Eleven Realtime（イレブン・リアルタイム）は、ElevenLabsが2026年10月20日に発表した音声エージェント向けのSpeech to Speech（音声→音声）モデルです。音声認識・ターンテイキング・LLM・音声をひとつのシステムとしてエンドツーエンドで調整し、聞く・考える・話すを一体で担います。
室谷代表取締役ElevenLabsが「Eleven Realtime」を出してきましたね。音声エージェント向けのSpeech to Speechモデルで、v1 Miniとv1 Maxの2種類なんですよね。
テキトー教師DotAI 認定講師そうなんですよ。単に読み上げが速くなったという話じゃないんです。
音声認識、発話の受け渡し、LLM、音声合成までを「ひとつのシステム」として調整したのがポイントで、ElevenLabsのモデル一覧でも「Complete voice agent model configuration」と説明されています。
音声認識、発話の受け渡し、LLM、音声合成までを「ひとつのシステム」として調整したのがポイントで、ElevenLabsのモデル一覧でも「Complete voice agent model configuration」と説明されています。
室谷代表取締役なるほど。部品を組み合わせるんじゃなくて、会話そのものを一つのモデルとして扱う方向に来たわけですね。
Eleven Realtimeとは？何が発表されたのか
まとめ
Eleven Realtime 発表の要点
- 従来の音声エージェントは「素早い返答」か「正確な回答」の二者択一だったが、Eleven Realtimeはその両立を軸とした発表
- v1 MaxはBig Bench Audioで98.8%、発話開始まで0.57秒。「0.5秒で話し始める」ことを前面に打ち出す
- Artificial Analysisのリーダーボード上で「これより速くかつ正確なモデルはない」とElevenLabsが主張（自社発表のベンチマーク）
- 両モデルはElevenAgentsで提供開始、Realtime APIからも利用可能
- APIはOpenAI互換で、エンドポイントとモデル名を差し替えるだけで移行できると説明
テキトー教師DotAI 認定講師まず発表の中身を整理しましょう。ElevenLabsの説明では、従来の音声エージェントは「素早い返答」か「正確な回答」のどちらかを選ばされる構造だったと。
Eleven Realtimeはそこを両立させる、というのが発表の軸です。
Eleven Realtimeはそこを両立させる、というのが発表の軸です。
室谷代表取締役これは現場感覚と合いますね。速くすると雑になる、正確にすると間が空く。
会話ってそのジレンマがずっと付きまとうんですよ。MYUUUでも音声のエージェントを触っていると、返答が0.5秒遅れるだけで「あれ、聞こえてない？」って空気になるんですよね。
会話ってそのジレンマがずっと付きまとうんですよ。MYUUUでも音声のエージェントを触っていると、返答が0.5秒遅れるだけで「あれ、聞こえてない？」って空気になるんですよね。
テキトー教師DotAI 認定講師発表文でも「0.5秒で話し始める」ことが前面に出ています。そしてv1 MaxはBig Bench Audioで98.8%、発話開始まで0.57秒。
Artificial Analysisのリーダーボード上で「これより速くかつ正確なモデルはない」とElevenLabsが主張しています。
Artificial Analysisのリーダーボード上で「これより速くかつ正確なモデルはない」とElevenLabsが主張しています。
室谷代表取締役この「主張」という表現は大事にしたいところですね。自社発表のベンチマークなので、そこは冷静に読みたい。
テキトー教師DotAI 認定講師提供形態も発表されています。両モデルはElevenAgentsで今日から使えて、Realtime APIからも利用可能。
APIはOpenAI互換で、エンドポイントとモデル名を差し替えるだけで移行できると説明されています。
APIはOpenAI互換で、エンドポイントとモデル名を差し替えるだけで移行できると説明されています。
室谷代表取締役ここは開発者にとってかなり大きいんですよね。既存のコードを書き直さずに済むなら、検証コストが段違いなので。
Eleven Realtimeでできること——v1 Miniとv1 Maxの違い
Eleven Realtime v1 Mini と v1 Max の違い
v1 Mini
- 自然な会話向け
- AIアシスタント、教育チューター、対話キャラクターなど
- 相手が話し終えたタイミングを分かる
- 割り込まれても復帰する
- 「mm-hmm」と言っても止まらない
