ElevenLabsが「Eleven Realtime」を発表：音声対話AIを部品の組み合わせなしで開発可能に

何が発表されたのか

ElevenLabsは2026年10月20日公開のブログ記事で Eleven Realtime を発表し、新しい種類の Speech to Speech（音声から音声へ）モデルと位置づけています。音声を入力すると、出力も音声になります。

ElevenLabsによると、自然に聞こえる音声エージェントを作るには、音声認識、音声活動検出（相手が話しているかの判定）、発話交代、基盤となる大規模言語モデル、音声合成といった複数の部品を個別に選ぶ必要があり、うまく連携させるにはさらにテストと調整が必要です。Eleven Realtime はこの作業を省くことが目的だと同社は説明しています。

ElevenLabsは、最初に2つのモデルを提供するとしています。v1 Mini は低コストで自然な対話向けで、AIアシスタント、教師役、対話型キャラクターに適しています。v1 Max は複雑なタスク向けで、カスタマーサポート、見込み客の選別、複数ステップの業務フローに適しています。同社は、両モデルとも90を超える言語に対応し、ボイスライブラリの17,000以上の音声を使えるとしています。

仕組みと2モデルの比較

ElevenLabsによれば、Eleven Realtime はエンドツーエンドで調整されたカスケード型アーキテクチャ上に構築されています。これは複数の部品が順番に対話を処理し、全体を通して調整する方式です。利用者から見えるのは音声入力、音声出力、単一のモデルIDだけです。同社は、各ステップでテキストが生成されるため、エージェントが何を聞き取り、何を話すと決めたかを確認できると説明しています。このテキストにより、ElevenAgents（音声エージェントを構築・運用するためのElevenLabsの製品）は Realtime エージェントにガードレール（エージェントの動作を制限する安全機構）と個人情報のマスキング（個人データの秘匿）を適用できます。

ElevenLabsはさらに、Artificial Analysisの順位表で、v1 Max より速く、かつ正確なモデルは存在しないと述べています。また、ツール利用の成績差から、ツール呼び出しが多い用途には Max を推奨しています。

開発者にとっての意味

ElevenLabsによると、同社のRealtime APIはOpenAIのRealtime APIと互換で、試す際にはコード内のエンドポイント（プログラムの接続先URL）とモデル名を変更するだけで済みます。また同社は、カスケード型のため各ステップのテキストを確認でき、聞き間違いなのか判断の誤りなのかを切り分けやすくなるとしています。

始め方と制約

ElevenLabsは2つの方法を示しています。

• ElevenAgents（同社の推奨）：エージェントを作成または開き、ドロップダウンから Realtime モデルを選びます。ElevenAgentsは電話、Web、WhatsApp、CCaaS（クラウド型コンタクトセンターサービス）の各チャネルに加え、ワークフロー、ナレッジベース、ガードレール、テスト、モニタリングを提供します。
• Realtime API：すでにOpenAI Realtime APIを統合している開発者は、コードを流用し接続先を変更できます。ElevenLabsは、移行ガイドが手順と相違点を扱っているとしています。

制約として、ElevenLabsはRealtime APIがWebSocket（ネットワーク接続方式の一つ）でのみ接続できると述べています。WebRTC（別のリアルタイム接続技術）を使う統合は、先にWebSocketへ変更する必要があります。また、このAPIはElevenAgentsとは別に動作するため、チャネルやナレッジベースなどのプラットフォーム機能が必要な開発者は、最初からElevenAgents上で構築すべきだとしています。

このトピックの最新ニュースを見る

• AIニュース