Elevenlabs、低遅延な会話を実現するリアルタイムSpeech-to-Speechモデル「Eleven Realtime」を発表

音声AIスタートアップのElevenlabsは、レイテンシーを最小限に抑え、自然な双方向音声対話を処理するために特別に設計された新しいSpeech-to-Speechモデル群「Eleven Realtime」を発表した。今回のリリースでは、「Eleven Realtime v1 Max」と「Eleven Realtime v1 Mini」の2つの異なるバージョンが提供される。

高精度と1秒未満のレイテンシー

フラグシップモデルであるEleven Realtime v1 Maxは、ベンチマーク「Big Bench Audio」で98.8％のスコアを記録し、0.57秒の応答時間を達成した。

Elevenlabsによると、「Artificial Analysis Speech to Speech」リーダーボードのデータにおいて、v1 Maxはチャートの左上に位置しており、高精度と低遅延の優れた組み合わせを示しているという。同社は、現在リーダーボードで追跡されているモデルの中で、これ以上に高速かつ高精度なモデルは存在しないと述べている。

用途に応じた役割分担：v1 Max対v1 Mini

Elevenlabsは、これら2つのモデルを企業や開発者の異なるユースケース向けに位置付けている。

• Eleven Realtime v1 Max: 高い精度と包括的な推論が求められる、高度なカスタマーサポートなどの複雑なインタラクティブワークフロー向けに調整されている。

• Eleven Realtime v1 Mini: 運用コストの削減とスムーズな日常会話向けに最適化されている。このモデルには、ユーザーが話し終えたのか、あるいは「うん、うん」といった短い相槌を打っているだけなのかを区別するような、会話のニュアンス検出機能が含まれている。

展開と価格設定

両モデルはElevenAgentsプラットフォームに加えて、OpenAI-compatible Realtime API経由でも展開可能であり、すでに標準化されたリアルタイムプロトコルを使用している開発者が簡単に統合できるようになっている。

両モデルの価格は、分単位の課金とトークン使用量を組み合わせた形式となっており、v1 Maxはv1 Miniよりも高価に設定されている。詳細な料金体系の内訳は、Elevenlabsの価格設定ページに直接公開されている。