Eleven Realtime: Mini y Max llegan a los agentes de voz

Por Redacción Pangea IA · 21 de octubre de 2026

ElevenLabs presentó el 20 de octubre Eleven Realtime, una familia de agentes de voz con dos variantes: Mini, orientada a conversaciones de menor coste, y Max, pensada para tareas complejas. El lanzamiento incorpora una opción nueva para empresas que quieren atender consultas habladas o conectar una conversación con herramientas. La elección exige mirar más allá de la velocidad: importan el coste total, la disponibilidad y las acciones que podrá ejecutar el agente.

Este análisis compara sus diferencias documentadas y plantea cómo evaluarlas en una pyme española. No hemos realizado una prueba propia de los modelos. Las cifras de rendimiento corresponden a evaluaciones externas; los ejemplos empresariales son situaciones hipotéticas para orientar una prueba.

Qué cambia frente a montar un agente por piezas

El anuncio de ElevenLabs presenta ambas variantes como sistemas completos de conversación y anuncia soporte para más de 90 idiomas. La propuesta consiste en reducir las decisiones de configuración necesarias para coordinar escucha, respuesta y voz.

Hay un matiz técnico relevante: la documentación de compatibilidad describe una arquitectura en cascada, con componentes distintos optimizados conjuntamente. No son modelos fusionados que eliminen internamente todas esas etapas.

Para un negocio, la ventaja potencial está en dedicar menos trabajo a ajustar cada pieza. Aun así, sigue siendo necesario decidir qué información puede ofrecer el asistente, cuándo debe pedir aclaraciones y qué hacer si una herramienta devuelve un error. Simplificar la configuración no resuelve esas decisiones operativas.

Pensemos en una llamada a un taller. Contestar el horario es una tarea limitada. Cambiar una cita exige identificar la reserva, comprobar disponibilidad, explicar la modificación y confirmar que se ha guardado. Una voz convincente puede ayudar a la conversación, pero el resultado depende de completar correctamente toda la secuencia.

Mini y Max: qué indican las pruebas

Según los resultados publicados por ElevenLabs, Max alcanza un 98,8 % en Big Bench Audio, frente al 75,9 % de Mini. El tiempo medio hasta el primer audio es de 0,57 segundos para Max y 0,62 para Mini. En tareas con herramientas, las tasas de éxito indicadas son del 87,1 % y del 60,3 %, respectivamente.

Artificial Analysis explica la metodología de estas evaluaciones. Big Bench Audio contiene 1.000 preguntas habladas de razonamiento. El tiempo hasta el primer audio mide cuándo empieza una respuesta, no cuánto tarda en resolverse toda una gestión. Son dimensiones distintas y conviene mantenerlas separadas.

Esas pruebas ayudan a seleccionar candidatos, pero no representan una medición de satisfacción de clientes españoles ni garantizan que una reserva se complete correctamente. Tampoco permiten convertir un porcentaje de aciertos en una promesa comercial para cualquier sector, idioma o canal.

La cobertura de Journal du Net sobre el lanzamiento subraya otra diferencia: Mini obtiene mejor puntuación en dinámica conversacional, mientras Max destaca en razonamiento y uso de herramientas. El nombre de la variante no basta para ordenar todas sus capacidades de mejor a peor.

Nuestra lectura es que una consulta informativa acotada y una gestión con varios pasos deben evaluarse por separado. En el segundo caso, un error puede obligar a rehacer trabajo o contactar de nuevo con el cliente. Esa consecuencia pesa más que una pequeña diferencia en el momento en que empieza a sonar la respuesta.

Cuánto cuesta: el minuto no es toda la factura

La página de precios de la API, consultada el 21 de octubre, muestra 0,08 dólares por minuto más consumo del modelo de lenguaje para ambas variantes. Los importes excluyen impuestos. Esa cifra no debe presentarse como precio final de una llamada.

En ElevenAgents, la documentación establece una tarifa por minuto más tokens de entrada, entrada en caché y salida; Max cuesta más por token que Mini. Los tokens son las unidades con las que se contabiliza el procesamiento del lenguaje. El volumen puede variar entre conversaciones de duración parecida.

Como ejemplo aritmético, 1.000 minutos facturados a 0,08 dólares suman 80 dólares para ese componente. Faltaría añadir el consumo del modelo y cualquier otro cargo aplicable al proyecto. No es un presupuesto de servicio completo ni una estimación del coste mensual de una empresa.

Antes de comparar proveedores, conviene fijar el mismo escenario: volumen de conversaciones, duración aproximada, herramientas necesarias y proporción de consultas que acabarán en una persona. También hay que revisar las condiciones del plan elegido y la infraestructura de telefonía o integración que se contrate.

La métrica empresarial más útil sería el coste por consulta resuelta correctamente. Una llamada breve que ofrece una respuesta equivocada puede parecer barata en la factura técnica y resultar cara cuando genera una reclamación. El piloto debería contabilizar ambos efectos, sin atribuir a la automatización ahorros que todavía no se han medido.

Disponibilidad y límites para proyectos europeos

La documentación de Realtime en ElevenAgents indica un despliegue gradual por espacio de trabajo. Si no aparece el ajuste Voice mode, el acceso todavía no está habilitado para ese espacio. El anuncio del producto no garantiza disponibilidad inmediata en todas las cuentas.

Ambas variantes figuran disponibles en el entorno de residencia de datos de la UE. Sin embargo, Mini no admite Zero Retention Mode, mientras Max sí lo admite en Estados Unidos y la UE. Esta diferencia puede condicionar una selección técnica; por sí sola no certifica el cumplimiento normativo de una implantación concreta.

También existen restricciones de configuración: Realtime no admite un LLM personalizado ni Amazon Bedrock; las transferencias entre agentes deben permanecer dentro del modo Realtime. Max necesita un límite de al menos 1.024 tokens o funcionar sin ese límite.

Para una pyme, conviene comprobar estas condiciones antes de encargar la integración. Si un flujo actual depende de pasar la llamada a otro agente, esa transición merece una prueba específica. Un asistente puede responder bien de forma aislada y fallar precisamente al conectar con el siguiente tramo del servicio.

Compatibilidad con OpenAI: qué significa en la práctica

La guía de integración documenta compatibilidad de protocolo mediante WebSocket y el uso del SDK Realtime de OpenAI con el destino y la configuración de ElevenLabs. Las credenciales son de ElevenLabs: el servidor genera un secreto temporal para el cliente y mantiene protegida la clave principal.

La conexión no admite WebRTC en este lanzamiento. Además, la API directa funciona separadamente de ElevenAgents: no debe darse por hecho que incluye sus canales, base de conocimiento y otras funciones de plataforma. Hay que elegir la vía de integración según las necesidades del proyecto.

Esta distinción ayuda a leer otros lanzamientos. Nuestra información sobre Grok Voice 3.0 y su API aborda una oferta para desarrollar servicios, mientras que GPT-Live-1.1 y la voz de ChatGPT trata la experiencia dentro de un producto. Comparar precios o prestaciones exige identificar primero qué se está comprando.

Cómo plantear una prueba útil

Primero, acotar una tarea. Un piloto podría responder preguntas sobre horarios, ubicación y condiciones de un servicio. Habría que definir por escrito qué respuestas están autorizadas y cuándo debe derivar la consulta. Así se puede comprobar si el sistema sigue un criterio estable.

Segundo, preparar conversaciones representativas. Incluir nombres propios, correcciones a mitad de frase, pausas e interrupciones permite observar problemas que una demostración ensayada puede ocultar. Para un servicio en España, tendría sentido probar distintas formas de hablar y situaciones de ruido habituales entre sus usuarios.

Tercero, comparar con las mismas condiciones. Mini y Max deberían recibir instrucciones y tareas equivalentes. El registro puede recoger respuestas correctas, aclaraciones necesarias, gestiones terminadas, derivaciones y coste. Estas son propuestas de evaluación, no resultados obtenidos por Pangea IA.

Cuarto, separar consultar de modificar. Leer una disponibilidad y cambiar una reserva requieren permisos diferentes. En el ejemplo del taller, la prueba debería comprobar que el agente solicita confirmación antes del cambio y comunica el resultado real de la herramienta, incluso cuando esta devuelve un fallo.

Quinto, definir una salida a atención humana. Antes de abrir el servicio a clientes, conviene comprobar qué sucede cuando el asistente no entiende una petición o pierde acceso a la información. El criterio de éxito debe incluir esa recuperación, además de las conversaciones que terminan sin incidentes.

Una alternativa relevante que exige elegir por tarea

Eleven Realtime añade una opción práctica para construir agentes de voz con menos ajustes separados. Mini y Max permiten explorar necesidades diferentes, pero el lanzamiento no justifica una migración automática de cualquier servicio existente.

Para una empresa pequeña, la decisión razonable es empezar por una tarea verificable y ampliar solo cuando los resultados lo apoyen. El mejor modelo será el que combine resolución correcta, integración viable y coste asumible en ese servicio concreto. La calidad de la voz es una parte de esa decisión, no su resultado final.