- 発話終了の検知、割り込みからの復帰、相槌で止まらないこと、タイミングとトーンの自然さを最適化
v1 Max
- 複雑なタスク向け
- カスタマーサポート、リード獲得、予約支援など
- 多段の依頼を推論してツールを呼び出し、調べたり実行したりする
- 「会話しつつ仕事をする」側
- 複数ステップのタスク全体で正確で思慮深い応答に最適化
- 会話中に調べたり行動したりするためのツール呼び出し
テキトー教師DotAI 認定講師2モデルの役割分担を整理するとこうです。
- Eleven Realtime v1 Mini: 自然な会話向け。AIアシスタント、教育チューター、対話キャラクターなど
- Eleven Realtime v1 Max: 複雑なタスク向け。カスタマーサポート、リード獲得、予約支援など
室谷代表取締役Miniの説明で面白いのが「相手が話し終えたタイミングを分かる」「割り込まれても復帰する」「「mm-hmm」と言っても止まらない」という、人間らしさに関わる部分を挙げているところなんですよね。
テキトー教師DotAI 認定講師そうなんです。資料でも会話の自然さの課題として、発話終了の検知、割り込みからの復帰、相槌で止まらないこと、タイミングとトーンの自然さが挙げられています。
Miniはまさにそこを最適化したモデルですね。
Miniはまさにそこを最適化したモデルですね。
室谷代表取締役で、Maxはというと、多段の依頼を推論して、ツールを呼び出して調べたり実行したりする。つまり「会話しつつ仕事をする」側なんですよ。
テキトー教師DotAI 認定講師公式ページでもMaxは「複数ステップのタスク全体で正確で思慮深い応答に最適化」「会話中に調べたり行動したりするためのツール呼び出し」と書かれています。リード獲得、カスタマーサポート、予約支援が例として挙がっていますね。
室谷代表取締役うちで言えば、問い合わせ対応はMax、社内の壁打ち相手はMini、みたいな使い分けが素直ですね。
Eleven Realtimeの使い方・始め方——ElevenAgentsとOpenAI互換API
Eleven Realtimeの2つの利用ルート
ElevenAgents
- エージェント作成時にモデル選択ドロップダウンでv1 Mini / v1 Maxを選ぶ
- 文字起こし・ターンテイキング・音声が設定済みの状態になる
- 部品ごとのモデル選定・接続・レイテンシ計測の作業が不要
- 配備先: 電話回線 / 自社ウェブサイト / WhatsApp / コンタクトセンタープラットフォーム
- ナレッジベース・ガードレール・テスト・モニタリングも利用可能
Realtime API
- OpenAI Realtime APIと同じワイヤプロトコル・同じクライアント/サーバーイベント・同じWebSocketトランスポート
- OpenAIのRealtime SDKを使うアプリはSDKを乗り換えず接続先をElevenLabsへ変更可能
- バックエンドで短命のクライアントシークレットを発行し、フロントエンドでOpenAI APIキーの代わりにSDKへ渡す
- モデル名: eleven_realtime_v1_mini / 接続先: wss://api.elevenlabs.io/v1/convai/realtime
- 既存のハンドラ・ログ・ツールがそのまま動く
テキトー教師DotAI 認定講師使い方は2ルートです。ひとつはElevenAgents。
エージェントを作るときにモデルを選ぶドロップダウンでv1 Miniかv1 Maxを選ぶと、文字起こし・ターンテイキング・音声がすでに設定済みの状態になる。
エージェントを作るときにモデルを選ぶドロップダウンでv1 Miniかv1 Maxを選ぶと、文字起こし・ターンテイキング・音声がすでに設定済みの状態になる。
室谷代表取締役これは楽なんですよね。部品ごとにモデルを選んで繋いで、レイテンシを測って…という作業がまるごと省けるわけですから。
テキトー教師DotAI 認定講師配備先も発表されています。電話回線、自社ウェブサイト、WhatsApp、コンタクトセンタープラットフォーム。
さらにナレッジベース、ガードレール、テスト、モニタリングといったプラットフォーム機能もそのまま使えると。
さらにナレッジベース、ガードレール、テスト、モニタリングといったプラットフォーム機能もそのまま使えると。
室谷代表取締役もうひとつのルートがRealtime APIですね。ここが今日の発表で一番実務的なところなんですよ。
テキトー教師DotAI 認定講師公式ドキュメントによると、ElevenLabs RealtimeはOpenAIのRealtime APIと同じワイヤプロトコルを使います。同じクライアント・サーバーイベントを、同じWebSocketトランスポートで。
