Két valós idejű beszédmodellt mutatott be az Elevenlabs
Az Elevenlabs két új, valós idejű beszéd-beszéd modellt mutatott be Eleven Realtime néven, amelyek a hangalapú mesterséges intelligenciával folytatott természetesebb és gyorsabb párbeszédeket célozzák. A fejlettebb v1 Max a Big Bench Audio benchmarkon 98,8 százalékos eredményt ért el, miközben átlagosan 0,57 másodperc alatt válaszol. A vállalat állítása szerint az Artificial Analysis rangsorában jelenleg nincs olyan modell, amely ennél egyszerre lenne gyorsabb és pontosabb.
A v1 Maxot összetettebb feladatokra, például ügyfélszolgálati beszélgetésekre szánják. Az olcsóbb v1 Mini ezzel szemben a természetes, hétköznapi párbeszédekre helyezi a hangsúlyt: képes felismerni, mikor fejezte be valaki a mondandóját, és megkülönbözteti a valódi válaszra váró megszólalást az olyan visszajelzésektől, mint az „mm-hmm”. Ez fontos lehet azokban a hangalapú rendszerekben, amelyeknél a félbeszakítások és a túl korai válaszok rontják a beszélgetés élményét.
Mindkét modell elérhető az Elevenlabs ElevenAgents platformján, valamint egy OpenAI-kompatibilis Realtime API-n keresztül. Az árképzés percenkénti díjból és tokenköltségből áll, a v1 Max pedig drágább a v1 Mininél.