Eleven Realtime: Mini, Max i agenci głosowi

.krea3-test{min-width:0}.krea3-test img{max-width:100%;height:auto}.krea3-test pre{white-space:pre-wrap;overflow-wrap:anywhere;word-break:break-word}.krea3-test table{width:100%;table-layout:fixed}.krea3-test td,.krea3-test th{overflow-wrap:anywhere}.krea3-test code{overflow-wrap:anywhere;word-break:break-word}.krea3-test audio{width:100%;max-width:100%}

Eleven Realtime to rodzina modeli do rozmowy głosowej: Mini do prostszych dialogów i Max do bardziej złożonych zadań. Poniżej możliwości, sposób dostępu i ograniczenia według dokumentacji odczytanej 23 października 2026. Do tego mój test z 23 października: 7 scenariuszy w 15 sesjach przez Realtime API, z pomiarem opóźnienia, przerwaniem, narzędziem i nagraniami.

Co to jest Eleven Realtime?

Zwykły lektor zamienia gotowy tekst na mowę. Agent głosowy musi dodatkowo rozumieć wypowiedź, reagować na przerwanie, utrzymywać kontekst i czasem korzystać z narzędzi. Eleven Realtime ma uprościć budowanie takiego systemu przez połączenie kilku elementów w jeden wybierany model. Producent przedstawia tę rodzinę jako Speech to Speech.

W ElevenAgents można pracować w trybie Custom albo Realtime. W pierwszym dobiera się między innymi model językowy, syntezę mowy i ustawienia rozpoznawania. W drugim wybiera się wariant Realtime, a platforma zarządza odpowiednią częścią konfiguracji. Nie oznacza to, że znika potrzeba opisania roli agenta, jego wiedzy czy uprawnień.

Prompt systemowy, głos, narzędzia i baza wiedzy nadal mają znaczenie. Model nie dowie się sam, jakie zasady obowiązują w firmie ani z jakiego źródła ma odczytać termin wizyty. Wygodniejsza konfiguracja infrastruktury jest inną korzyścią niż poprawność każdej rozmowy. Te dwie rzeczy trzeba oceniać oddzielnie.

To także inny produkt niż zwykły generator nagrania lektorskiego. Jeśli potrzebujesz jednego gotowego pliku audio do filmu, zacznij od przewodnika po ElevenLabs. Realtime ma sens przede wszystkim wtedy, gdy człowiek rozmawia z agentem i może zmieniać kierunek rozmowy w trakcie odpowiedzi.

Mini czy Max: gdzie przebiega różnica?

Dokumentacja wskazuje Eleven Realtime v1 Mini jako domyślny wybór do naturalnej rozmowy o niższym koszcie. Max jest przeznaczony do trudniejszych instrukcji i wieloetapowego używania narzędzi. Nie wynika z tego, że każda prosta odpowiedź wymaga Max ani że Mini będzie wystarczający dla każdego procesu obsługi klienta.

Dobór zacznij od zadania. Rozmowa ćwicząca język potrzebuje płynnego dialogu i przestrzeni na poprawkę użytkownika. Obsługa zmiany zamówienia wymaga dodatkowo sprawdzenia stanu, uprawnień oraz skutku operacji. Ten drugi przypadek stawia inne wymagania niż sympatyczna wypowiedź, nawet jeśli obie rozmowy brzmią naturalnie.

Producent opisuje przewagę Max w zadaniach wymagających rozumowania. W moim krótkim teście głos na głos oba warianty miały podobne opóźnienie (mediana 1122 ms Mini i 1100 ms Max, po 4 sesje), Max częściej rozbudowywał odpowiedź, a w jedynej próbie z narzędziem pomylił argument. Szczegóły i nagrania są w sekcji z testem. To 15 sesji, nie benchmark skuteczności.

