音声AIに質問したあと、返事を待ちきれずに話し直してしまう。
逆に、少し考えている間にAIが話し始め、言いたいことを最後まで伝えられない。
音声対話の使いやすさは、声のきれいさだけでは決まりません。
ElevenLabsが2026年10月20日に発表したEleven Realtimeは、こうした会話の間合いも含めて調整した音声エージェント向けのモデル構成です。
自然に話せる相手を作りたい人と、会話しながら予約や問い合わせを処理したい人では、選ぶモデルも準備も変わります。
本記事では、発表の数値と実際の導入判断を切り分けて整理します。
Eleven Realtimeは、利用者の音声を受け取り、内容に応じて音声で応答するSpeech to Speechの仕組みです。
音声認識、発話の受け渡し、言語モデルによる応答、音声合成を、会話全体としてうまく動くように調整しています。
ここで、「音声から直接音声を出す一つの巨大なモデル」と理解するのは正確ではありません。
公式ドキュメントによると、MiniとMaxはいずれも複数のモデルをつなぐカスケード構成です。
個々の内部モデルの詳細は公開されておらず、一体で最適化されていることと、単一モデルであることは区別する必要があります。
利用者側が処理の部品を一つずつ選び、接続を調整する負担を減らす設計と捉えると分かりやすいでしょう。
会話相手の役割や声、参照する資料などを決める作業は引き続き必要です。
テキスト読み上げは、用意した原稿を声にする用途に向いています。文字起こしは、話した内容を記録するもの。
これに対し、音声エージェントでは、相手の質問を理解して返答を組み立て、話す順番も判断します。
YouTubeのナレーションを作りたいなら、まず読み上げ機能を検討すれば足ります。
視聴者や来訪者とその場でやり取りするキャラクターを作るなら、Eleven Realtimeのような対話の仕組みが候補になる、という違いです。
リアルタイムという言葉が共通していても、Scribe v2 Realtimeの文字起こしと、Eleven Realtimeの会話モデルを同じ製品として扱わないようにしましょう。
Miniは自然な会話を、Maxは複雑な作業を主な対象としています。
AIの話し方を楽しむ会話相手と、条件を聞き取りながら処理を進める受付役では、求められる能力が異なります。
次の数値は2026年10月21日に確認した公表値です。
Big Bench AudioとFull-Duplex-Benchは異なる能力を測るため、同じ正答率として横並びに解釈できません。
Miniにもツールを使う評価結果があり、「Miniは会話しかできない」と線を引くのは適切ではありません。
ただ、条件を保持しながら複数の操作を進める用途では、Maxを試す理由があります。
モデル名の大小よりも、実際の依頼を最後まで処理できるかで判断してください。
発話開始までの時間は、答えの音声が出始める速さです。
長い説明を話し終えるまでの時間や、外部サービスで予約が完了するまでの時間を表してはいません。
通信環境、発話終了の判定、外部ツールの待ち時間が加われば、利用者が感じる速さも変わります。
また、公式資料はArtificial Analysisによる独立評価を紹介しています。
提供企業の宣伝文だけを根拠にした値ではありませんが、日本語の実利用をそのまま再現した保証でもありません。
記事制作時点の評価サイトでも主要値を照合できました。
試験ごとに測る能力が違う以上、「98.8%だから、問い合わせも98.8%解決する」とは言えません。
個人が試すなら、会話の目的を狭く決めると評価しやすくなります。
たとえば英会話の練習相手なら、「旅行先で道を尋ねる」「注文内容を変更する」といった場面に絞ると、聞き返しや言い直しへの対応を確認できます。
対話キャラクターの場合は、設定を守ることに加えて、利用者の発言を待てるか、返答が長すぎないかも見ます。
以下は編集上の活用例であり、特定の教育効果や導入実績を示すものではありません。
まずは短い会話を数回行い、会話が途切れる場面を見つける使い方が現実的です。
問い合わせ内容を聞いて、必要な条件を確認し、外部ツールへ情報を渡す用途も考えられます。
ただし、会話モデルを選んだだけで予約サービスや顧客管理システムがつながるわけではありません。
実行先の接続や権限、エラー時の扱いは別に設計します。
たとえば予約の変更なら、空き状況の確認、希望日時の聞き取り、変更操作、結果の通知という段階があります。
「変更しました」と発声できることと、予約データが実際に更新されていることは別です。
テストでは会話の印象だけでなく、最終的な記録まで確かめる必要があります。
ElevenLabsは両モデルを90以上の言語に対応するものとして案内しています。
