Tabla de clasificación de modelos y proveedores de IA de voz a voz

Name: AA-Speech to Speech Index
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Análisis y comparación de modelos de voz a voz y proveedores de API. Artificial Analysis ha analizado modelos de voz a voz y proveedores de hosting según distintas características, como su calidad de razonamiento, dinámica conversacional, tiempo de generación y precio.

Para más detalles, consulta la página de metodología.

Tabla de clasificación de texto a voz

Tabla de clasificación de voz a texto

Tabla de clasificación de Speech Agent Arena

Descripción general de Speech Agent Arena

AA-Speech to Speech Index

Weighted average of Speech Reasoning, Agentic Performance, Arena Preference, and Task Success Rate results · Higher is better

Velocidad

Time to first audio (seconds) on Big Bench Audio · Lower is better

Costo por hora de audio de entrada

Cost to complete fixed 40-question Big Bench Audio subset based on length of input audio, normalized to hourly basis · Lower is better

Artificial Analysis Speech to Speech Index

Weighted average of Speech Reasoning, Agentic Performance, Arena Preference, and Task Success Rate results · Only models with all data available shown · Higher is better

Equal-weighted score across Speech Reasoning (Big Bench Audio), Agentic Performance (𝜏-Voice), Arena Preference (Arena Score), and Task Success Rate. Models must have results for all four components to receive an index score.

Preference Elo is converted into expected preference against an 800-Elo baseline: Arena Score = 100 / (1 + 10^((800 − frozen Elo) / 400)). The rating is frozen when a model first becomes eligible for publication, so it does not track the live Elo shown on the Arena charts.

Razonamiento de voz

Razonamiento de voz (Big Bench Audio)

Speech reasoning: based on the Artificial Analysis Big Bench Audio dataset · Higher is better

Big Bench Audio is an Artificial Analysis benchmark comprising 1,000 audio questions adapted from Big Bench Hard, designed to test the reasoning ability of native audio models. Questions span four categories (250 each): Formal Fallacies (determine whether an argument is deductively valid or invalid), Navigate (determine whether navigation steps return to the starting point), Object Counting (count the number of a specific item class from a list of possessions), and Web of Lies (evaluate the truth value of a Boolean function expressed as a word problem). Models receive an audio input and generate an audio output, which is evaluated as correct or incorrect.

Rendimiento agéntico

Rendimiento agéntico (𝜏-Voice)

Proportion of replica customer service scenarios resolved while acting as a customer support agent, based on the 𝜏-Voice benchmark · Higher is better · Only full duplex models

𝜏-Voice measures task completion in real-world replica customer service scenarios. A voice user simulator calls the tested model with a specific domain problem (e.g., requesting a flight change, disputing a retail charge, resolving a telecom issue) across domains inherited from 𝜏-bench and 𝜏²-bench. The tested model is prompted as a customer support agent with access to domain-specific tools and a policy document. Each task has a single valid database end-state; evaluation compares final state against this ground truth. Charts use average performance across 3 trials where available. For more detail on the original benchmark see the 𝜏-Voice paper.

Nota: Modelos basados en 1 ejecución: GPT-Live-1 (Astra, medium), OpenAI, GPT-Live-1 (Sol, low), OpenAI, GPT-Realtime-2 (Minimal), OpenAI; Modelos basados en 2 ejecuciones: GPT-Realtime-2.1 High, OpenAI

Rendimiento agéntico (𝜏-Voice) por dominio

Proportion of replica customer service scenarios resolved by domain, based on the 𝜏-Voice benchmark · Higher is better · Only full duplex models

Speech Agent Arena

Elo de preferencia de Arena

Preference Elo measures human participants' overall preference after they complete the same scenario with two unidentified Speech to Speech models, such as booking a dental appointment · Only includes models with tool calling · Higher is better

Pairwise preference Elo fitted with Bradley–Terry maximum likelihood, with GPT Realtime 1.5 anchored at 1000.

A Default Cascaded System is a provider’s standard voice-agent pipeline: its orchestration harness connects a speech-to-text model, an LLM, and a text-to-speech model. These entries use the provider’s default stack, rather than a custom pipeline optimized by Artificial Analysis.

