ElevenLabs presentó Eleven Realtime el 20 de octubre de 2026 y actualizó el anuncio el 29 de octubre. Recuperamos esta novedad anterior para aclarar qué implica integrar sus dos variantes, v1 Mini y v1 Max: una cadena de voz gestionada, acceso gradual y dos rutas de integración con diferencias relevantes. No es un lanzamiento del 2 de noviembre ni una migración universal que se resuelva cambiando un nombre.
El anuncio original describe una arquitectura en cascada: reconocimiento de voz, procesamiento del lenguaje y síntesis siguen siendo componentes distintos, coordinados como un sistema. La entrada y la salida de audio se ofrecen bajo un identificador de modelo. Eso no significa que todos los componentes se hayan fusionado en una única red.
Qué se elige y qué gestiona el proveedor
En ElevenAgents, el modo Custom permite seleccionar el modelo de lenguaje, la síntesis de voz y los ajustes de reconocimiento. En modo Realtime, ElevenLabs gestiona esas elecciones. El prompt, la voz, las herramientas, la base de conocimiento y los ajustes de turnos siguen siendo configurables dentro de la plataforma.
Según la documentación de modelos, Mini prioriza latencia y coste; Max añade razonamiento para instrucciones complejas y tareas con varias llamadas a herramientas, con un coste por token superior. No hemos medido cuál funciona mejor en un caso concreto.
El despliegue es gradual por espacio de trabajo. Si no aparece la opción Voice mode, la documentación indica que Realtime aún no está disponible en ese espacio; enviar el parámetro por API tampoco evita esa restricción.
La API directa tiene otra frontera
La guía de compatibilidad con OpenAI Realtime permite reutilizar el protocolo de eventos y el SDK, cambiando el endpoint y la configuración de sesión. Esta conexión utiliza WebSocket; una aplicación basada en WebRTC debe adaptar el transporte.
También cambia el trabajo del navegador: con ese transporte, el SDK no conecta automáticamente la captura y reproducción de audio. La guía pide gestionarlas con audio PCM de 16 bits a 24 kHz. No basta con que se abra una conexión para concluir que la conversación funciona de extremo a extremo.
El servidor de la aplicación genera una credencial de corta duración para el navegador. La clave principal de ElevenLabs debe permanecer en el servidor. La sesión selecciona directamente un modelo, en lugar de referenciar un agent_id del panel. Esta API funciona separada de ElevenAgents: no hay que suponer que hereda sus canales, base de conocimiento o herramientas de operación.
Restricciones antes de activar Realtime
En el modo Realtime de ElevenAgents no se puede conservar un modelo de lenguaje personalizado o Amazon Bedrock, ni sobrescribir desde nodos de workflow los ajustes que gestiona el proveedor. Las transferencias solo se permiten entre agentes Realtime; pasar entre Custom y Realtime no está soportado. Max exige un límite de al menos 1.024 tokens, o no fijar límite.
Las modalidades de datos también condicionan la elección. Mini no está disponible con Zero Retention Mode ni HIPAA. Max figura disponible bajo esas modalidades en Estados Unidos y la Unión Europea, y no está disponible en los entornos de residencia de India y Singapur. Son condiciones del producto; no una garantía de cumplimiento para cualquier aplicación.
En ElevenAgents se factura la tarifa estándar por minuto más los tokens de entrada, entrada en caché y salida. La página de Realtime distingue la API directa: minutos de audio conectado más tokens. Comparar solo el precio de un componente no acredita el coste total de una conversación.
Una voz convincente no valida una acción
Caso hipotético, no ejecutado por Puntoes: un asistente que cambia una cita debe comprobar la identidad, confirmar la fecha y verificar el resultado de la herramienta. Escuchar bien una frase no autoriza por sí solo la modificación. Antes de migrar, conviene ensayar interrupciones, nombres, números, ruido, fallos de herramientas y transferencias entre agentes.
No hemos realizado llamadas de pago, pruebas de calidad ni mediciones de latencia. Para entender la separación entre transcribir, decidir y hablar, sirve como antecedente nuestro artículo sobre los componentes de Voxtral 3; no establece un ganador entre proveedores.