Голосовые агенты5 мин

Eleven Realtime и Voxtral 3: сравнение голосовых агентов

21 октября 2026 г.

Mistral и ElevenLabs выпустили платформы для голосовых агентов. Сравниваем устройство, цену минуты, язык и хранение аудио, чтобы выбрать под свои звонки.

20 октября вышли две платформы для голосовых агентов: Voxtral 3 от Mistral и Eleven Realtime от ElevenLabs. Обе обещают разговор без неестественных пауз и агента, который не теряется, когда клиент его перебивает. Выбирать между ними стоит не по скорости из анонса, а по четырём вещам: цене минуты, тому, как агент читает цифры и имена, русскому языку и месту хранения записей. Если коротко: Voxtral 3 подойдёт, когда нужна гибкость и свой контур, Eleven Realtime, когда нужен быстрый запуск. Мы считаем Eleven Realtime ответом ElevenLabs на Gemini Live от Google: та же схема «речь в речь», только Google вышел с ней раньше. Поэтому Gemini Live в сравнении третий. Ниже данные трёх компаний из их открытых источников.

Что вышло 20 октября

Mistral выпустил Voxtral 3: модели распознавания речи, модель озвучки и набор для сборки голосового агента. Агент слушает, думает, обращается к вашим системам и отвечает одним потоком, а не по очереди. По словам Mistral, ход разговора занимает меньше секунды. Каждая часть здесь отдельная модель, поэтому языковую модель, голос или язык можно заменить, не переписывая агента.

ElevenLabs выпустил Eleven Realtime: модели «речь в речь». Распознавание, очерёдность реплик, языковая модель и голос настроены вместе, как одна система. Моделей две. Mini рассчитана на живой разговор: ассистенты, обучение. Max на задачи с рассуждением: поддержку клиентов и квалификацию заявок. До первого звука проходит 620 мс у Mini и 570 мс у Max. По данным ElevenLabs, замеры независимо делала компания Artificial Analysis.

Эти цифры нельзя ставить рядом. Mistral говорит о ходе разговора целиком, ElevenLabs о времени до первого звука на тестовом наборе.

Google решает ту же задачу через Live API с моделями Gemini 3.8 Live: звук на входе и на выходе без промежуточного текста. Версия Gemini 3.8 Live Extended Thinking добавляет рассуждение в фоне, и это ближайший аналог Eleven Realtime Max. Он понимает 70 языков, позволяет клиенту перебить модель, вызывает функции и ищет в Google Search. Подключается по WebSocket, а для телефонии у Google в списке партнёров LiveKit, Voximplant и Agora.

Платформа даёт агенту слух и голос. Запись в CRM, проверка заказа и передача оператору остаются интеграцией с вашими системами. Такие ИИ-агенты для бизнеса мы подключаем к CRM и телефонии.

Чем они отличаются

	Voxtral 3 (Mistral)	Eleven Realtime (ElevenLabs)	Gemini Live (Google)
Устройство	Отдельные модели для слуха, мысли и речи	Одна модель «речь в речь», две версии: Mini и Max	Одна модель «звук в звук», есть версия с расширенным рассуждением
Скорость по данным компании	Ход разговора меньше секунды	До первого звука 620 мс (Mini), 570 мс (Max)	Названа «низкая задержка», цифры нет
Языки	Распознавание 50+ (потоковая модель 35–40+), озвучка 35+ языков и 50+ диалектов	Разговор на 90+ языках	70 языков
Хранение аудио	API в Европе или своя инфраструктура, хранением записей можно управлять	Режим нулевого хранения, данные в ЕС, вариант on-prem	Облако Google; на платном тарифе данные не идут на улучшение продуктов
Цена	Для API опубликована: от 0,04 доллара за минуту. Развёртывание у себя по запросу	Минутный тариф ElevenAgents плюс токены выбранной модели	0,023 доллара за минуту звука (0,005 вход и 0,018 выход) плюс токены текста
Каналы	Телефония SIP, браузер и приложения	Телефон, WhatsApp, виджет на сайте, Zendesk, Genesys и другие каналы контакт-центра	WebSocket, телефония через партнёров

По нашему наблюдению, Voxtral и Eleven продаются как готовые платформы для звонков, а Gemini Live это модель, вокруг которой телефонию и логику собираете вы или подрядчик. Главное различие Voxtral и Eleven в устройстве. Мы видим так: сборный агент Mistral гибче: появилась модель лучше или дешевле, меняете одну деталь. Единую модель ElevenLabs проще запустить: Mini или Max выбирается в списке, остальное уже настроено. За гибкость платят временем на настройку, за простоту зависимостью от одного поставщика.

