ElevenLabs publicó el 20 de octubre dos modelos de voz a voz, Eleven Realtime v1 Mini y v1 Max. Lo que cambian no es el precio: es que un solo modelo hace lo que antes se armaba con cuatro piezas separadas, oír, decidir el turno, decidir qué responder y hablar. Según el anuncio, los dos entienden más de 90 idiomas, usan las más de 17.000 voces de la biblioteca de la casa y se exponen por una conexión de WebSocket compatible con la de Realtime de OpenAI, de modo que mover un agente existente es cambiar la dirección y el nombre del modelo.
Lo interesante del lanzamiento no es que haya dos modelos. Es que el barato gana en el único eje que se nota en una demostración.
El barato suena mejor que el caro
Las dos variantes ya aparecen en el tablero de voz a voz de Artificial Analysis, que evalúa 46 entradas con la misma vara. Estas son las dos de ElevenLabs y cuatro alternativas, con las mismas columnas para todas:
| Modelo | Razonamiento hablado | Dinámica conversacional | Primer audio |
|---|---|---|---|
| Eleven Realtime v1 Max | 99 % | 94,1 % | 0,57 s |
| Eleven Realtime v1 Mini | 76 % | 95,8 % | 0,62 s |
| GPT-Realtime-2.1 High (OpenAI) | 96 % | 95,7 % | 1,21 s |
| Grok Voice 3.0 | 99 % | 97,0 % | 0,81 s |
| Gemini 3.8 Live (Google) | 92 % | 96,1 % | 1,18 s |
| StepAudio 3 Realtime (StepFun) | 100 % | 98,9 % | 8,83 s |
La dinámica conversacional mide pausas, turnos, interrupciones y esos “ajá” que uno suelta sin querer tomar la palabra. Mini queda por encima de Max: 95,8 contra 94,1. Es exactamente lo que se percibe en una llamada de prueba de dos minutos, y el modelo barato lo hace mejor.
El otro eje va al contrario. En razonamiento hablado Max saca 99 % y Mini 76 %, y el anuncio de ElevenLabs añade una cifra que el tablero no mide: en tareas con herramientas, Max completa 87,1 % y Mini 60,3 %. Dicho de otra forma, dos de cada cinco veces que el agente barato tiene que consultar un saldo, agendar algo o registrar un compromiso, no lo logra.
Una demostración mide el primer eje. Lo que decide si el agente sirve es el segundo.
Los dos cuestan lo mismo por minuto
El audio conectado se cobra a 0,080 dólares el minuto en los dos modelos, 253 pesos con la TRM del 21 de octubre. La diferencia está en los tokens, y es menos brutal de lo que sugieren los nombres: la entrada de Max cuesta nueve veces la de Mini, pero la salida solo una vez y media (9,00 contra 6,00 dólares el millón). En una conversación el agente habla casi tanto como escucha, así que elegir el modelo bueno no multiplica la factura por diez.
Lo que sí la mueve es otra línea. Por encima del límite de llamadas simultáneas del plan, el minuto pasa a 0,160 dólares, el doble, y los niveles publicados son de 4, 6, 10, 20, 30 y 40 llamadas a la vez. Una operación de cobranza con pico de fin de mes paga el doble por todo lo que se sale del nivel, con el modelo que sea. Al presupuestar un agente de voz, el pico de concurrencia pesa más que la elección del modelo, igual que pasaba con las tres piezas que Microsoft puso a la venta por separado.
Qué mirar antes de elegir
Si necesita no guardar el audio, Mini queda fuera. La documentación indica que Zero Retention Mode y HIPAA existen solo con Max, y solo en Estados Unidos y la Unión Europea. Mini documenta residencia en Estados Unidos, la Unión Europea, India y Singapur. Ninguno ofrece región en América Latina: el audio de la conversación sale del país en los dos casos, con lo que eso implica para el tratamiento de datos personales bajo la Ley 1581.
Pruebe con sus herramientas, no con una charla. El 60,3 % de Mini no se nota conversando; se nota cuando el agente tiene que hacer algo. Monte dos o tres tareas reales de su operación y cuente fallos.
Los más de 90 idiomas son cifra del proveedor y no vienen con lista publicada. El español no se confirma desde el anuncio, y menos el acento y el ruido de una llamada real. Eso se mide con audio propio.
Nosotros operamos agentes conversacionales en producción para clientes que facturan con ellos, y la lección se repite con cada modelo nuevo: la pieza que decide no es la que suena, es la que resuelve. Los casos están en /casos.