ElevenLabs lance Eleven Realtime, des modèles vocaux qui répondent en une demi-seconde environ

ElevenLabs a publié deux nouveaux modèles vocaux appelés Eleven Realtime, conçus pour les conversations IA qui ressemblent à un véritable appel téléphonique. Selon The Decoder du 20 octobre, il existe deux versions. La v1 Max est destinée aux tâches les plus difficiles telles que le support client et obtient un score de 98,8 % au test Big Bench Audio avec un temps de réponse de 0,57 seconde. v1 Mini est conçu pour une conversation quotidienne naturelle à moindre coût. ElevenLabs indique qu’il peut savoir quand un orateur a vraiment terminé, au lieu de simplement dire « mm-hmm » pour montrer qu’il écoute.

Ce sont des modèles « speech-to-speech ». Les assistants vocaux plus anciens enchaînent trois étapes : transformer votre discours en texte, laisser un chatbot réfléchir au texte, puis transformer à nouveau la réponse en discours. Chaque étape ajoute du retard. Un modèle parole-parole fonctionne avec le son plus directement, ce qui est un moyen de réduire les pauses gênantes et de mieux capter le ton et le timing. Le graphique de The Decoder place le Max en haut à gauche, ce qui signifie une grande précision et un faible délai, et ElevenLabs affirme qu’aucun modèle du classement Artificial Analysis n’est à la fois plus rapide et plus précis. Les deux modèles sont disponibles via la plate-forme ElevenAgents et un Realtime API compatible OpenAI. Un autre rapport ajoute la prise en charge de plus de 90 langues.

Traitez les réclamations avec une certaine prudence. Les chiffres de vitesse et de précision proviennent d’ElevenLabs, et l’article Decoder ne donne aucun résultat pour Mini, aucune liste de langues et aucune limitation détaillée. Le prix est par minute plus les coûts du token, le Max coûtant plus que le Mini, mais les tarifs spécifiques figurent uniquement sur la page de tarification de l’entreprise.

Qu’est-ce qui se cache derrière : un “benchmark” est un test standard utilisé pour comparer des modèles, et le Big Bench Audio vérifie dans quelle mesure un modèle gère les questions orales. Un score élevé est un bon signe, mais ce n’est pas la même chose que de gérer une file d’attente bruyante, des accents forts ou un client en colère. Le temps de réponse est important car les humains sont sensibles aux pauses dans la conversation. Environ une demi-seconde semble naturelle ; deux secondes semblent brisées. C’est pourquoi tant d’entreprises, dont Mistral cette semaine avec Voxtral 3, se battent pour rendre les agents vocaux plus rapides et moins chers.

Ce que cela signifie pour vous : si vous utilisez occasionnellement des assistants vocaux, attendez-vous à ce qu’ils sonnent plus facilement au cours des prochains mois. Si vous créez un support client ou des outils de réservation, il s’agit d’une autre option à tester à côté de Mistral et d’autres. Essayez-le avec vos propres enregistrements et les accents de vos vrais clients avant de vous décider, et lisez la page de tarification, car les coûts par minute s’additionnent rapidement à grande échelle.

Sources

• The Decoder : ElevenLabs lance deux nouveaux modèles de synthèse vocale pour les conversations IA en temps réel
• The Neuron : Tout ce qui s’est passé dans l’IA aujourd’hui, le 21 octobre