同一天开火：ElevenLabs 和 Mistral 的语音智能体，走了两条相反的路

10 月 20 日，语音 agent 赛道同一天迎来两个重磅发布，而且路线完全相反。

ElevenLabs 发布了 Eleven Realtime：端到端语音直聊。官方口径：v1 Max 在 Big Bench Audio 上拿下 98.8%，响应约 0.57 秒，压过了 Grok Voice 3.0（98.5%）和 Gemini 3.8 Live（97.7%）；v1 Mini 主打便宜，还能分辨对方是"说完了"还是"嗯哼"了一下。

同一天，Mistral 发布了 Voxtral 3：走的是"组合拳"路线——转写 + TTS + 基于 LiveKit 的 SDK。官方口径：50+ 语言转写，词错率 4.1%，对标 Whisper large-v3 的 16.0%；转写 $0.0035/分钟起，还能欧盟托管、私有部署，打的是"主权牌"。

（以上 benchmark 数字均为厂商自报，发布事实经 mistral.ai 官方、the-decoder 双篇报道、journaldunet 多方印证。）

我的判断：语音 agent 的两条路线已经摆上台面了——

路线 A（ElevenLabs）：原生端到端，赌的是延迟和自然度。0.57 秒是个关键数字，它跨过了"感觉像在打电话"的心理线。做 C 端产品的选这条，demo 效果直接拉满。

路线 B（Mistral）：开放可控，赌的是部署自由度和价格。能私有部署、能欧盟托管，对银行、政府、医疗这种合规敏感客户是刚需；$0.0035/分钟的转写起步价，则是冲着把 Whisper 的生态位吃掉去的。

给开发者的实操建议：别纠结谁"更强"，先看你的场景要什么——要演示效果和上线速度，走端到端；要合规、私有化、抠成本，走组合栈。两条路线未来一年大概率长期并存，因为服务的根本不是同一批客户。

还有一个信号：文本 coding agent 卷完，语音是下一个 agent 主战场。做客服、电话销售、语音助手的团队，现在就该开始选边了。