ElevenLabs mise sur des agents vocaux plus rapides et plus précis

ElevenLabs a présenté le 20 octobre deux modèles vocaux temps réel, Eleven Realtime v1 Mini et Eleven Realtime v1 Max, pensés pour faire dialoguer des agents vocaux de bout en bout sans empiler plusieurs briques d’IA. La start-up d’origine polonaise promet une latence faible, une meilleure gestion des interruptions et une prise en charge de 90 langues, avec accès immédiat via sa plateforme et une API compatible avec OpenAI. Dans un marché où chaque demi-seconde compte, le message est clair : la voix devient enfin assez rapide pour sortir du prototype.

Deux modèles, deux usages, une même promesse de fluidité

Eleven Realtime v1 Mini vise les conversations simples où la vitesse prime, tandis que Eleven Realtime v1 Max cible les tâches plus exigeantes, comme le service client ou les workflows agentiques avec outils. Les deux modèles ont été entraînés comme de vrais agents vocaux natifs, ce qui évite le détour classique speech-to-text puis LLM puis text-to-speech. En pratique, ElevenLabs veut remplacer une chaîne de composants par un seul modèle speech-to-speech, plus direct et plus simple à déployer.

La bibliothèque d’ElevenLabs reste mobilisable, avec 17 000 voix annoncées. Mini sait repérer quand l’utilisateur a terminé sa phrase, y compris sur des hésitations du type “mm-hmm”, ce qui aide à garder une conversation naturelle. Max, lui, met l’accent sur le raisonnement et la précision quand la demande devient moins triviale.

Des scores élevés, mais pas sur tous les critères

Les mesures partagées par ElevenLabs et l’évaluation indépendante d’Artificial Analysis placent Max au sommet du classement sur plusieurs critères. Le modèle atteint 98,8 % sur Big Bench Audio, contre 75,9 % pour Mini, et 87,1 % sur les tâches avec appels d’outils, contre 60,3 % pour Mini. En revanche, Mini fait légèrement mieux sur la dynamique conversationnelle, avec 95,8 % contre 94,1 % pour Max. La finesse du dialogue n’obéit donc pas toujours au modèle le plus massif.

Côté latence, Max répond en 470 millisecondes et Mini en 500 millisecondes, selon les chiffres publiés. À titre de comparaison, Grok Voice 3.0 est donné à 810 millisecondes et GPT-Realtime-2 High à 1,14 seconde. Dans le tableau d’Artificial Analysis, Max combine ainsi une précision élevée et une rapidité qui le placent dans le coin recherché par les entreprises : rapide, mais pas pressé au point de dire n’importe quoi.

Une API compatible OpenAI pour faciliter les migrations

Le lancement s’accompagne d’une Realtime API disponible en WebSocket, avec un support annoncé pour ElevenAgents, le web, WhatsApp et les plateformes de centre de contact. WebRTC n’est pas pris en charge au lancement. ElevenLabs insiste surtout sur la compatibilité avec la Realtime API d’OpenAI : pour migrer un workflow vocal, il suffirait de changer l’endpoint et le nom du modèle, sans réécrire tout le SDK.

Le prix est facturé à la minute, avec un coût d’audio connecté plus des tokens via l’API Realtime. En revanche, le tarif exact des tokens n’était pas encore communiqué au moment de la publication [à vérifier]. L’entreprise réserve aussi une tarification différenciée entre Mini et Max, Max étant plus cher que Mini selon la page de prix mentionnée par la source.

Pourquoi ElevenLabs pousse maintenant ses pions

Cette sortie tombe au moment où ElevenLabs renforce sa présence chez de grands clients européens comme Deutsche Telekom, Revolut et Klarna. Selon les éléments fournis, les grandes organisations représentent désormais 55 % de son chiffre d’affaires, contre 40 % douze mois plus tôt. Le virage n’a rien d’anecdotique : il montre que la voix IA passe du gadget de démonstration au canal de production, là où se jouent le support client, la qualification commerciale ou l’assistance technique.

Dans ce contexte, ElevenLabs ne vend pas seulement un modèle plus rapide. L’entreprise vend une promesse de simplification, avec moins d’intégration et davantage de cas d’usage déployables à grande échelle. Les DSI apprécieront sans doute l’argument ; les développeurs, eux, regarderont d’abord la latence. Et le budget, comme toujours, aura le dernier mot.