ElevenLabs音声モデル、0.57秒で応答

音声AIが質問を聞いてから答えるまでにかかる時間（応答遅延）が0.57秒まで短縮された。ElevenLabsは、音声認識・対話フロー制御・音声合成を1つにまとめた「Eleven Realtime」モデルを11月3日（現地時間）に公開し、AI評価機関Artificial Analysisが10月に測定したこの数値（Max基準）を発表した。

ElevenLabsは、音声対話型エージェントモデル「Eleven Realtime」を2つのバージョンでリリースした。迅速な対話が重要なAIアシスタント、教育用チューター、ゲームキャラクター向けの「v1 Mini」と、カスタマーサポート、見込み客の選別などの複雑な作業に特化した「v1 Max」である。両モデルとも韓国語と日本語を含む90以上の言語をサポートし、割り込みへの反応、外部ツールの呼び出し、自然な会話の順番のやり取り機能を備えている。音声は、同社が保有する1万7000以上の音声ライブラリから選択できる。

評価数値はモデルごとに差がある。音声ベースの推論能力を測る「Big Bench Audio」では、Maxが精度98.8%を記録した。沈黙と話者交代、割り込みへの反応を測る「Full Duplex Bench」では、Miniが95.8%、Maxが94.1%で、Miniが1.7ポイント先行している。ただし、Big Bench Audioの精度と応答開始時間はMaxの数値のみ公開されている。

開発者のアクセス性も向上させた。リアルタイムAPIはOpenAIのRealtime APIと互換性があり、WebSocketで接続される。既存のOpenAI APIを使用していた開発者は、接続先とモデル名を変更するだけで移行できる。ただし、リリース時点ではWebRTCには対応していない。音声対話エージェントプラットフォーム「Eleven Agents」からも利用でき、利用者は新しいエージェント作成時、または既存エージェントのモデル選択メニューからすぐに選択できる。電話やウェブサイト、コンタクトセンターのチャネル展開を通じて、既存のワークフロー、ナレッジベース、安全策をそのまま活用できる。

韓国市場攻略の意欲も示された。同社関係者は「韓国語を含む90以上の言語をサポートするEleven Realtimeにより、国内企業や開発者が顧客と自然に対話する音声エージェントを作れるよう支援していきたい」と述べた。ただし、Eleven Realtimeの料金体系は今回の発表では公開されなかった。