L'assemblage de services distants crée trop de latence pour les agents vocaux. Eleven Realtime résout ce problème avec un modèle Speech-to-Speech natif ramenant la réactivité sous 600 ms. Cette avancée permet d'automatiser les interactions complexes en temps réel tout en réduisant la durée moyenne de traitement des appels de 40 %. L’ingénierie des agents vocaux repose souvent sur plusieurs briques : reconnaissance vocale, détection d’activité, gestion des tours de parole, modèle de langage et synthèse vocale. Cette composition peut accroître la complexité d’intégration et rendre l’optimisation de la latence plus délicate, mais il n’existe pas de délai universel de 1,5 à 3 secondes applicable à toutes les architectures. Avec le lancement officiel d’Eleven Realtime le 20 octobre 2026, ElevenLabs propose une expérience Speech-to-Speech intégrée côté produit. La documentation précise toutefois que v1 Mini et v1 Max reposent sur une architecture en cascade : chaque composant reste un modèle distinct, mais l’ensemble est sélectionné et optimisé de bout en bout par ElevenLabs. Cette évolution complète les travaux déjà présentés autour de Scribe v2 Realtime , sans supprimer pour autant les étapes internes de reconnaissance, de raisonnement et de synthèse. ElevenLabs indique que son API Realtime reprend le même protocole d’échange que l’API Realtime d’OpenAI sur WebSocket, avec les mêmes types d’événements côté client et serveur. Sur Big Bench Audio, Artificial Analysis a mesuré un délai moyen avant le premier audio de 570 ms pour v1 Max et 620 ms pour v1 Mini. Le 21 octobre 2026, ElevenLabs a également lancé Eleven Realtime Translation en alpha pour les clients ElevenAPI Enterprise ; Deutsche Telekom fait partie des partenaires cités pour des usages de traduction en direct. Le signal le plus intéressant n’est pas la disparition de la chaîne STT-LLM-TTS, puisque ElevenLabs confirme que Realtime repose justement sur une architecture en cascade. La rupture se situe plutôt dans son abstraction : l’éditeur prend en charge la sélection et l’optimisation conjointe de la reconnaissance vocale, du turn-taking, du LLM et de la synthèse, afin que le développeur choisisse un mode Realtime plutôt qu’une combinaison de briques à régler séparément. Cette évolution déplace une partie du travail d’ingénierie : moins de temps peut être consacré au choix et au raccordement de chaque composant, davantage à la conception de l’expérience conversationnelle, des outils métier, des garde-fous et des mécanismes d’escalade. La voix ne devient pas magiquement un modèle unique qui comprend directement toute l’intention humaine ; elle devient une interface mieux orchestrée, capable de gérer plus naturellement les tours de parole et les interruptions tout en s’intégrant à des workflows agentiques.