W praktyce warto przygotować identyczne scenariusze dla obu modeli. Zachowaj te same instrukcje, bazę wiedzy i narzędzia. Jeżeli zmienisz jednocześnie model, głos oraz proces rozmowy, nie będzie wiadomo, skąd pochodzi poprawa. Zaczynaj od możliwie małej liczby zmiennych.

Jak uruchomić agenta w ElevenAgents?

Według dokumentacji otwierasz agenta, przechodzisz do karty Agent i ustawiasz Voice mode na Realtime. Domyślnie wybierany jest Mini; Max można wskazać na liście modeli. Zmianę trzeba opublikować w platformie. Tej ścieżki w panelu nie klikałem - mój test szedł przez Realtime API opisane niżej.

Jeżeli pole Voice mode nie jest widoczne, funkcja może jeszcze nie być dostępna dla danego workspace. Dokumentacja opisuje stopniowe wdrażanie i błąd API informujący o braku dostępności. Nie należy interpretować go automatycznie jako problemu z saldem albo błędnego promptu.

• Najpierw sprawdź dostępność modelu dla swojego workspace.
• Przygotuj krótką instrukcję roli i zakres odpowiedzi.
• Dodaj wyłącznie potrzebne narzędzia oraz źródła wiedzy.
• Uruchom rozmowę testową z ograniczonym scenariuszem.
• Sprawdź zapis przebiegu, rezultat oraz zużycie.

Powrót do Custom przywraca używanie zapisanych ustawień składowych. W Realtime część tych wartości jest ignorowana, ponieważ zarządza nimi wybrany model. Nie warto zmieniać ukrytej konfiguracji w przekonaniu, że każda poprawka będzie wpływać na bieżącą rozmowę.

Osobną ścieżką jest Realtime API. Komunikat premierowy opisuje połączenie WebSocket i zgodność z określonym formatem zdarzeń innych integracji realtime. Nie należy z tego wyprowadzać pełnej zgodności wszystkich aplikacji. W szczególności przepływ oparty na WebRTC wymaga innego podejścia do transportu, a funkcje platformy ElevenAgents nie stają się automatycznie częścią osobnego API.

Mój test 23.10: 7 scenariuszy przez Realtime API

23 października 2026 wieczorem połączyłem się z Realtime API z komputera w Polsce: krótkotrwały klucz z endpointu client_secrets, potem WebSocket wss://api.elevenlabs.io/v1/convai/realtime i zdarzenia w formacie zgodnym z OpenAI Realtime. Dźwięk PCM 16 bit, 24 kHz, język ustawiony na pl, domyślne wykrywanie końca wypowiedzi (semantic VAD). Panelu ElevenAgents nie używałem.

Pytania „głosem” to nagrania przygotowane wcześniej syntezą ElevenLabs (głos Sarah, model multilingual v2). Wysyłałem je w tempie czasu rzeczywistego, kawałkami po 40 ms, jak z otwartego mikrofonu. Czas liczę od końca mowy użytkownika do pierwszego fragmentu audio odpowiedzi, więc zawiera wykrycie końca wypowiedzi i sieć. Przy pytaniach tekstowych liczę od wysłania polecenia. Każde nagranie przepuściłem dodatkowo przez Scribe, żeby sprawdzić, co faktycznie padło w audio, a nie tylko w transkrypcji zwróconej przez API.

1-2. Mini i Max na tym samym poleceniu

Polecenie: „Podaj w dwóch zdaniach przepis na szybką jajecznicę.” Oba warianty odpowiedziały poprawną polszczyzną i zmieściły się w dwóch zdaniach. Max dopisał w transkrypcji znacznik [friendly]. Scribe nie znalazł go w nagraniu, więc to wskazówka ekspresji, a nie wypowiedziane słowo. Przy jednej próbie różnica 1850 ms kontra 769 ms nie przesądza o szybkości, bo czasy Mini w kolejnych testach tekstowych wahały się od 870 do 1850 ms.

