数字人开口说话的速度，又快了一截。10月20日，ElevenLabs发布Eleven Realtime语音平台，一并推出v1 Max与v1 Mini两款语音对语音模型：官方数据显示，Max在Big Bench Audio基准上达到98.8%的成绩，语音响应时间仅0.57秒，架构层面支持90多种语言的自然轮替对话，并可调用平台超过1.7万个声音的声音库。产品通过ElevenAgents平台与兼容OpenAI规范的Realtime API提供。这家以语音合成起家的公司，正在把自己做成智能体时代的耳朵和嘴巴。
为什么0.57秒这个数字值得单独一节，因为对话的体感阈值就卡在这个区间。人类面对面交谈时，一轮话音落下到对方接话的自然停顿大致在零点几秒，超过一秒的等待就会让人明显觉得对方迟钝，超过两秒则像掉线。此前的语音智能体普遍采用级联管线：先转写、再大模型生成、最后合成语音，三段各自耗时，叠加起来用户开口之后常常要等一到两秒才听到回应，问答尚可容忍，一旦涉及打断、追问这种自然对话形态，体验就迅速崩塌。Eleven Realtime把端到端响应压进0.57秒，意味着机器的接话速度进入了人类对话的自然区间，从及格线角度看，这是可用与好用的分界。基准成绩同样能说明问题，Big Bench Audio上98.8%的得分衡量的是语音理解与回应的综合准确度，快而不错的组合才是实时语音的完整答卷。对客服、导览、陪伴这类高频语音场景，这零点几秒的差距，直接决定产品是被夸反应快还是被骂反应慢。
这次发布的技术关键词是语音对语音。与传统级联路线不同，模型直接从语音输入生成语音输出，不经过文字中转。这样做的价值有两层：其一是延迟，省去了转写与文本生成的串行等待；其二是信息保真，语气、停顿、迟疑、笑意这些藏在声音里的信息，在转写成文字时会大量丢失，级联管线生成的回应往往听得懂但不像对话，而语音对语音的模型能接住情绪与节奏，回应的话气与前文衔接更自然。产品分层也随场景展开：v1 Mini面向成本敏感的大规模部署，把单价压到可批量铺开的水平；v1 Max则处理上下文密集、情感细腻的高价值对话，比如销售、深度咨询与互动叙事。接入层面，ElevenLabs同时开放了ElevenAgents智能体平台与兼容OpenAI规范的Realtime API，后者意味着已经按OpenAI接口开发语音功能的企业，几乎可以无缝把底层模型换成Eleven Realtime，迁移成本的降低往往比参数领先更能撬动市场。
实时语音要成为生意，光快还不够，覆盖面与个性化是另外两根支柱。语言方面，90多种语言的自然轮替支持，覆盖了全球主要商业市场，轮替本身是个技术活：什么时候该接话、什么时候该沉默等待、被用户打断时如何自然让位，这些对话礼仪直接决定语音智能体像不像人。声音方面，平台积累的1.7万多个声音库向实时模型开放，企业可以为品牌定制专属音色，也可以在库存里挑选适配角色，从客服小姐到游戏NPC，声音资产的复用让边际成本持续下降。轮替能力的打磨也是工程量不小的活，模型需要区分提问后的等待、思考中的停顿与真正的沉默，三种安静对应三种回应策略，处理错了任何一种都会让对话显得机械，这正是实时语音模型与普通合成模型拉开差距的地方。这与公司此前的产品脉络一脉相承：从语音合成起家，到音乐生成与即时配乐，再到今天的实时对话语音，ElevenLabs始终在声音这条主线上做纵深。对照开源阵营，Fish Audio等团队的开放权重模型在社区里同样活跃，双方构成了闭源托管与开源自部署的并行路线，选择哪家，取决于企业对数据私有与成本结构的权衡。
把这次发布放回数字人产业链里看，位置感会更清楚。一个完整的数字人产品拆开是三层：形象层负责渲染与驱动，语音层负责听与说，大脑层负责理解与决策。过去两年的行业突破集中在形象与大脑两端，语音层反而成了体验瓶颈，画面再逼真的数字人，接话慢半秒就会露馅。实时交互数字人被普遍视为2026年行业走向规模化的分水岭，而分水岭的先决条件正是语音层的毫秒级响应，Eleven Realtime瞄准的就是这个位置。商业模式的想象空间也随之清晰：语音智能体按调用量计费，客服、直播带货、互动叙事、语言陪练、游戏NPC都是现成的付费场景，API模式意味着ElevenLabs不需要自己做数字人产品，只需要把对话层做到最好，就能向所有数字人厂商收水费。行业层面的判断也随数据而来，当实时语音的质量与成本曲线同时越过临界点，数字人客服与陪伴类产品今年能否真正放量，答案正在从技术问题变成运营问题。0.57秒，就是这场放量竞赛发令枪响的时刻。