Tool registration indicates whether tool definitions are pre-registered or supplied during session setup. As of July 2026:

Model	Harness	STT	LLM	TTS	Tool registration
Deepgram Voice Agent	Deepgram Voice Agent API	Nova-3	GPT-4o Mini	Aura-2	Session-level
ElevenLabs Agents	ElevenLabs Agents	Scribe v2 Realtime	Gemini 2.5 Flash	Eleven Flash v2	Pre-registered
Cartesia Line	Cartesia Line	Ink	Gemini 2.5 Flash	Sonic	Pre-registered schemas; Arena execution
Inworld Realtime	Inworld Realtime API	Inworld STT 1	Gemini 2.5 Flash	Inworld TTS 1.5 Mini	Session-level

Tasa de éxito de tareas

Proportion of eligible conversations with the correct final task-completing tool call or calls · Higher is better

Percentage of eligible conversations with the correct final task-completing tool call or calls.

Tool registration indicates whether tool definitions are pre-registered or supplied during session setup. As of July 2026:

Model	Harness	STT	LLM	TTS	Tool registration
Deepgram Voice Agent	Deepgram Voice Agent API	Nova-3	GPT-4o Mini	Aura-2	Session-level
ElevenLabs Agents	ElevenLabs Agents	Scribe v2 Realtime	Gemini 2.5 Flash	Eleven Flash v2	Pre-registered
Cartesia Line	Cartesia Line	Ink	Gemini 2.5 Flash	Sonic	Pre-registered schemas; Arena execution
Inworld Realtime	Inworld Realtime API	Inworld STT 1	Gemini 2.5 Flash	Inworld TTS 1.5 Mini	Session-level

Dinámica conversacional

Dinámica conversacional (subconjunto de Full Duplex Bench)

Weighted average of pause handling, turn-taking, interruption handling, and backchannel handling from Full Duplex Bench v1 and v1.5 · Higher is better

Metrics from Full Duplex Bench v1 include Pause Handling (% of samples model correctly does not interrupt) and Turn Taking (% of samples correctly takes the turn in conversation). Metrics from Full Duplex Bench v1.5 include User Interruption Handling (% of samples where the model correctly addresses user's interruption) and Backchannel Handling (% of samples where the model correctly continues when a backchannel such as "yeah" or "alright" is played).

Dinámica conversacional (subconjunto de Full Duplex Bench): desglose por categoría

Puntuaciones individuales por categoría, ordenadas por puntuación de dinámica conversacional · Basado en un subconjunto de Full Duplex Bench v1 y v1.5

Benchmarks de API

Costo por hora de audio de entrada (subconjunto de Big Bench Audio)

Cost to complete fixed 40-question Big Bench Audio subset based on length of input audio, normalized to hourly basis · Lower is better

Cost to complete a fixed 40-question Big Bench Audio subset, normalized to an hourly basis using input audio duration. It incorporates audio input, audio output, text input, text output, and separately exposed reasoning/thinking tokens. It does not include cached-token discounts or tool-call costs.

Razonamiento de voz (Big Bench Audio) vs. costo por hora de audio de entrada

Puntuación de Big Bench Audio vs. costo por hora de audio de entrada, medido en un subconjunto fijo de 40 preguntas · Mayor razonamiento de voz y menor costo es mejor

Most attractive quadrant

Time to First Audio

Average time to first audio (seconds) on Big Bench Audio dataset · Lower is better

Number of seconds required to generate the first token of audio output. A lower value represents a faster generation.

Razonamiento de voz (Big Bench Audio) vs. velocidad

Puntuación de Big Bench Audio vs. tiempo hasta el primer audio · Mayor razonamiento de voz y menor latencia es mejor

Most attractive quadrant

Number of seconds required to generate the first token of audio output. A lower value represents a faster generation.