つまりOpenAIのRealtime SDKを使っているアプリは、SDKを乗り換えずに接続先をapi.openai.comからElevenLabsへ向けられる、と。
つまりOpenAIのRealtime SDKを使っているアプリは、SDKを乗り換えずに接続先をapi.openai.comからElevenLabsへ向けられる、と。
室谷代表取締役具体的な手順も書かれていますよね。バックエンドで短命のクライアントシークレットを発行して、フロントエンドはそれをOpenAI APIキーの代わりにSDKへ渡す。
あとはWebSocketでElevenLabsにつながる、と。
あとはWebSocketでElevenLabsにつながる、と。
テキトー教師DotAI 認定講師コード例も公式に出ています。モデル名は
既存のハンドラやログ、ツールがそのまま動くのが売りですね。
eleven_realtime_v1_mini、接続先はwss://api.elevenlabs.io/v1/convai/realtime。既存のハンドラやログ、ツールがそのまま動くのが売りですね。
室谷代表取締役ただし注意点もあって、公式の制限事項として「このガイドはブラウザから直接接続する場合を扱っている」「サーバーサイドのOpenAI Realtime SDKから接続する方法のドキュメントはまだ公開されていない」と明記されているんですよ。ここは読み飛ばせない。
テキトー教師DotAI 認定講師ええ。あとWebSocket経由の場合は、SDKが音声を自動で配線するのはWebRTCトランスポートのときだけなので、24kHzのPCM16音声は自分でキャプチャ・再生する必要がある、とも書かれています。
室谷代表取締役こういう“移行は簡単”の裏側にある細かい条件を拾っておくのが、実際に手を動かす人には効くんですよね。OpenAI側のリアルタイム系モデルの動きについてはGPT-Realtime-2.1-miniの解説でも整理しているので、あわせて読むと比較しやすいと思います。
Eleven Realtimeの性能——0.57秒で話し始める速さと精度の中身
テキトー教師DotAI 認定講師ベンチマークを数字で並べるとこうです。
| モデル | Time to first audio | 指標 | 数値 |
|---|---|---|---|
| v1 Mini | 620ms | Full-Duplex-Bench | 95.8% |
| v1 Mini | 620ms | Speech Agent Arena Elo | 988 |
| v1 Max | 570ms | Big Bench Audio | 98.8% |
| v1 Max | 570ms | Task success rate | 87.1% |
室谷代表取締役最初の音声までの時間がMiniで620ミリ秒、Maxで570ミリ秒。Maxのほうが速いのがちょっと意外なんですけど、タスクを回す前提で設計されているぶん、初動を詰めているんでしょうね。
テキトー教師DotAI 認定講師発表文ではMaxについて「0.57秒で話し始める」と表現されています。そしてBig Bench Audio 98.8%。
ここで大事なのは、各指標が何を測っているかの説明は資料に無いということです。数値として紹介する以上、指標の意味を勝手に補って解釈しないほうがいいですね。
ここで大事なのは、各指標が何を測っているかの説明は資料に無いということです。数値として紹介する以上、指標の意味を勝手に補って解釈しないほうがいいですね。
室谷代表取締役そうなんですよ。Benchmark名だけ見て「会話の質が95.8%」みたいに言いたくなるけど、それは資料に書かれていない。
書かれているのは数値そのものと、Maxがタスク成功率87.1%という点までなんですよね。
書かれているのは数値そのものと、Maxがタスク成功率87.1%という点までなんですよね。
テキトー教師DotAI 認定講師ベンチマークの測定方法については公式ページのFAQに項目が用意されていますが、抜粋には内容までは示されていません。現時点では明らかにされていない部分として扱うのが正確です。
室谷代表取締役あと「Artificial Analysisリーダーボード上でこれより速くかつ正確なモデルはない」というのはElevenLabsの主張であって、第三者の検証結果として提示されているわけではない。ここは主語を正確に読みたいところですね。
なぜ音声エージェントは「速さか正確さか」を迫られていたのか
テキトー教師DotAI 認定講師背景を構造化すると、音声エージェントの自然さは3つの層に分かれます。ひとつは応答速度。
ふたつ目は発話の受け渡し、つまりターンテイキング。3つ目が内容の正確さです。