3-4. Rozmowa głosowa: opóźnienie po polsku

Pytanie głosem: „Hej, jaka jest stolica Australii i ile mniej więcej ma mieszkańców?” Rozpoznanie mowy było bezbłędne we wszystkich 8 sesjach. Koniec wypowiedzi system zgłaszał po 253-340 ms ciszy, a pierwszy dźwięk odpowiedzi przychodził w medianie po 1122 ms (Mini) i 1100 ms (Max). Cennik ElevenLabs podaje 620 ms do pierwszego audio dla Mini i 570 ms dla Max. Mój pomiar obejmuje wykrycie końca mowy i łącze z Polski, więc nie jest sprzeczny z tymi liczbami, ale pokazuje, ile realnie czeka rozmówca.

Canberrę podały wszystkie odpowiedzi. Gorzej z liczbą mieszkańców: Mini 4 razy mówił o około 400 tysiącach, Max raz o 360 tysiącach, dwa razy o 400 tysiącach, a raz zaczął od 300 tysięcy i w tym samym zdaniu poprawił się na niemal 460 tysięcy. Max bywał też gadatliwszy: dwie z czterech jego odpowiedzi kończyły się pytaniem, czy podać więcej.

5. Przerwanie w trakcie odpowiedzi

Poprosiłem o przepis na chleb na zakwasie krok po kroku, a po 3 sekundach odtwarzania wszedłem w słowo: „Stop, wystarczy. Powiedz tylko, ile to jest siedem razy osiem.” Serwer wykrył początek mojej mowy po 438 ms, pierwszą odpowiedź oznaczył jako anulowaną po 968 ms od wejścia w słowo, a nową, poprawną („Siedem razy osiem to pięćdziesiąt sześć.”) zaczął 889 ms po końcu mojego zdania. Ważna uwaga dla integracji: zanim przyszło anulowanie, serwer zdążył przysłać 17,6 s audio pierwszej odpowiedzi. Ucinanie odtwarzania po stronie aplikacji jest więc konieczne, samo anulowanie po stronie serwera nie wystarczy.

6. Narzędzie: status zamówienia

Max dostał funkcję sprawdz_zamowienie i instrukcję, żeby niczego nie zgadywał. Klient zapytał o zamówienie „cztery cztery siedem jeden”. Transkrypcja wejścia była poprawna, model powiedział „Sprawdzę to dla Pana”, ale wywołał funkcję z numerem 441. Moje testowe narzędzie zawsze zwracało dane zamówienia 4471, więc model odczytał w odpowiedzi poprawny numer i termin z narzędzia. W prawdziwym sklepie takie wywołanie trafiłoby w cudze albo nieistniejące zamówienie. Wniosek: argumenty narzędzi trzeba walidować i powtarzać rozmówcy przed odczytem danych.

7. Trzy głosy: liczby i trudne słowa

Polecenie: przeczytać dokładnie „W środę dwudziestego trzeciego października o 9:30 wydałem 149,99 zł na chrząszcza w trzcinie.” Wszystkie trzy głosy przeczytały kwotę jako „sto czterdzieści dziewięć złotych dziewięćdziesiąt dziewięć groszy”, a Scribe rozpoznał „chrząszcza w trzcinie” bez błędu. Godzinę Sarah przeczytała jako „o dziewiątej trzy zero”, George i Brian jako „o dziewięć trzydzieści”. Poprawnie byłoby „o dziewiątej trzydzieści”, więc godziny w promptach lepiej zapisywać słownie. Akcent oceń sam - to głosy z biblioteki, nie głosy przygotowane pod polski.

Koszt tego testu opisuję niżej w sekcji o cenach. Surowe zdarzenia API, czasy i transkrypcje mam zapisane dla każdej z 15 sesji testowych.

Kolejne scenariusze do własnego sprawdzenia

Poniższe polecenia są propozycjami testów. Nie są transkrypcjami rozmów przeprowadzonych z modelem i nie zawierają wymyślonych wyników. Każdy scenariusz powinien mieć warunek zaliczenia oraz przykład sytuacji, w której agent ma odmówić zgadywania.