Resumen de métricas clave e información adicional


Alibaba Cloud	Qwen Audio 3.0 Realtime Plus	69,5	99 %	98,4 %	54,6 %	798	77,8 %	1,54	4,42	0,03	0,18
Alibaba Cloud	Qwen3.5 Omni Plus Realtime	-	99 %	-	-	843	62,0 %	2,64	0,00	0,16	0,82
Alibaba Cloud	Qwen Audio 3.0 Realtime Flash	67,7	96 %	96,9 %	35,9 %	858	81,7 %	1,55	4,77	-	-
Alibaba Cloud	Qwen3.5 Omni Flash Realtime	-	59 %	-	-	832	29,1 %	0,79	0,00	0,16	0,82
Alibaba Cloud	Qwen3 Omni Flash	-	59 %	72,7 %	-	-	-	4,82	1,77	0,61	1,36
Alibaba Cloud	Qwen3 Omni Realtime	-	57 %	-	-	-	-	0,88	2,26	0,65	0,99
Amazon Bedrock	Nova 2.0 Sonic (Mar 2026)	-	88 %	-	-	964	57,1 %	1,14	4,89	0,27	1,08
Boson AI	Higgs Realtime	-	69 %	92,8 %	18,6 %	-	-	1,47	-	-	-
Cofe AI	FLM-Audio	-	16 %	62,0 %	-	-	-	-	-	-	-
Deepslate	Deepslate Opal	-	85 %	85,7 %	17,5 %	-	-	0,44	6,48	-	-
ElevenLabs	Eleven Realtime v1 Max	77,3	99 %	94,1 %	47,6 %	990	87,1 %	0,57	4,80	-	-
ElevenLabs	Eleven Realtime v1 Mini	64,4	76 %	95,8 %	46,8 %	981	60,3 %	0,62	4,80	-	-
Google	Gemini 3.8 Live Extended Thinking (High)	82,6	98 %	91,9 %	68,6 %	966	89,1 %	1,35	3,50	-	-
Google	Gemini 3.1 Flash Live High	72,0	97 %	74,3 %	37,7 %	1062	71,8 %	2,99	1,75	0,35	1,38
Google	Gemini 3.8 Live	74,5	92 %	96,1 %	30,1 %	1074	93,2 %	1,18	0,84	-	-
Google	Gemini 2.5 Flash Native Audio Dialog Thinking	-	91 %	-	-	-	-	3,87	-	0,35	1,38
Google	Gemini 3.1 Flash Live Minimal	64,2	71 %	72,3 %	26,2 %	1089	74,6 %	0,96	1,50	0,35	1,38
Google	Gemini 2.5 Flash Native Audio Dialog	-	69 %	-	-	-	-	0,63	1,42	0,35	1,38
Google	Gemini 2.5 Flash Native Audio Preview (Dec 2025)	-	-	44,0 %	22,8 %	-	-	-	-	-	-
Google	Gemini 2.5 Flash Native Audio Preview (Sep 2025)	-	-	30,3 %	-	-	-	-	-	-	-
Krafton	Raon SpeechChat	-	58 %	86,2 %	-	-	-	0,04	-	-	-
Kyutai	Moshi	-	4 %	61,0 %	-	-	-	-	-	-	-
NVIDIA	Nemotron Voicechat	-	27 %	52,9 %	-	-	-	-	-	-	-
NVIDIA	PersonaPlex	-	19 %	91,0 %	-	-	-	-	-	-	-
OpenAI	GPT-Realtime-2 (High)	73,6	97 %	95,3 %	39,8 %	920	89,8 %	1,14	4,14	1,15	4,61
OpenAI	GPT-Realtime-2.1 High	75,2	96 %	95,7 %	45,7 %	931	91,5 %	1,21	10,75	-	-
OpenAI	GPT-Realtime-2 (Medium)	-	93 %	95,2 %	37,4 %	-	-	1,22	3,97	1,15	4,61
OpenAI	GPT-Live-1 (Astra, medium)	83,2	90 %	94,9 %	74,5 %	1027	87,4 %	1,34	5,83	-	-
OpenAI	GPT-Live-1 (Sol, low)	80,1	89 %	97,3 %	59,3 %	1037	90,9 %	1,24	4,47	-	-
OpenAI	GPT-Realtime-2.1 Minimal	70,7	87 %	92,7 %	38,0 %	933	89,4 %	0,97	11,31	-	-
OpenAI	GPT Realtime (Aug '25)	69,1	83 %	93,9 %	30,4 %	967	89,4 %	0,98	11,08	1,15	4,61
OpenAI	GPT-Realtime-1.5	70,3	81 %	95,7 %	38,8 %	1000	85,1 %	0,81	11,44	1,15	4,61
OpenAI	GPT-Realtime-2.1 Mini High	-	75 %	91,7 %	29,4 %	-	-	4,28	3,45	-	-
OpenAI	GPT-Realtime-2 (Minimal)	63,3	72 %	96,1 %	30,8 %	918	84,7 %	1,12	3,07	1,15	4,61
OpenAI	GPT-4o mini Realtime (Dec 2024)	-	69 %	-	-	-	-	1,27	5,75	0,36	1,44
OpenAI	GPT Realtime Mini (Oct '25)	56,1	64 %	95,7 %	15,1 %	922	79,6 %	0,81	3,04	0,36	1,44
OpenAI	GPT-Realtime-2.1 Mini Minimal	54,4	63 %	91,8 %	22,5 %	840	76,7 %	0,85	4,60	-	-
OpenAI	GPT-4o audio chatcompletions	-	54 %	-	-	-	-	3,38	0,00	3,60	14,40
OpenAI	GPT-4o Realtime (Dec 2024)	-	-	89,8 %	27,9 %	-	-	1,49	2,04	1,44	5,76
Phonic	Phonic 1 (High)	87,1	99 %	-	79,9 %	1012	92,3 %	0,61	4,20	-	-
SpaceXAI	Grok Voice 3.0	86,9	99 %	97,0 %	71,6 %	1059	94,8 %	0,81	4,80	-	-
SpaceXAI	Grok Voice 2.0	81,3	97 %	95,1 %	56,5 %	991	94,6 %	0,70	4,80	-	-
SpaceXAI	Grok Voice 1.0	73,7	97 %	77,8 %	52,1 %	903	80,7 %	1,25	3,00	-	-
SpaceXAI	Grok Voice Fast 1.0	-	93 %	71,6 %	27,4 %	-	-	0,78	3,00	3,00	3,00
StepFun	StepAudio 3 Realtime	-	100 %	98,9 %	-	-	-	8,83	-	-	-
StepFun	Step-Audio R1.1 (Realtime)	-	98 %	-	-	-	-	1,53	0,00	0,06	1,69
VITA	Freeze-Omni	-	33 %	58,7 %	-	-	-	-	-	-	-

