Elevenlabsが音声間モデル2種公開

Elevenlabsの訴えは「高精度と低遅延」という一組の両立に集約される。v1 MaxのBig Bench Audioでの98.8％と応答時間0.57秒を並べて示し、Artificial Analysisのリーダーボード上で現時点でこれより速くかつ高精度なモデルはないと同社は主張する。ただしこれは同社自身の主張であり、独立した評価ではなくElevenlabsによるものだ。

2つのモデルはタスクで市場を分ける。v1 Miniは自然な会話の仕組み、つまり相手が話し終えたか、あるいは「mm-hmm」のような相づちだけかを検知する役割を低コストで担う。v1 Maxはカスタマーサポートなど、誤りのコストが高く分単位の価格もv1 Miniより高い複雑な業務に向く。

提供形態はElevenlabsが既に確立した型を踏襲する。両モデルは同社のElevenAgentsプラットフォームとOpenAI互換のRealtime APIで利用でき、OpenAIのリアルタイムインターフェースで開発してきた開発者の乗り換えコストを下げる。料金は分単位にトークンコストを加える方式のため、購入者は遅延の改善と会話の長さに応じて膨らむ請求額を天秤にかける必要がある。