Eleven Realtime de ElevenLabs: un agente de voz con un solo ajuste y las condiciones que conviene leer antes de adoptarlo

Para hacer hablar a un agente de voz, normalmente hay que elegir varios componentes: el reconocimiento del habla, la detección de los turnos de palabra, el modelo de lenguaje que formula la respuesta y la síntesis de voz. ElevenLabs presenta Eleven Realtime como una nueva categoría de modelos «de voz a voz» que elimina estas elecciones: según su registro de cambios, se selecciona un único modelo y el proveedor gestiona por detrás los ajustes del modelo de lenguaje, de la transcripción y de la síntesis de voz.

Se ofrecen dos modelos. Eleven Realtime v1 Mini, el modelo por defecto, se describe como el más económico y pensado para conversaciones naturales. Eleven Realtime v1 Max «razona antes de responder» y, según el anuncio, está orientado a la atención al cliente, la cualificación de clientes potenciales y los procesos de varios pasos. El anuncio indica que ambos modelos admiten más de 90 idiomas y pueden utilizar más de 17 000 voces de la biblioteca de ElevenLabs.

Una precisión sobre las fechas: el artículo del blog está fechado el 20 de octubre de 2026, mientras que la entrada correspondiente del registro de cambios de la documentación lleva fecha del 19 de octubre.

Según el anuncio, Artificial Analysis evaluó de forma independiente los dos modelos en tres pruebas públicas. En Big Bench Audio, que plantea 1000 preguntas de razonamiento en formato oral, Max responde correctamente al 98,8 % de las preguntas y Mini al 75,9 %. ElevenLabs también anuncia un tiempo medio hasta la primera palabra de 0,57 segundos para Max y 0,62 segundos para Mini. Cabe señalar que el registro de cambios y la documentación presentan a Mini como el modelo más rápido, mientras que estas mediciones sitúan a Max ligeramente más rápido en tomar la palabra.

Los resultados no sitúan siempre al mismo modelo en cabeza. En Full-Duplex-Bench, que evalúa las pausas, los turnos de palabra y las interrupciones, Mini obtiene un 95,8 % y Max un 94,1 %. En las tareas que recurren a herramientas, Max logra un 87,1 % y Mini un 60,3 %, lo que lleva a ElevenLabs a recomendar Max para los usos que exigen muchas herramientas. En una atención telefónica, esas herramientas pueden ser una agenda o un software de gestión del negocio.

Estas cifras las publica el proveedor, y el anuncio no precisa en qué idioma se realizaron las pruebas. Para una atención telefónica en Francia, la única prueba que cuenta sigue siendo la suya: llamadas reales en francés, con interlocutores con prisa, acentos y ruido de fondo.

Eleven Realtime todavía no está abierto a todo el mundo. El registro de cambios y la documentación indican un despliegue progresivo por espacio de trabajo: mientras el ajuste no aparezca en la interfaz de un agente, el modelo no está disponible para esa cuenta.

La documentación fija además condiciones de cumplimiento que distinguen claramente los dos modelos. Ambos están disponibles en el entorno en el que los datos se alojan en la Unión Europea. En cambio, Mini no está disponible en el modo «Zero Retention», la opción en la que el proveedor no conserva los datos de las conversaciones: solo lo está Max, en Estados Unidos y en la Unión Europea. Una empresa que exija esa ausencia de conservación, por ejemplo para llamadas de pacientes o de clientes sensibles, tendrá por tanto que elegir Max si quiere el modo Realtime, que según la documentación cuesta más por token que Mini, o quedarse en el modo clásico, en el que elige por sí misma cada componente.

La documentación enumera varias restricciones. Un agente que se apoya en su propio modelo de lenguaje, o en Amazon Bedrock, no puede pasar al modo Realtime. Un agente en modo Realtime solo puede transmitir la conversación a otros agentes que también estén en modo Realtime, Mini o Max, y solo puede recibirla de estos. Esta regla se refiere al paso de un agente de IA a otro; la página dedicada a los modelos Realtime no trata la transferencia de una llamada a una persona, que por tanto hay que comprobar por separado.

En cuanto a la continuidad del servicio, la documentación prevé que, si el modelo no responde a tiempo o devuelve un error, el agente pasa a modelos de lenguaje de respaldo. Para los desarrolladores, ElevenLabs ofrece también una interfaz compatible con la de OpenAI para la voz en tiempo real; el anuncio precisa que funciona de forma independiente de la plataforma de agentes y que canales como el teléfono, la base de conocimientos o el seguimiento corresponden a esa plataforma.

La documentación describe una facturación en dos partes: la tarifa por minuto habitual de la plataforma de agentes de ElevenLabs, a la que se suman los tokens, es decir, las unidades de texto que procesa el modelo, de entrada, de entrada en caché y de salida, con las tarifas propias del modelo Realtime elegido. Max cuesta más por token que Mini. La página remite a la tabla de precios del proveedor para conocer los importes.

Para una pyme, el coste real depende por tanto de la duración de las llamadas, de la cantidad de texto intercambiado y del modelo elegido, y no de un único precio por minuto. Antes de compararlo con otra solución, lo más sencillo es pedir una estimación sobre su volumen real de llamadas.

En Alyas, el agente de voz anuncia al comienzo de la llamada que es una IA, responde a partir de la información que usted le proporciona, puede proponer transferir la llamada al número que haya configurado y gestiona citas en Google Calendar o Cal.com una vez conectados, con alojamiento de los datos en la Unión Europea.