ふたつ目は発話の受け渡し、つまりターンテイキング。3つ目が内容の正確さです。
室谷代表取締役従来はこの3つを別々のモデルで担っていたわけですよ。音声認識はScribe、音声合成はEleven v4 TurboやFlash v2.5、会話の制御は別のLLM、というふうに。
ElevenLabsのモデル一覧を見ても、これまでは部品ごとにモデルを選ぶ構成だったのが分かります。
ElevenLabsのモデル一覧を見ても、これまでは部品ごとにモデルを選ぶ構成だったのが分かります。
テキトー教師DotAI 認定講師部品を分けると、それぞれの最適化はできるけれど、繋ぎ目で遅延が積み上がる。そして「相手が話し終わったかどうか」のような判断は、部品単体では持ちにくい。
だからこそエンドツーエンドで調整する意味が出てくるわけです。
だからこそエンドツーエンドで調整する意味が出てくるわけです。
室谷代表取締役現場で痛いのはまさに繋ぎ目なんですよね。認識が終わって、LLMが考えて、合成が始まる。
その間ずっとユーザーは黙って待っている。この沈黙が会話を壊す。
その間ずっとユーザーは黙って待っている。この沈黙が会話を壊す。
テキトー教師DotAI 認定講師発表文が「音声AIの未来は、より自然なインタラクションのために低遅延でエンドツーエンドに最適化されたひとつのシステム」と締めているのは、その問題意識の表明ですね。
室谷代表取締役ただ、これはElevenLabsに限った話ではなくて、音声エージェント全体がここ1年ずっと同じ壁にぶつかってきたんですよ。だから各社がリアルタイム系のモデルを出している。
競争軸が「音質」から「会話の間」に移ってきた感じがします。
競争軸が「音質」から「会話の間」に移ってきた感じがします。
テキトー教師DotAI 認定講師講座でも受講生さんから「音声エージェントを作ったけど、会話がぎこちない」という相談がよく来るんですよ。原因の多くは音質ではなくて、この間合いと割り込みの処理なんですね。
室谷代表取締役そこをモデル側が引き受けてくれるなら、アプリ側は体験の設計に集中できる。分業の線が変わる話だと思うんですよね。
料金・対応言語・日本での提供状況はどこまで明らかか
テキトー教師DotAI 認定講師対応言語は90以上です。公式ページの言語一覧には日本語も明記されています。
アクセントもアメリカ、オーストラリア、カナダ、コックニー、ドイツ、ドイツ・バイエルン、テキサス、英語といった区分が挙げられています。
アクセントもアメリカ、オーストラリア、カナダ、コックニー、ドイツ、ドイツ・バイエルン、テキサス、英語といった区分が挙げられています。
室谷代表取締役日本語が入っているのは大きいですね。日本のユーザーにとってはここが実用の分かれ目なので。
テキトー教師DotAI 認定講師気になる料金ですが、Realtime固有の金額は今回の資料には示されていません。公式ページのFAQに「How is Eleven Realtime priced?」という項目自体はありますが、抜粋には金額が載っていないんです。
室谷代表取締役だから「いくら」とは書けないんですよね。ElevenLabs全体のプランとしてはFree 0ドル、Starter 6ドル、Creator 22ドル（初月50%オフで11ドル）、Pro 99ドル、Scale 299ドル、Business 990ドル、Enterpriseは個別見積もりという構成が公開されています。
ただし、これがRealtimeの従量課金にどう効くかは別の話なので、混ぜて書くと誤解を生むんですよ。
ただし、これがRealtimeの従量課金にどう効くかは別の話なので、混ぜて書くと誤解を生むんですよ。
テキトー教師DotAI 認定講師そこは慎重に分けたいですね。プラン構成は公開されている、Realtimeの単価は現時点では明らかにされていない。
この2つは別の事実です。
この2つは別の事実です。
室谷代表取締役日本での提供状況についても、公式ページに日本語表記があり、言語一覧に日本語が入っている以上、利用自体は可能と読めます。ただ、日本リージョンでの提供開始日や国内特有の条件は、今回の資料では明らかにされていません。
テキトー教師DotAI 認定講師セキュリティ面はEnterprise向けにSOC 2 Type II、ISO 27001、HIPAA、GDPR、PCI DSS Level 1、ISO 42001、AIUC-1といった認証が挙げられ、データレジデンシーやゼロリテンションモードにも触れられています。大企業のコンタクトセンターに置くなら、この辺りが効いてきますね。
室谷代表取締役あと地味にいいのが「会話の監査」なんですよ。専用のUI／ダッシュボードで会話を閲覧・監査できて、すべての会話がログに残って検索できる。