Preguntas frecuentes

StepAudio 3 Realtime lidera con una puntuación de razonamiento de voz de 99,7 % en el conjunto de datos Big Bench Audio, entre 44 modelos evaluados. Le siguen Qwen Audio 3.0 Realtime Plus con 99,2 % y Phonic 1 (High) con 98,9 %.

StepAudio 3 Realtime lidera con una puntuación de dinámica conversacional de 98,9 % en el conjunto de datos Full Duplex Bench, entre 37 modelos evaluados. Le siguen Qwen Audio 3.0 Realtime Plus con 98,4 % y GPT-Live-1 (Sol, low) con 97,3 %.

Los mejores modelos de voz a voz por calidad de razonamiento son: 1. StepAudio 3 Realtime (99,7 %), 2. Qwen Audio 3.0 Realtime Plus (99,2 %), 3. Phonic 1 (High) (98,9 %), 4. Eleven Realtime v1 Max (98,8 %) y 5. Qwen3.5 Omni Plus Realtime (98,7 %). Las puntuaciones se basan en el benchmark Big Bench Audio.

Los mejores modelos de voz a voz por dinámica conversacional son: 1. StepAudio 3 Realtime (98,9 %), 2. Qwen Audio 3.0 Realtime Plus (98,4 %), 3. GPT-Live-1 (Sol, low) (97,3 %), 4. Grok Voice 3.0 (97,0 %) y 5. Qwen Audio 3.0 Realtime Flash (96,9 %). Las puntuaciones se basan en el benchmark Full Duplex Bench.

