ElevenLabs lança modelos de fala em tempo real com resposta em 0,57 segundo

Dois modelos pensados para conversas por voz em tempo real

A ElevenLabs lançou nesta terça-feira (20 de outubro de 2026) dois modelos novos de conversão de fala para fala, batizados de Eleven Realtime. A notícia foi divulgada pelo site The Decoder com base em informações da própria empresa.

Modelos de fala para fala (speech-to-speech) recebem um áudio e devolvem outro áudio diretamente, sem passar pela etapa intermediária de transcrever a fala em texto para depois gerar uma resposta e convertê-la de volta em voz. Essa arquitetura em três passos, chamada de pipeline em cascata, é a forma mais comum de montar um agente de voz hoje: um modelo de reconhecimento de fala transcreve o áudio, um modelo de linguagem gera a resposta em texto, e um modelo de texto para fala lê essa resposta em voz alta.

Cada uma dessas três etapas soma alguns décimos de segundo. Um modelo de fala para fala processa tudo de uma vez, o que corta esse acúmulo de latência e é o motivo de a ElevenLabs promover o Eleven Realtime como solução voltada a conversas ao vivo, como atendimento por telefone ou assistentes de voz dentro de um aplicativo.

O que os números do benchmark dizem

O modelo maior da dupla, chamado v1 Max, atingiu 98,8% de acerto no Big Bench Audio, benchmark (teste padronizado) que mede a qualidade de modelos de áudio em tarefas de compreensão e resposta. O tempo de resposta do v1 Max ficou em 0,57 segundo, valor próximo do que soa natural numa conversa falada e bem abaixo do atraso perceptível que costuma incomodar quem liga para uma central de atendimento automatizada.

Segundo a ElevenLabs, nenhum modelo no ranking da Artificial Analysis, site independente que compara desempenho de modelos de IA de diferentes fornecedores em categorias como voz, texto e imagem, consegue hoje unir essa velocidade a essa taxa de acerto ao mesmo tempo. É uma afirmação feita pela própria empresa: o material disponível até agora não traz uma validação externa desse ranking específico por outra fonte além da Artificial Analysis.

Dois modelos para dois momentos da conversa

A ElevenLabs separou os lançamentos por função dentro de um agente de voz:

• Eleven Realtime v1 Max mira tarefas mais complexas, como atendimento ao cliente, em que entender nuance e contexto pesa mais do que economizar por minuto de uso.
• Eleven Realtime v1 Mini foi construído para conversas naturais a um custo menor e consegue identificar quando a pessoa terminou de falar ou só emitiu um sinal de escuta, como um "hum-rum", sem interromper quem está do outro lado da linha.

Essa distinção entre terminar a fala e apenas confirmar que está ouvindo é um dos pontos mais difíceis de resolver num agente de voz. Um sistema que interrompe toda hora soa robótico e irrita quem está falando, e um que demora demais para perceber que chegou sua vez de responder soa travado ou lento. Resolver isso bem, segundo a empresa, é o diferencial do v1 Mini.

A API compatível com a OpenAI facilita a troca de fornecedor

Os dois modelos ficam disponíveis pela ElevenAgents, plataforma da ElevenLabs para montar agentes de voz, e por uma API compatível com a Realtime API da OpenAI. Compatibilidade aqui quer dizer que o formato das requisições e das respostas segue a mesma especificação usada pela OpenAI no próprio produto de voz em tempo real.

Na prática, isso reduz o custo de trocar de fornecedor para quem já integrou um agente de voz usando a API da OpenAI como referência. Em vez de reescrever a camada de comunicação do zero, dá para apontar a integração existente para o endpoint da ElevenLabs e ajustar só o que for específico de cada provedor, como autenticação e nome do modelo. Isso interessa tanto a quem está comparando fornecedores quanto a quem quer ter uma alternativa pronta caso um provedor fique instável.

O que considerar antes de colocar em produção no Brasil

O anúncio não detalha o desempenho dos dois modelos em português nem cita testes feitos com o mercado brasileiro. A ElevenLabs já oferece vozes e modelos de texto para fala em vários idiomas, mas nada no material confirma se a qualidade em português acompanha os números de 98,8% de acerto e 0,57 segundo de resposta divulgados para o benchmark, que é majoritariamente em inglês.

O preço também segue indefinido no anúncio: a cobrança é por minuto de uso mais custo por token (a unidade usada para medir o volume processado pelo modelo de linguagem), com o v1 Max saindo mais caro que o v1 Mini. Os valores exatos estão só na página de preços da ElevenLabs e podem mudar.

Antes de migrar um agente em produção para qualquer um dos dois modelos, vale:

1. Rodar um teste com o volume real de chamadas da aplicação, medindo latência a partir de uma rede no Brasil e não só em laboratório.
2. Comparar o custo por minuto com o que já está em uso hoje, seja com a própria ElevenLabs, com a OpenAI ou com outro provedor de voz.
3. Verificar a qualidade da detecção de fim de fala com sotaques e ritmos de fala do português brasileiro, já que o benchmark divulgado não cobre esse cenário.

Fonte: The Decoder