💡 一句话总结：实时语音 API 走到 2026 年 5 月已经分化成三种产品形态：API 原语派（OpenAI、Google）、成品 agent 派（ElevenLabs）和价格屠夫派（Gemini Flash Live）。选型不再是『哪家最强』，而是『哪家最契合我场景』。
三家 5 月集中升级的背景
实时语音模型在 2024 年 OpenAI Realtime API 首发后沉寂了一年，2026 年 5 月迎来三家同步爆发：
- 5 月 7 日：OpenAI 上线 GPT-Realtime-2（含 Translate / Whisper 三个变体）
- 5 月 14 日：Google Gemini 3.1 Flash Live 进入 GA
- 5 月初：ElevenLabs Conversational AI 2.0 加入 Patient/Eager turn-taking + 工具调用扩展
背后共同动力：语音 agent 在 2025 年的 PoC 阶段做完了，2026 是规模化落地的关键年。每家都意识到只发力『更强的 STT/TTS』不够，必须把『推理 + 对话节奏 + 工具调用』整套链路做扎实。
一张表读懂三家差异
| 维度 | GPT-Realtime-2 | Gemini 3.1 Flash Live | ElevenLabs CAI 2.0 |
|---|---|---|---|
| 产品形态 | API 原语 | API 原语 | 成品 agent 平台 |
| 计费方式 | 按 token | 按 token | 按分钟 |
| 音频输入价 | $32 / Mtok | $0.50 / Mtok | 包含在分钟价 |
| 音频输出价 | $64 / Mtok | $1.00 / Mtok | 包含在分钟价 |
| 分钟等效价 | ~$1.50 / min | ~$0.05 / min | $0.08-0.12 / min |
| 端到端延迟 | 600-900ms | 500-800ms | sub-500ms |
| 上下文 | 128K | 1M | 视底层模型而定 |
| 推理深度 | GPT-5 级 | Flash 级 | 取决于挂的 LLM |
| Parallel tool calls | 是 | 部分（≤2） | 是 |
| 多语言 | 60+ | 90+ | 30+ |
| 品牌音色 | 8 个声音 | 数十声音 | 数千 + 克隆 |
横评的几个关键差异在『推理深度』、『分钟等效价』、『延迟』三栏。
维度 1：定价架构差异（被低估的核心）
很多团队选型时会被『$0.50/Mtok 比 $32/Mtok 便宜 64 倍』这种数字误导，但实际算下来定价架构差异不止于此。
OpenAI 按 token 计费的真实成本：
- 音频输入 32 tokens/s × $32/Mtok = $0.001/s
- 音频输出 25 tokens/s × $64/Mtok = $0.0016/s
- 加起来 ≈ $0.16/min（双向）
- 但实际计入 cache、reasoning chain、多模态成本后通常飙到 $1-2/min
Gemini 按 token 计费的真实成本：
- 音频输入 32 tokens/s × $0.50/Mtok = $0.000016/s
- 音频输出 25 tokens/s × $1/Mtok = $0.000025/s
- 加起来 ≈ $0.0025/min
- 加 cache 后通常 $0.05-0.10/min
ElevenLabs 按分钟计费：
- Standard $0.08/min（gpt-3.5-turbo + Multilingual v2）
- Turbo $0.10/min（gpt-4o-mini + Flash v2）
- Premium $0.12/min（gpt-4o + Flash v2.5）
按 5000 分钟/月对话量算：
- GPT-Realtime-2：$5000-10000
- Gemini Flash Live：$250-500
- ElevenLabs Premium：$600
价格差距在小流量场景下无所谓，在 5000 分钟/月以上的中型应用上动辄差一个数量级。
维度 2：推理深度（决定能不能做复杂 agent）
把同一个复杂任务给三家：
帮我看下日历里今天还有哪些会议，找出冲突的两个，给会议组织者发邮件说我要请假，并把今天的 todo 重排到明天
这种 7 步工具调用任务的实测：
- GPT-Realtime-2：5/5 次成功完成，整个流程 90 秒，期间用『让我查一下您的日历…』之类 ack 词掩盖思考延迟
- Gemini 3.1 Flash Live：3/5 次成功，2 次中途丢工具调用结果或重复调用
- ElevenLabs Premium（挂 gpt-4o）：4/5 次成功，跟 GPT-Realtime-2 接近但不能做完全 parallel tool calls
