本文へ移動
DAMEMOTOCONTENT & SYSTEMSLET’S TALK ↗
MENU
サービスAIと働くAI制作ラボメディアSEO事例・運用体制会社紹介
← 記事一覧へ

AIニュース約11分で読めます

Eleven Realtime発表|音声エージェントの選び方と数字の読み方

  • URLをコピーしました!

音声AIのElevenLabsは2026年10月20日(米国時間)、音声を受けて音声で答えるリアルタイムのモデル「Eleven Realtime」を発表しました。

軽量の「v1 Mini」と、複雑な業務向けの「v1 Max」の2つで、Maxは第三者のArtificial Analysisの評価で、音声での推論テスト「Big Bench Audio」の正答率98.8%、話し始めるまで平均0.57秒と報告されています。

電話やWebの問い合わせ窓口、見込み客の一次対応を持つ企業にとって、「速さ」と「賢さ」を両立した音声エージェントを選びやすくなった発表です。

一方で、ベンチマークの数字は英語中心の条件で測られたものとみられ、日本語での性能は公表されていません。この記事では、2つのモデルの違いと数字の読み方、料金と提供形態を整理し、導入を検討する企業が確かめたい点につなげていきます。

この記事のポイント

  • ElevenLabsが2026年10月20日にEleven Realtimeを発表
  • v1 Maxは推論テストで98.8%、話し始めまで平均0.57秒
  • v1 Miniは間や割り込みへの対応で上回り、トークン単価も安い
  • 90以上の言語に対応、OpenAIのRealtime APIと互換
  • 日本語での性能は未公表、自社の会話で試すのが前提

本記事は、ElevenLabsの公式ブログ(2026年10月20日)・公式ドキュメント・料金ページと、Artificial Analysisの評価ページ・評価方法の説明にもとづいています。

情報は2026年10月21日12時(日本時間)時点のものです。料金は変わる可能性があるため、導入の前に公式の料金ページで確かめてください。

ElevenLabsのEleven Realtimeで発表されたこと

ElevenLabsのEleven Realtimeで発表されたこと

音声エージェントを作ろうとすると、音声認識、話し終わりの判断、AIのモデル、音声合成と、組み合わせる部品の多さに驚きますよね。Eleven Realtimeは、それを1つのモデルにまとめたものです。

1つのモデルが「完結した音声エージェント」になる

公式ブログは、Eleven Realtimeをそれぞれが完結した音声エージェントになる、新しい種類の音声→音声モデルと説明しています。

ドキュメントによると、音声認識、話す順番の制御、AIのモデル、音声合成を1つにまとめています。

どちらのモデルも90以上の言語に対応し、ElevenLabsのライブラリにある1万7,000以上の声から選べます。

ElevenLabsは、間をどれくらい待つか、割り込まれたときにどう立て直すかといった細かな判断を、専門家でなくても扱えるようにしたかったと書いています。組み立ての手間を減らすことが、今回の発表の狙いだといえます。

v1 Miniとv1 Maxの使い分け

  • v1 Mini:低コストで自然な会話向け。AIアシスタント、教師役、キャラクターなどに向き、多くの用途で十分とされる
  • v1 Max:複雑な業務向け。カスタマーサポート、見込み客の見極め(リードの選別)、手順に沿って考える多段の業務に向く

ElevenLabsは、ツールの呼び出しが多い用途にはMaxを勧めるとしています。どちらを選ぶかは、会話の自然さを重視するか、業務を最後まで進める力を重視するかで決まりそうです。

\ AI活用、何から始めればいいか迷ったら /

初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ

ベンチマークの数字をどう読むか

ベンチマークの数字をどう読むか

「98.8%」と聞くと、ほとんど間違えない音声AIのように感じますよね。どんなテストの数字なのかを知っておくと、自社の判断に使いやすくなります。

Artificial Analysisが測った4つの指標

公式ブログによると、評価は第三者のArtificial Analysisが3つの公開ベンチマークで独立に行いました。数字を表にまとめます。

Artificial Analysisが測った4つの指標(表の内容を図にしたもの)
表で詳しく見る
スクロールできます
指標何を測るかv1 Maxv1 Mini
Big Bench Audio(正答率)音声で出す1,000問の推論98.8%75.9%
話し始めるまでの時間同じ1,000問での平均0.57秒0.62秒
Full-Duplex-Bench間・順番の交代・割り込み・相づち94.1%95.8%
課題の完了率(Speech Agent Arena)課題を完了するツール呼び出しを正しく行えたか87.1%60.3%

人が2つのモデルと盲検で会話して好みを選ぶ「Speech Agent Arena」では、公式ブログはMaxを998、Miniを988としています。

推論・課題の完了・人の好みはMax、間や割り込みへの対応(Full-Duplex-Bench)はMiniがわずかに上という結果です。

「98.8%」は英語中心とみられる推論テストの数字

Artificial Analysisの説明では、Big Bench Audioは文章の推論問題を音声に直したもので、合成した声で読み上げた問題に音声で答え、判定用のモデルが正誤を採点します。