Raon SpeechChat tiene el menor Time to First Audio, con 0,04s, seguido de Deepslate Opal (0,44s) y Eleven Realtime v1 Max (0,57s). Los valores más bajos indican una respuesta inicial más rápida.

Qwen Audio 3.0 Realtime Plus es el más económico, con 0,0331 US$/hora de audio de entrada, seguido de Step-Audio R1.1 (Realtime) (0,064 US$/hora) y Qwen3.5 Omni Plus Realtime (0,162 US$/hora).

Full Duplex Bench evalúa qué tan bien manejan los modelos de voz a voz los comportamientos conversacionales reales: saber cuándo hablar, cuándo guardar silencio durante las pausas, cómo responder a las interrupciones y cómo reconocer backchannels como "sí" o "ajá". Artificial Analysis implementa un subconjunto de Full Duplex Bench v1 y v1.5.

El razonamiento de voz (Big Bench Audio) mide si un modelo puede entender y responder correctamente preguntas de razonamiento planteadas en audio. La dinámica conversacional (Full Duplex Bench) mide si un modelo puede manejar el flujo natural de una conversación: toma de turno, pausas e interrupciones. Un modelo puede destacar en una y no en la otra.

Las conversaciones en tiempo real requieren tanto una buena dinámica conversacional como baja latencia. Por puntuación de dinámica conversacional, StepAudio 3 Realtime (98,9 %), Qwen Audio 3.0 Realtime Plus (98,4 %) y GPT-Live-1 (Sol, low) (97,3 %) lideran. Por Time to First Audio, Raon SpeechChat (0,04s), Deepslate Opal (0,44s) y Eleven Realtime v1 Max (0,57s) son los más rápidos. La mejor opción depende de si el flujo natural de la conversación o la velocidad de respuesta es más importante para tu caso de uso.

Los benchmarks se actualizan regularmente a medida que se agregan nuevos modelos y proveedores. Las métricas de rendimiento se monitorean de forma continua para reflejar las capacidades y los cambios de precios actuales de los proveedores.

Tabla de clasificación de modelos y proveedores de IA de voz a voz

Enlaces relacionados

AA-Speech to Speech Index

Velocidad

Costo por hora de audio de entrada

Artificial Analysis Speech to Speech Index

Artificial Analysis Speech to Speech Index

Artificial Analysis Speech to Speech Index

Razonamiento de voz

Razonamiento de voz (Big Bench Audio)

Speech Reasoning

Rendimiento agéntico

Rendimiento agéntico (𝜏-Voice)

𝜏-Voice

Rendimiento agéntico (𝜏-Voice) por dominio

𝜏-Voice

Speech Agent Arena

Elo de preferencia de Arena

Preference Elo

Default Cascaded System

Tasa de éxito de tareas

Task Success Rate

Default Cascaded System

Dinámica conversacional

Dinámica conversacional (subconjunto de Full Duplex Bench)

Conversational Dynamics

Dinámica conversacional (subconjunto de Full Duplex Bench): desglose por categoría

Conversational Dynamics

Benchmarks de API

Costo por hora de audio de entrada (subconjunto de Big Bench Audio)

Cost per Hour of Input Audio

Razonamiento de voz (Big Bench Audio) vs. costo por hora de audio de entrada

Cost per Hour of Input Audio

Speech Reasoning

Time to First Audio

Time to First Audio

Razonamiento de voz (Big Bench Audio) vs. velocidad

Time to First Audio

Speech Reasoning

Resumen de métricas clave e información adicional

Preguntas frecuentes

¿Qué modelo de voz a voz tiene la mejor calidad de razonamiento?

¿Qué modelo de voz a voz tiene la mejor dinámica conversacional?

¿Cuáles son los mejores modelos de voz a voz?

¿Cuáles son los mejores modelos de voz a voz por dinámica conversacional?

¿Cuál es el modelo de voz a voz más rápido?

¿Cuál es el modelo de voz a voz más barato?

¿Qué es Full Duplex Bench (FDB)?

¿Cuál es la diferencia entre el razonamiento de voz y la dinámica conversacional?

¿Qué modelo de voz a voz es el mejor para conversaciones en tiempo real?

¿Con qué frecuencia se actualizan los benchmarks de voz a voz?