一方、今回確認したRealtime専用資料では、日本語だけの認識率や会話評価は示されていません。
ElevenLabsのほかの音声製品に日本語対応があることを、そのままRealtimeの個別評価と置き換えることは避けます。
日本語で利用する予定なら、画面上の言語設定と選択した声を確認したうえで、少なくとも次の内容を実際に話してみてください。
これは推奨する検証方法です。
利用できる言語数だけでは、敬語やアクセント、数字の聞き取りが目的に合うかまでは判断できません。
ElevenAgentsの料金ページには無料プランがあります。
以下は月払いの表示で、税抜きの米ドル価格です。
Creatorの初月割引は通常月額と分けて記載しています。
Realtimeエージェントは、標準のElevenAgentsの時間料金に加え、モデルの入力・キャッシュ入力・出力トークンに応じて課金されます。
MaxはMiniよりトークン単価が高いと公式資料に記載されています。上の表を「この料金でMaxも追加費用なし」と読むことはできません。
追加通話は公式料金ページで1分0.08ドルと案内されていますが、モデル利用料や、接続する外部電話事業者の料金まで含んだ総額ではありません。
Realtime API単体の料金とElevenAgentsの料金も混同せず、契約前に実際の画面で単価と対象を確かめてください。
本稿では確認できなかったモデル別の具体的なトークン単価を推測で掲載していません。
公式ドキュメントはRealtimeモデルの段階提供を案内しています。
アカウントを作れても、対象ワークスペースにRealtimeの設定が表示されるとは限りません。
設定が見当たらない場合、操作ミスと決めつけず提供状況を確認します。
CustomモードでLLMや読み上げモデルを個別指定している場合、同じ自由度を保ったままRealtimeへ切り替えられるわけでもありません。
既存システムの構成要件を変えたくないなら、Customを続ける判断もあります。
実名や連絡先を扱う会話を公開するなら、何を収集し、どこに保存し、誰が確認するかを先に決めておきます。
試験段階では架空の顧客情報を使い、不要な個人情報を読み上げない運用が適切です。
ここは編集上の推奨ですが、予約や注文を変更する処理には、対象と内容の復唱を入れ、実行に失敗した場合の案内も用意すると判断しやすくなります。
流暢な声は処理が成功した印象を強めるため、操作の結果を返せる設計と組み合わせるべきでしょう。
既存アプリに組み込む予定がなければ、まずElevenAgentsの管理画面で試す流れが分かりやすいでしょう。
基本的な作成手順は公式Quickstart、Realtimeへの切り替えは専用ドキュメントを参照します。
参照資料を追加する場合も、最初から大量に入れるより、正解が分かる小さなFAQから始めると確認しやすくなります。
製品の機能と、この記事で勧める試し方を分けて考えてください。
たとえば英会話練習の試作なら、次のような指示から始められます。
これは編集部作成の例で、最適なプロンプトを保証するものではありません。
「旅行英会話の練習相手です。最初に練習したい場面を一つ尋ねてください。一回の返答は短くし、相手の発言を待ってください。分からない内容は聞き返し、練習が終わったら改善点を二つ伝えてください。」
長い性格設定だけを書くより、何を聞き、どこで待ち、いつ終えるかを指定すると、会話が目的に合っているかを評価しやすくなります。
同じ質問でMiniとMaxを比較し、差が出ないなら費用を抑える選択にも根拠が生まれます。
既存のOpenAI Realtime連携がある場合、ElevenLabsは互換APIを提供しています。
ただし、接続はWebSocketで、WebRTCの実装はそのまま移せません。
認証情報の発行や音声の入出力を含め、現在の実装との違いを確認する必要があります。
また、Realtime APIはElevenAgentsとは別に動作するため、管理画面で用意したナレッジベースや配信先などの機能が、自動ですべて引き継がれるとは考えない方がよいでしょう。
運用機能をまとめて使いたいならElevenAgents、既存アプリの会話部分を組み替えたいならAPI、という順に検討できます。
最初に決めたいのは、相手と自然に話すことが目的か、会話を通じて作業を完了することが目的かです。
前者ならMiniから試し、後者ならMaxを含めて、必要な依頼が最後まで通るかを比較してください。
試す際は、正解が分かる会話をいくつか用意し、返答の自然さ、情報の正確さ、処理の完了、費用をそれぞれ確認しましょう。
自分の用途で差を確かめてから選べば、公表された速さだけに引かれて導入する失敗を減らせます。
.png){kind=logo}
