Eleven Realtime porta il personaggio dentro la conversazione

ElevenLabs ha presentato Eleven Realtime v1 Mini e v1 Max, due modelli speech-to-speech per conversazioni in tempo reale. Il lancio del 20 ottobre comprende l’accesso attraverso ElevenAgents e una API pubblica: non soltanto voci da generare, dunque, ma interlocutori che ascoltano e rispondono durante uno scambio.

La distinzione proposta dall’azienda riguarda il compito. Mini è destinato alle conversazioni naturali e comprende fra gli impieghi dichiarati i personaggi interattivi; Max punta alle richieste complesse e ai processi articolati. Per un prototipo narrativo, partirei quindi da Mini, passando a Max soltanto quando il personaggio deve anche eseguire operazioni.

Il dato più evidente riguarda Max: secondo i risultati riportati, raggiunge il 98,8% su Big Bench Audio e comincia a parlare mediamente dopo 0,57 secondi. Sono misure di ragionamento vocale e tempo al primo audio nel benchmark. Non le leggerei come una valutazione della recitazione o della qualità di una scena dialogata.

L’accesso tecnico merita attenzione prima di promettere una demo. La API usa WebSocket e segue le specifiche della Realtime API di OpenAI; ElevenLabs indica che un’integrazione WebRTC deve prima cambiare trasporto. Inoltre, la API Realtime è separata da ElevenAgents: le funzioni della piattaforma non arrivano automaticamente insieme al collegamento audio.

La prova creativa che proporrei è piccola: un personaggio originale, un ambiente sonoro semplice e una conversazione con pause intenzionali. Interrompiamolo mentre risponde, cambiamo intenzione a metà frase e riprendiamo dopo un silenzio. L’obiettivo del test sarebbe capire se lo scambio conserva ritmo e credibilità, non produrre subito una performance definitiva.

Terrei separati anche i criteri di ascolto. Una risposta rapida non basta per approvare una voce: nel nostro test annoterei pronuncia, intenzione, gestione dell’interruzione e coerenza del personaggio. Registrerei gli scambi da riascoltare senza interazione, così da distinguere l’effetto della conversazione dal valore effettivo della performance ottenuta.

Restano da verificare sul nostro caso l’italiano, la direzione espressiva e la ripetibilità dello scambio. Non abbiamo ancora un test interno su questi aspetti. Prima di proporlo per un’installazione o un’esperienza narrativa, preparerei quindi un confronto ascoltabile fra Mini e Max, con gli stessi obiettivi di scena e condizioni dichiarate.