Rozmowa edukacyjna

Jesteś cierpliwym partnerem do ćwiczenia języka.
Zadawaj jedno krótkie pytanie naraz.
Gdy rozmówca poprawi swoją odpowiedź,
uwzględnij poprawkę i nie zaczynaj od początku.
Nie przerywaj końcówki zdania.

Sprawdź, czy agent zostawia czas na odpowiedź i prawidłowo uwzględnia zmianę wypowiedzi. Sam przyjemny głos nie wystarczy. Zapis rozmowy powinien pokazywać, że system rozróżnił pierwszą wersję od poprawki. Warto też sprawdzić dłuższą pauzę, która nie oznacza jeszcze końca wypowiedzi.

Informacja o zamówieniu

Odpowiadaj na podstawie wyniku narzędzia.
Jeśli brak identyfikatora zamówienia, poproś o niego.
Nie zgaduj daty dostawy.
Gdy narzędzie zwróci błąd, powiedz o tym wprost.
Nie zmieniaj zamówienia podczas odczytu statusu.

Tu kryterium dotyczy zgodności z danymi. Agent nie powinien dopowiadać terminu, którego narzędzie nie zwróciło. Należy osobno sprawdzić odczyt informacji i operację zmieniającą stan. Możliwość rozmowy nie jest jeszcze upoważnieniem do anulowania zamówienia lub zapisania nowego adresu.

Rezerwacja z potwierdzeniem

Najpierw odczytaj dostępne terminy.
Podaj rozmówcy wybrany termin i usługę.
Zapisz rezerwację dopiero po potwierdzeniu.
Przy niejasnym wyniku sprawdź stan rezerwacji.
Nie twórz drugiego wpisu automatycznie.

Najważniejszy jest skutek działania, nie brzmienie odpowiedzi. Jeśli połączenie zerwie się po wysłaniu zapisu, agent powinien potrafić sprawdzić rezultat przed ponowieniem. Test musi więc obejmować również niejednoznaczny błąd, a nie tylko idealną rozmowę od początku do końca.

Koszty: minuta rozmowy i tokeny

Dokumentacja podaje, że agent Realtime jest rozliczany standardową stawką minutową ElevenAgents oraz opłatami za tokeny wejścia, pamięci podręcznej i wyjścia według wybranego modelu. Max kosztuje więcej za token niż Mini.

Stawki z cennika API ElevenLabs odczytanego 23.10.2026. Plany abonamentowe mają pulę minut wliczonych w cenę, więc koszt na koncie może wyglądać inaczej.

Do budżetu potrzebne są długość rozmowy, faktyczne zużycie tokenów i aktywny plan. Dodatkowe usługi telefoniczne lub narzędzia mogą mieć własne rozliczenie. Krótsza odpowiedź modelu nie musi oznaczać krótszej całej rozmowy, jeżeli użytkownik musi powtarzać informacje albo poprawiać błędny wynik.

Kurs pomocniczy z 23 października wynosi 3,9247 zł za USD według NBP. Potwierdzony rachunek w dolarach można pomnożyć przez tę wartość, ale przeliczenie waluty nie zastępuje brakującej taryfy. Ostateczny koszt zależy również od podatków i sposobu płatności. Mój test to 15 sesji testowych i 2 krótkie próby połączenia. Sesje testowe trwały łącznie 3,81 min, co w stawce 0,08 USD/min daje 0,30 USD. API nie zwróciło liczby tokenów (pole usage było puste), więc tej części nie podaję. Dokumentacja nie mówi, czy minuty są zaokrąglane w górę dla każdej sesji; gdyby tak było, 17 połączeń kosztowałoby 1,36 USD za same minuty. Konto rozlicza się kredytami z planu, więc nie widzę osobnej faktury za ten test.

Porównując Mini i Max, licz koszt poprawnie zakończonej sprawy. Tani model, który wymaga kilku powtórzeń, może dać gorszy rachunek niż droższy wariant rozwiązujący zadanie za pierwszym razem. To zasada projektowania pomiaru, nie wynik przeprowadzonego tutaj porównania cenowego.

