ElevenLabs משיקה שני מודלים של דיבור-לדיבור לשיחות AI בזמן אמת
ElevenLabs השיקה את Eleven Realtime, משפחה של שני מודלים מסוג speech-to-speech לשיחות קוליות בזמן אמת: v1 Max ו-v1 Mini. לפי החברה, v1 Max משיג 98.8% במבחן Big Bench Audio עם זמן תגובה של 0.57 שניות. הטענה שאין בלוח של Artificial Analysis מודל מהיר ומדויק ממנו היא של ElevenLabs עצמה.
חברת הקול ElevenLabs השיקה שני מודלים חדשים מסוג speech-to-speech (דיבור-לדיבור) תחת השם Eleven Realtime. המודלים מיועדים לשיחות AI קוליות בזמן אמת, כך דיווח האתר The Decoder. הגרסה הגדולה, v1 Max, משיגה לפי החברה 98.8% במבחן Big Bench Audio, עם זמן תגובה של 0.57 שניות.
שני מודלים, שני ייעודים
בחבילה שני מודלים. v1 Mini הקטן נועד לשיחות טבעיות בעלות נמוכה יותר. לפי החברה, הוא יודע להבחין בין מצב שבו הדובר סיים לדבר לבין מצב שבו הוא רק אומר "אהה" או "מממ" כדי לסמן שהוא מקשיב. זה נשמע כמו פרט קטן, אבל ככל הנראה מדובר באחד האתגרים המוכרים בעוזרים קוליים: מערכת שקוטעת את המשתמש באמצע משפט, או שמפסיקה לדבר בכל פעם שהוא מהמהם, נשמעת מלאכותית ומתסכלת.
v1 Max מכוון למשימות מורכבות יותר. הדוגמה שהחברה נותנת היא שירות לקוחות, תחום שבו הסוכן הקולי צריך לא רק לדבר בצורה טבעית אלא גם להבין בקשות, לעקוב אחרי הקשר ולתת תשובות נכונות.
הנתונים והטענה
לפי ElevenLabs, v1 Max משיג 98.8% ב-Big Bench Audio, מבחן שבודק יכולת הסקה על שאלות שמוצגות בקול. זמן התגובה שלו עומד על 0.57 שניות. בתרשים שפרסמה החברה, המודל ממוקם סמוך לפינה השמאלית העליונה של לוח ה-Speech to Speech של Artificial Analysis, חברה שמדרגת מודלי AI. הפינה הזו מסמנת שילוב של דיוק גבוה וזמן תגובה נמוך.
ElevenLabs טוענת שכרגע אין בלוח הזה מודל שגם מהיר יותר וגם מדויק יותר מ-v1 Max. חשוב להדגיש: זו טענה של החברה, והתרשים שמגבה אותה הוא מחומרי השיווק שלה. הנתונים לא נבדקו באופן עצמאי לצורך הכתבה הזו.
זמינות ותמחור
שני המודלים זמינים בפלטפורמת ElevenAgents של החברה, וגם דרך Realtime API שתואם ל-OpenAI. התאימות הזו כנראה נועדה להקל על מפתחים שכבר בנו מוצרים על הממשק של OpenAI, כך שיוכלו לנסות את המודלים של ElevenLabs בלי לכתוב מחדש חלקים גדולים מהקוד.
התמחור משלב תשלום לפי דקה ועלויות לפי tokens, יחידות העיבוד של המודל. v1 Max יקר יותר מ-v1 Mini. המחירים המדויקים מופיעים בעמוד התמחור של ElevenLabs.
למה זה חשוב
ElevenLabs מוכרת בעיקר בזכות טכנולוגיית הקראת הטקסט ושכפול הקול שלה. המהלך הזה מציב אותה בתחרות ישירה בשוק הסוכנים הקוליים בזמן אמת. בשוק הזה כל עשירית שנייה של השהיה משפיעה על התחושה שמדברים עם אדם ולא עם מכונה.
מודל speech-to-speech מעבד דיבור ומפיק דיבור. זאת בניגוד לשרשרת המסורתית, שבה הדיבור מתומלל לטקסט, עובר במודל שפה ואז מוקרא בחזרה. גישה כזו יכולה ככל הנראה לקצר את זמני התגובה. ההחלטה להציע שני מודלים ברמות מחיר שונות מרמזת שהחברה מכוונת גם ללקוחות שצריכים נפח שיחות גדול בעלות נמוכה, וגם לארגונים שמוכנים לשלם יותר על דיוק במשימות רגישות כמו שירות לקוחות. המבחן האמיתי יהיה כנראה בשימוש בשטח, ולא רק בטבלאות הדירוג.