ElevenLabs bringt Eleven Realtime auf den Markt, Sprachmodelle, die in etwa einer halben Sekunde antworten
ElevenLabs' Eleven Realtime ist in den Versionen Max und Mini erhältlich und spricht direkt Sprache zu Sprache. Die Angaben zur Genauigkeit und Geschwindigkeit liegen im Eigentum des Unternehmens.
ElevenLabs hat zwei neue Sprachmodelle namens Eleven Realtime herausgebracht, die für KI-Gespräche entwickelt wurden, die sich wie ein echtes Telefongespräch anfühlen. Laut The Decoder vom 20. Oktober gibt es zwei Versionen. v1 Max ist auf anspruchsvollere Aufgaben wie den Kundensupport ausgerichtet und erreicht beim Big Bench Audio-Test 98,8 % mit einer Reaktionszeit von 0,57 Sekunden. v1 Mini ist für natürliche Alltagsgespräche zu geringeren Kosten konzipiert. ElevenLabs sagt, dass es erkennen kann, wann ein Sprecher wirklich fertig ist, anstatt nur „mm-hmm“ zu sagen, um zu zeigen, dass er zuhört.
Dabei handelt es sich um „Speech-to-Speech“-Modelle. Ältere Sprachassistenten verketten drei Schritte: Wandeln Sie Ihre Rede in Text um, lassen Sie einen Chatbot über den Text nachdenken und wandeln Sie dann die Antwort wieder in Sprache um. Jeder Schritt fügt Verzögerung hinzu. Ein Speech-to-Speech-Modell arbeitet direkter mit Ton, was eine Möglichkeit ist, die unangenehme Pause zu verkürzen und Ton und Timing besser zu erfassen. The Decoders Diagramm platziert Max ganz oben links, was hohe Genauigkeit und geringe Verzögerung bedeutet, und ElevenLabs behauptet, dass kein Modell auf der Artificial Analysis-Bestenliste sowohl schneller als auch genauer ist. Beide Modelle sind über die ElevenAgents-Plattform und einen OpenAI-kompatiblen Realtime API erhältlich. Ein weiterer Bericht fügt Unterstützung für mehr als 90 Sprachen hinzu.
Gehen Sie mit den Ansprüchen vorsichtig um. Die Geschwindigkeits- und Genauigkeitszahlen stammen von ElevenLabs, und der Artikel Decoder enthält keine Ergebnisse für Mini, keine Liste der Sprachen und keine detaillierten Einschränkungen. Die Preise verstehen sich pro Minute zuzüglich Token-Kosten, wobei Max mehr kostet als Mini, spezifische Tarife finden Sie jedoch nur auf der Preisseite des Unternehmens.
Was dahinter steckt: Ein „Benchmark“ ist ein Standardtest zum Vergleich von Modellen, und Big Bench Audio überprüft, wie gut ein Modell mit gesprochenen Fragen umgeht. Eine hohe Punktzahl ist ein gutes Zeichen, aber nicht dasselbe wie der Umgang mit einer lauten Leitung, starken Akzenten oder einem verärgerten Kunden. Die Reaktionszeit ist wichtig, weil Menschen empfindlich auf Gesprächspausen reagieren. Etwa eine halbe Sekunde fühlt sich natürlich an; Zwei Sekunden fühlen sich gebrochen an. Aus diesem Grund wetteifern so viele Unternehmen, darunter auch Mistral diese Woche mit Voxtral 3, darum, Sprachagenten schneller und billiger zu machen.
Was das für Sie bedeutet: Wenn Sie gelegentlich Sprachassistenten verwenden, können Sie damit rechnen, dass diese in den kommenden Monaten flüssiger klingen. Wenn Sie Kundensupport- oder Buchungstools erstellen, ist dies neben Mistrals und anderen eine weitere Option zum Testen. Probieren Sie es mit Ihren eigenen Aufnahmen und den Akzenten Ihrer echten Kunden aus, bevor Sie sich entscheiden, und lesen Sie die Preisseite, da sich die Kosten pro Minute bei großem Maßstab schnell summieren.
Quellen
Gemini im Auto kann jetzt Gmail, Google Fotos und Ihren Kalender nutzen, wenn Sie es erlauben
Google führt Personal Intelligence bis Gemini auf Android Auto ein. Es handelt sich um ein Opt-in-Verfahren, bei dem Ihre eigenen Apps zur Beantwortung von Fragen ohne zusätzliche Erläuterungen verwendet werden.