コンプライアンス対応を求められる現場では、これがあるかないかで導入の可否が変わりますから。
コンプライアンス対応を求められる現場では、これがあるかないかで導入の可否が変わりますから。
テキトー教師DotAI 認定講師音声の品質面では、ElevenLabsの17,500以上のボイスから選べることも公式ページに書かれています。会話用、キャラクター用、教育用などカテゴリ分けされていますね。
よくある質問
室谷代表取締役ここからは、検索で聞かれそうな点を公式情報の範囲で整理していきましょう。
テキトー教師DotAI 認定講師まず「Eleven Realtimeとは何か」。ElevenLabsが発表した音声エージェント向けのSpeech to Speechモデルで、音声認識・ターンテイキング・LLM・音声をひとつのシステムとして調整したものです。
ElevenAgentsとRealtime APIから利用できます。
ElevenAgentsとRealtime APIから利用できます。
室谷代表取締役「v1 Miniとv1 Maxのどちらを選ぶか」。自然な会話が主目的ならMini、複数ステップの推論やツール呼び出しが必要ならMaxです。
公式ドキュメントではMiniが「価格と速度」、Maxが「品質と複雑なタスク」に最適化と整理されています。
公式ドキュメントではMiniが「価格と速度」、Maxが「品質と複雑なタスク」に最適化と整理されています。
テキトー教師DotAI 認定講師「ElevenAgentsでどう使うか」。エージェント作成時にモデルを選ぶドロップダウンでv1 Miniかv1 Maxを選ぶと、文字起こし・ターンテイキング・音声が設定済みになります。
室谷代表取締役「Realtime APIはどう使うか」。OpenAI互換なので、エンドポイントとモデル名を差し替える形です。
バックエンドでクライアントシークレットを発行し、フロントエンドからWebSocketで接続します。
バックエンドでクライアントシークレットを発行し、フロントエンドからWebSocketで接続します。
テキトー教師DotAI 認定講師「WebRTCには対応しているか」。公式ページのFAQに項目はありますが、抜粋には回答内容が示されていません。
現時点では明らかにされていません、という扱いになります。
現時点では明らかにされていません、という扱いになります。
室谷代表取締役「ElevenAgentsの機能はRealtime APIでも使えるか」。これもFAQ項目はありますが、抜粋に回答は無いんですよね。
監査ダッシュボードやログについてはRealtime API側の説明として公式ページに記載がありますが、ナレッジベースやガードレールまで含めた全機能の可用性は、この資料だけでは判断できません。
監査ダッシュボードやログについてはRealtime API側の説明として公式ページに記載がありますが、ナレッジベースやガードレールまで含めた全機能の可用性は、この資料だけでは判断できません。
テキトー教師DotAI 認定講師「料金はいくらか」。Realtime固有の金額は今回の資料では示されていません。
ElevenLabsのプラン自体はFreeからEnterpriseまで公開されていますが、Realtimeの課金体系は別途確認が必要です。
ElevenLabsのプラン自体はFreeからEnterpriseまで公開されていますが、Realtimeの課金体系は別途確認が必要です。
室谷代表取締役「日本語は使えるか」。対応言語は90以上で、公式ページの言語一覧に日本語が含まれています。
テキトー教師DotAI 認定講師「既存のOpenAI Realtime SDKのコードはそのまま動くか」。同じイベント、同じハンドラで動くと公式ドキュメントにあります。
ただし現時点で公開されているガイドはブラウザから直接接続する構成で、サーバーサイドSDKからの接続方法は未公開と明記されています。
ただし現時点で公開されているガイドはブラウザから直接接続する構成で、サーバーサイドSDKからの接続方法は未公開と明記されています。
室谷代表取締役まとめると、今回の発表は「音声エージェントの部品選びを、モデル選びに置き換える」という話なんですよね。速さと正確さのトレードオフをモデル側が引き受けて、開発者は体験設計に集中できる。
移行のしきいも低い。ただ、料金と一部の提供条件はまだ情報が出ていないので、そこは公式の続報を待ちたいところです。
移行のしきいも低い。ただ、料金と一部の提供条件はまだ情報が出ていないので、そこは公式の続報を待ちたいところです。
テキトー教師DotAI 認定講師そうですね。まずはElevenAgentsで両モデルを触って、自分のユースケースでMiniとMaxのどちらが合うかを見るのが一番早いと思います。