Przy pilotażu rozdziel rozmowy zakończone poprawnie, przerwane przez człowieka i przerwane przez błąd techniczny. W każdej kategorii zapisz czas oraz powód zakończenia. Dzięki temu koszt nie zostanie sztucznie obniżony przez doliczenie nieudanych połączeń do liczby obsłużonych spraw. Nie trzeba od razu budować dużego panelu: wystarczy spójny zapis scenariusza, wyniku i rozliczenia.

Szczególnie uważnie sprawdzaj ciszę, poprawianie numerów i nazwy własne. Użytkownik może zmienić datę w połowie wypowiedzi lub powiedzieć podobnie brzmiące nazwisko. Agent powinien potwierdzić informację istotną dla zapisu, ale nie zamieniać całej rozmowy w ciąg zbędnych pytań. To kompromis, który trzeba dostroić do procesu. W nauce języka naturalna rozmowa jest celem, natomiast przy rezerwacji ważniejszy bywa jednoznaczny zapis terminu.

Ograniczenia, które warto sprawdzić przed wdrożeniem

Realtime nie jest przeznaczony do agentów wyłącznie tekstowych. Dokumentacja opisuje również ograniczenia łączenia z niestandardowym LLM, nadpisywaniem zarządzanych ustawień w workflow oraz przekazywaniem rozmów między agentami. Przejście między Custom a Realtime nie jest dowolnie wymienne podczas jednego procesu.

Max wymaga limitu co najmniej 1024 tokenów albo braku takiego limitu. Dostępność zależy też od środowiska przetwarzania i wymogów konta. W dokumentacji Mini nie obsługuje Zero Retention Mode i HIPAA, a Max ma odmienne ograniczenia regionalne. Nie należy przedstawiać ogólnej cechy platformy jako cechy każdego wariantu modelu.

Przed uruchomieniem rozmów z prawdziwymi klientami sprawdź przepływ danych i uprawnienia narzędzi. Nagranie głosu, transkrypcja, historia sprawy i wynik wywołania narzędzia mogą wymagać różnych zasad przechowywania. Zakres powinien wynikać z procesu, a nie z tego, ile informacji platforma potrafi technicznie zebrać.

Warto zacząć od pilota, w którym agent informuje i odczytuje dane. Dopiero później rozszerzać go o operacje zmieniające stan, gdy są zdefiniowane potwierdzenia, obsługa błędów i możliwość kontroli. Więcej kontekstu o projektowaniu takich zadań daje przewodnik po agentach AI.

FAQ

Czy Eleven Realtime to nowy lektor?

To rodzina do rozmowy głosowej, obejmująca więcej niż odczyt gotowego tekstu. Klasyczny TTS i agent realtime rozwiązują różne zadania. Do nagrania scenariusza nie zawsze potrzebny jest cały system konwersacyjny.

Czy sprawdziłem działanie po polsku?

Tak, 23 października: 15 sesji przez Realtime API z językiem pl. Rozpoznanie mowy było bezbłędne w moich próbach, kwotę 149,99 zł wszystkie głosy przeczytały poprawnie, a godzinę 9:30 żaden w pełni poprawnie. Szczegóły i nagrania są w sekcji z testem.

Jak szybko odpowiada po polsku?

W moim teście z Polski pierwszy dźwięk przychodził w medianie po 1122 ms (Mini) i 1100 ms (Max) od końca wypowiedzi, licząc razem z wykrywaniem końca mowy. Pojedyncze sesje mieściły się w przedziale 687-1330 ms.

Czy od razu wybierać Max?

Dobór zależy od zadania i wymagań konta. Mini jest punktem startu wskazanym przez producenta dla prostszych rozmów, a Max dla złożonych instrukcji i narzędzi. Ostateczna decyzja wymaga testu tego samego procesu na obu wariantach.