評価に使う言語は明記されていませんが、英語中心とみられます。日本語の電話でも同じ正答率になるとは限らない点に注意が必要です。

また、Artificial Analysisの一覧を見ると、会話の自然さや業務の完了率では他社のモデルが上回る項目もあります。

どの指標を重く見るかで「いちばん良いモデル」は変わります。

一部の報道には遅延を0.47秒とするものもありましたが、公式ブログとArtificial Analysisはいずれも0.57秒です。

\ AI活用、何から始めればいいか迷ったら /

初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ

料金と提供形態を整理する

料金と提供形態を整理する

使い方は2通りあり、どちらを選ぶかで使える機能が変わります。費用の考え方とあわせて見ていきましょう。

ElevenAgentsで使うか、Realtime APIで使うか

ElevenLabsが勧めるのは、エージェントを作る基盤「ElevenAgents」でモデルを選ぶ使い方です。

電話、Web、WhatsApp、コンタクトセンターのシステムとの接続、業務の流れ、ナレッジベース、ガードレール、テスト、監視といった本番運用の機能がそろっています。

もう1つは「Realtime API」です。

OpenAIのRealtime APIと互換性があり、すでにOpenAIの仕組みで作っているなら、接続先とモデル名を変えるだけで試せます。

ただしAPIはWebSocketだけで接続し、ElevenAgentsとは別に動くため、電話の窓口やナレッジベースが必要なら最初からElevenAgentsで作るよう公式は案内しています。

Realtime APIの料金の考え方

料金ページによると、Realtime APIは接続している音声1分あたり0.08ドルに、使ったトークンの料金が加わる形です。100万トークンあたりの料金は次のとおりです。

Realtime APIの料金の考え方(表の内容を図にしたもの)
表で詳しく見る
スクロールできます
モデル入力(100万トークン)出力(100万トークン)
v1 Mini0.20ドル6.00ドル
v1 Max1.80ドル9.00ドル

同時に接続できる数はプランによって決まり、上限を超えた分の接続音声は1分0.16ドルになります(トークンの料金は別)。1件の電話で使うトークンの量は会話の長さや内容で変わるため、実際の費用は試してみて測るのが確実です。

\ AI活用、何から始めればいいか迷ったら /

初回相談無料|「何を相談すればいいか分からない」段階でもお気軽にどうぞ

このニュースで誰の何が変わるのか

このニュースで誰の何が変わるのか

音声エージェントが「速くて賢い」に近づくと、電話の窓口や見込み客への最初の対応の形が変わっていきます。影響の大きい3つの立場で見ていきましょう。

問い合わせ窓口を持つBtoB企業の経営層:待たせない一次対応が現実的になる

電話がつながらない、折り返しが遅いといった理由で、見込み客を逃していないか気になっている会社もあるのではないでしょうか。

Maxは話し始めまで平均0.57秒で、ツールを使う業務の完了率も87.1%と報告されました。

予約や在庫の確認のように、社内のシステムを調べて答える一次対応を任せやすくなってきたといえます。

明日からやることは、問い合わせの電話を内容ごとに分け、「システムを調べれば答えられるもの」がどれくらいあるかを数えることです。

数か月から1年のうちに、営業時間外や混み合う時間の一次対応を音声エージェントが受け、人は判断が必要な相談に集中する分担が広がる可能性があります。

BtoBマーケティング・インサイドセールス担当者:見込み客の見極めを音声で試せる

資料請求のあとの電話でのヒアリングに、人手が追いつかないという悩みはよく聞きますよね。ElevenLabsはMaxの用途に見込み客の見極め(リードの選別)を挙げています。

決まった質問で予算や時期を聞き取り、条件に合う相手を営業に渡す流れは、音声エージェントに向いた仕事です。

やることは、いまのヒアリングの質問項目を5〜7個に整理し、どの答えなら営業に渡すかの基準を書き出すことです。この準備があれば、どのツールで試すときにも使えます。

今後は、資料請求から最初の会話までの時間が、問い合わせの成果を左右する要素としてより重く見られていくと考えられます。

Web担当役員・マーケティング部長:ベンチマークを自社の基準に置き換える

ベンダーの資料に並ぶ高い数字を、どう比べればよいか迷うことはありませんか。今回の結果は、推論が強いモデルと、会話が自然なモデルが同じではないことをはっきり示しました。

やることは、自社にとって大事な指標を「答えの正しさ」「応答の速さ」「会話の自然さ」「業務の完了」から2つ選び、日本語の実際の会話で測る試験の計画を立てることです。