Три способа собрать голосового агента: сборная схема Voxtral 3, единая модель Eleven Realtime и Gemini Live

Сколько это стоит

Mistral опубликовал цены. Агент целиком на модели Mistral Small 4 стоит 0,04 доллара за минуту, с другой моделью для рассуждений 0,08. Пятиминутный звонок обходится в 20–40 центов, тысяча таких звонков в месяц в 200–400 долларов. Одно распознавание речи стоит от 0,0035 до 0,008 доллара за минуту, озвучка 13 долларов за миллион знаков.

ElevenLabs цены в анонсе не называет. Минута складывается из тарифа ElevenAgents и оплаты языковой модели за объём обработанного текста (токены), оценку за минуту показывает выбор модели в приложении. У Google звук стоит 0,023 доллара за минуту: пятиминутный разговор около 11 центов, тысяча таких звонков около 115 долларов. Это только звук, текст и размышления модели оплачиваются отдельно. Для Mistral цены относятся к его API. Если нужно развернуть всё у себя, Mistral цену не публикует: на странице написано «обратитесь к команде». Посчитайте варианты на своём числе звонков и их длине.

На что смотреть при выборе

Цифры, адреса и имена. Это типичное слабое место, поэтому проверяйте его первым. В демо Mistral прошлая версия озвучки прочитала время и дату как «21,000pm on 10 over 10», новая как «21pm on October 10th». Продиктуйте агенту номер заказа и редкую фамилию и посмотрите, что он запишет и что повторит вслух.

Перебивания. Mistral обещает, что агент замолкает, когда клиент вмешивается; у Google перебивание тоже заявлено. У ElevenLabs Mini набрала 95,8% в Full-Duplex-Bench. Результаты заявлены разработчиками. Проверьте сами: клиент говорит «угу», уточняет адрес, меняет решение на полуслове.

Русский язык. Русский входит в языки бенчмарка распознавания Voxtral 3 и есть среди голосов озвучки. ElevenLabs заявляет разговор на 90+ языках, Google на 70, русский на их страницах не выделен. Запишите десять реальных звонков и сравните ответы.

Где хранится звук. Если в разговорах персональные данные клиентов, этот вопрос решает больше, чем разница в десятки миллисекунд. У Mistral и ElevenLabs можно управлять хранением записей и есть развёртывание у вас (on-prem), цену и условия уточняйте у поставщика. У Google в документации развёртывания у себя нет.

Доступ из вашей страны. До пилота проверьте, открыт ли сервис у вас и чем его можно оплатить.

С чего начать

Возьмите 20–30 реальных звонков с шумом и акцентами, прогоните их через все три варианта и считайте выполненные задачи: бронь создана, адрес записан верно, оператор подключён, когда агент не справился. Как собрать такой набор и как задать пороги, мы описали в статье о тестировании голосовых агентов.

Вопросы и ответы

Чем Voxtral 3 отличается от Eleven Realtime?

Voxtral 3 собирается из отдельных моделей: слух, языковая модель и голос меняются независимо. Eleven Realtime одна модель «речь в речь», настроенная как целая система. Первая даёт гибкость, вторая быстрый запуск.

Сколько стоит минута голосового агента?

У Mistral 0,04 доллара за минуту с моделью Mistral Small 4 и 0,08 с другой моделью для рассуждений. У ElevenLabs цена зависит от тарифа ElevenAgents и выбранной модели, оценку за минуту показывает приложение.

Работают ли платформы с русским языком?

Русский входит в языки бенчмарка распознавания Voxtral 3 и есть среди голосов озвучки. У Eleven Realtime русский отдельно не назван, заявлено 90+ языков. Качество на ваших звонках проверяйте сами.

Можно ли хранить данные у себя?

Mistral предлагает развёртывание на своей инфраструктуре и управление хранением записей, но цену такого варианта не публикует. ElevenLabs заявляет режим нулевого хранения, данные в ЕС и вариант on-prem (у вас). Условия и цену нужно согласовывать с поставщиками. У Gemini Live развёртывание у себя в документации не описано.