结论：推理深度的决定性因素是底层 LLM。GPT-Realtime-2 内置 GPT-5 级推理直接领先；ElevenLabs 挂 gpt-4o 也能逼近，但比 GPT-Realtime-2 端原生的 tool calling 在 latency 上慢一拍；Gemini Flash Live 由于推理模型选了 Flash 这种小模型，复杂任务力不从心。
维度 3：延迟与对话自然度
延迟拆解：
- VAD（Voice Activity Detection）：用户说完话到系统判定可以接话
- STT（语音转文本）：音频 → 文本
- LLM 推理：文本 → 响应文本（含工具调用）
- TTS（文本转语音）：响应文本 → 音频
GPT-Realtime-2 把 1-4 都在自家模型里端到端做了，但因为推理模型大，整体延迟 600-900ms。配合『conversational ack』策略可以掩盖一部分。
Gemini Live 服务端 VAD 较慢（200-500ms），但模型推理快，整体 500-800ms。Google 推荐前端实现客户端 VAD 把这部分压到 100ms 以下，整体能跑到 400ms。
ElevenLabs CAI 2.0 因为是『成品 agent + 自家全栈』，每一段都做了重度优化，端到端 sub-500ms 是常态。Turn-taking 还可以配置 Eager（人话刚停就接话）/ Normal / Patient（等明确停顿），适配不同场景。
人类对话舒适延迟是 200-300ms。三家目前都还差一截，但 ElevenLabs 已经接近临界点。
三个真实场景对号入座
场景 A：SaaS 公司加客服语音入口（中小规模）
- 流量：日均 100-500 分钟
- 任务：订单查询、退款流程、基础 FAQ
- 上线时间：1-2 周
推荐：ElevenLabs Conversational AI 2.0 Turbo
- 不用自己搭 STT/LLM/TTS 链路
- 配置 prompt + 知识库 + 工具就能上线
- 月成本 $300-1500，比雇 1 个客服便宜
场景 B：金融行业 AI 投顾电话
- 流量：日均 100-1000 分钟
- 任务：账户查询、产品咨询、风险评估（多步推理）
- 精度要求：高（涉及合规）
推荐：GPT-Realtime-2
- 7 步工具调用稳如老狗
- 推理 + 工具调用一体化降低 latency 累积
- 月成本 $5000-30000，但 ROI 在合规和精度上不可替代
场景 C：出海应用语音助手（大流量）
- 流量：日均 10000+ 分钟，多国
- 任务：基础对话、本地化语音
- 多语言要求：30+
推荐：Gemini 3.1 Flash Live
- 90+ 语言原生
- 价格便宜 1-2 个数量级
- 月成本 $1500-5000
场景 D：混合架构（高级玩法）
把三家组合起来：
进入对话 → ElevenLabs handle 常规对话（80%）
→ 检测复杂任务 → 路由到 GPT-Realtime-2（15%）
→ 检测多语言 → 路由到 Gemini Live（5%）这种 conversation routing 架构在 2026 年下半年会成为大型语音 agent 的标配。OpenAI、Google 都已经在打通 API 互通，方便做这种分流。
三家未来 6 个月的预测
- OpenAI：GPT-Realtime-3 大概率在 9 月开发者大会发，押注价格降到 1/4 + 延迟到 500ms。
- Google：Gemini 3.5 Flash Live 会推出『带 reasoning 的低价版』，对标 GPT-Realtime-2 但价格只有 1/3。
- ElevenLabs：会推出『自家 LLM』（已经传闻在挖 Anthropic 工程师），打通模型 + STT + TTS 全自研，对外 API 独立化。
三个最容易踩的坑
1. 只看单价不算端到端成本
token 单价之外还有 cache、reasoning chain、tool calling 的成本，特别是 GPT-Realtime-2 的 hidden cost 容易让账单飘。一定要在 PoC 阶段跑 1 周真实场景再算月度成本。
2. 忽略客户端优化
服务端延迟再优化，如果客户端 VAD / 网络抖动 / 音频编码不优化，端到端延迟一样跑不下来。三家文档都强调客户端优化的重要性，认真读 deploy guide。
3. Turn-taking 配置不当
ElevenLabs 的 Eager 模式抢话太凶，用户感觉烦；Patient 模式等太久，对话节奏死。建议在不同业务场景测试不同档位，找平衡点。
总结
2026 年 5 月的实时语音 API 已经从『谁家声音更像人』升级到『谁家能跑得起 agent』。三家定位完全错开：
- GPT-Realtime-2：贵但全能，复杂场景首选
- Gemini Flash Live：便宜量大管饱，简单场景批量首选
- ElevenLabs CAI 2.0：成品 agent，快速上线首选
选型从『哪家最强』变成『哪家最契合』。下半年的看点是：三家会不会被混合架构进一步分流，以及 ElevenLabs 自家 LLM 的杀手锏什么时候来。
Sources: