianie terminu wizyty. v1 Max ma przewagę przy zadaniach wymagających sprawdzenia danych w systemie, ale jego tokeny wejściowe są dziewięć razy droższe niż w v1 Mini. Dla prostych rozmów informacyjnych tańszy model może okazać się wystarczający.