音声で答える前提のコンテンツづくりは、AEO対策完全ガイド|6ステップ実装と音声検索・FAQ変更点【2026年版】も参考になります。

AIツールのデータの扱いを確かめる観点は、DeepSeek排除命令を米政府が公示|AIツール選定で確かめたい3点でもまとめています。

DAMEMOTO代表鈴木

英語のテストの数字と、日本語の電話の手応えは別物と考えたいところです

導入を検討する前に確かめたい3つの点

導入を検討する前に確かめたい3つの点

発表の内容と分からなかった点を踏まえて、試す前に確かめたいことを3つにまとめました。ここからは編集部の提案です。

1. 日本語の会話での速さと正しさ

90以上の言語に対応し、Realtimeの対応言語として参照されるEleven v4の言語一覧には日本語も含まれます。ただ、日本語での正答率や応答の速さは公表されていません。

敬語の使い分けや、社名・製品名の読み方も含めて、自社の想定問答で試すことが出発点です。

2. 使いたい窓口がどちらの使い方で使えるか

電話やWhatsApp、通話の監視、ガードレールは、ElevenAgentsの機能です。Realtime APIには電話などの窓口の機能は含まれず、自前で組む必要があるため、目的に合わせて最初に使い方を決めておくと、作り直しを避けられます。

3. 費用とデータの扱い

Realtime APIの費用は、分単位の料金とトークンの料金の合計です。1件あたりの費用を試験の段階で測っておくと、本番の予算を組みやすくなります。

あわせて、通話の録音や会話の記録をどこに、どれだけの期間保存するかを、公式のドキュメントと契約で確かめておきましょう。

よくある質問

よくある質問
Eleven Realtimeはいつ発表されましたか?

ElevenLabsが2026年10月20日(米国時間)に公式ブログで発表しました。ElevenAgentsとRealtime APIで使えます。

Eleven Realtimeのv1 Miniとv1 Maxはどう違いますか?

Miniは低コストで自然な会話向け、Maxはカスタマーサポートやリードの選別など複雑な業務向けです。ツールの呼び出しが多い用途にはMaxが勧められています。

Eleven Realtimeの98.8%とは何の数字ですか?

Artificial Analysisが評価した、音声で出す1,000問の推論テスト「Big Bench Audio」でのv1 Maxの正答率です。評価に使う言語は明記されておらず、英語中心とみられます。

Eleven Realtimeは日本語で使えますか?

90以上の言語に対応し、ドキュメントの言語一覧に日本語があります。ただし日本語での性能の数字は、2026年10月21日時点で公表されていません。

Eleven Realtimeの料金はいくらですか?

Realtime APIは接続している音声1分0.08ドルに、トークンの料金が加わります。100万トークンあたり、Miniは入力0.20ドル・出力6.00ドル、Maxは入力1.80ドル・出力9.00ドルです。

OpenAIのRealtime APIからEleven Realtimeへ乗り換えられますか?

ElevenLabsのRealtime APIはOpenAIのRealtime APIと互換性があり、接続先とモデル名を変えればOpenAIのSDKがそのまま使えると説明されています。接続はWebSocketだけです。

Eleven Realtimeは電話の窓口に使えますか?

ElevenAgentsで使えば、電話、Web、WhatsApp、コンタクトセンターのシステムとつなげられます。Realtime APIにはこれらの窓口の機能は含まれず、使うなら自前で組む必要があります。

まとめ

まとめ

ElevenLabsは2026年10月20日、音声を受けて音声で答えるEleven Realtimeを発表しました。

v1 MaxはArtificial Analysisの評価でBig Bench Audio 98.8%、話し始めまで平均0.57秒、v1 Miniは間や割り込みへの対応でわずかに上回ります。

90以上の言語に対応しますが、日本語での性能は公表されていません。

  • 推論と課題の完了ならMax、間や割り込みへの対応とトークン単価ならMini
  • 電話の窓口を作るならElevenAgents、既存の仕組みの乗り換えならRealtime API
  • 日本語の想定問答で、速さ・正しさ・1件あたりの費用を測る

音声エージェントの競争は、「速いけれど浅い」か「賢いけれど遅い」かを選ぶ時代を抜けつつあるように見えます。だからこそ、自社の日本語の会話で確かめる一手間が、選ぶときのいちばん確かな物差しになるのだと思います。

次に読みたい記事

参考・出典

この記事をシェアする
  • URLをコピーしました!

この記事を書いた人

鈴木 邦仁のアバター 鈴木 邦仁 DAMEMOTO合同会社CEO

DAMEMOTO合同会社 代表。オウンドメディアの企画・制作から運用改善までを支援しています。記事・コンテンツ制作5,000本以上。Google AI Essentials、Google Prompting Essentials 修了。当サイトの記事は、下調べや下書きにAI(Claude・Codex)を使い、公開前に私が本文・数字・出典を確認してから公開しています。作り方の詳細は「編集方針」に、誤りのご指摘はお問い合わせからお願いします。

LET’S TALK

知見を、事業の実装へ。

制作・AI活用について相談する ↗

EXPLORE THE JOURNAL

次の知見を、探す。

すべての記事を読む ↗

VIDEO SHOWCASE / 音声・字幕あり

動画サンプル