Tabla de clasificación de Speech Agent ArenaArtificial Analysis
Compara modelos Speech to Speech por preferencia a ciegas en conversaciones de voz en vivo sobre temas como reservar una cita dental y pedir comida para llevar. Para más detalles, consulta descripción general y metodología, o visita Comparar modelos y proveedores para comparar modelos Speech to Speech en otros benchmarks.
Rango | Modelo | Elo | Muestras | Tasa de éxito de tareas | IC del 95 % de la tasa de éxito | |
|---|---|---|---|---|---|---|
| 1 | 1-2 |  Gemini 3.1 Flash Live Minimal | 1095±26Intervalo del 95%: 1069 a 1121 | 935 | 74,6 % | 69,4 %/79,2 % |
| 2 | 1-4 | Gemini 3.8 Live | 1078±28Intervalo del 95%: 1050 a 1105 | 557 | 93,2 % | 89,0 %/95,8 % |
| 3 | 2-6 | Gemini 3.1 Flash Live High | 1066±25Intervalo del 95%: 1041 a 1092 | 913 | 71,8 % | 66,4 %/76,7 % |
| 4 | 2-6 |  Grok Voice 3.0 | 1064±28Intervalo del 95%: 1036 a 1093 | 637 | 94,8 % | 91,6 %/96,8 % |
| 5 | 3-7 |  GPT-Live-1 (Sol, low) | 1047±26Intervalo del 95%: 1021 a 1073 | 730 | 90,9 % | 87,2 %/93,7 % |
| 6 | 3-7 | GPT-Live-1 (Astra, medium) | 1044±26Intervalo del 95%: 1018 a 1070 | 681 | 87,4 % | 82,9 %/90,8 % |
| 7 | 5-11 |  Cartesia Line (Default Cascaded System) | 1024±33Intervalo del 95%: 990 a 1057 | 266 | 77,5 % | 68,9 %/84,3 % |
| 8 | 8 | GPT-Realtime-1.5 | 1000AnclaFijado en 1000 como punto de referencia de la escala Elo de esta clasificación. | 876 | 85,1 % | 80,8 %/88,6 % |
| 9 | 7-14 |  Eleven Realtime v1 Max | 997±28Intervalo del 95%: 970 a 1025 | 638 | 87,1 % | 82,6 %/90,6 % |
| 10 | 8-14 | Grok Voice 2.0 | 997±26Intervalo del 95%: 971 a 1023 | 624 | 94,6 % | 91,4 %/96,7 % |
| 11 | 8-14 | ElevenLabs Agents (Default Cascaded System) | 994±25Intervalo del 95%: 969 a 1019 | 840 | 90,5 % | 86,7 %/93,4 % |
| 12 | 8-15 | Eleven Realtime v1 Mini | 988±28Intervalo del 95%: 960 a 1016 | 613 | 60,3 % | 54,3 %/66,0 % |
| 13 | 8-15 | Gemini 3.8 Live Extended Thinking (High) | 979±25Intervalo del 95%: 954 a 1004 | 724 | 89,1 % | 84,7 %/92,4 % |
| 14 | 9-15 |  Nova 2.0 Sonic (Mar 2026) | 973±24Intervalo del 95%: 949 a 998 | 869 | 57,1 % | 51,1 %/62,9 % |
| 15 | 12-15 | GPT Realtime (Aug '25) | 969±25Intervalo del 95%: 944 a 993 | 862 | 89,4 % | 85,2 %/92,6 % |
| 16 | 16-21 | GPT-Realtime-2.1 High | 937±25Intervalo del 95%: 912 a 962 | 835 | 91,5 % | 87,7 %/94,3 % |
| 17 | 16-21 | GPT-Realtime-2.1 Minimal | 937±25Intervalo del 95%: 912 a 961 | 874 | 89,4 % | 85,2 %/92,5 % |
| 18 | 16-23 | GPT-Realtime-2 (High) | 926±25Intervalo del 95%: 901 a 950 | 855 | 89,8 % | 85,7 %/92,9 % |
| 19 | 16-23 | GPT Realtime Mini (Oct '25) | 924±24Intervalo del 95%: 900 a 948 | 909 | 79,6 % | 74,6 %/83,8 % |
| 20 | 16-23 | GPT-Realtime-2 (Minimal) | 924±24Intervalo del 95%: 899 a 948 | 922 | 84,7 % | 80,3 %/88,3 % |
| 21 | 16-23 | Nova Sonic | 913±26Intervalo del 95%: 887 a 938 | 827 | 57,1 % | 51,6 %/62,5 % |
| 22 | 18-23 | Grok Voice 1.0 | 908±26Intervalo del 95%: 882 a 934 | 864 | 80,7 % | 75,8 %/84,8 % |
| 23 | 18-23 |  Deepgram Voice Agent (Default Cascaded System) | 908±25Intervalo del 95%: 883 a 932 | 886 | 73,7 % | 68,5 %/78,2 % |
| 24 | 24 |  Inworld Realtime (Default Cascaded System) | 882±25Intervalo del 95%: 857 a 907 | 880 | 69,9 % | 64,3 %/75,0 % |
| 25 | 25-28 |  Qwen3.5 Omni Plus Realtime | 852±25Intervalo del 95%: 827 a 878 | 888 | 62,0 % | 56,4 %/67,2 % |
| 26 | 24-28 | Qwen Audio 3.0 Realtime Flash | 847±36Intervalo del 95%: 811 a 883 | 245 | 81,7 % | 70,1 %/89,4 % |
| 27 | 25-28 | Qwen3.5 Omni Flash Realtime | 843±25Intervalo del 95%: 818 a 868 | 922 | 29,1 % | 24,0 %/34,8 % |
| 28 | 25-28 | GPT-Realtime-2.1 Mini Minimal | 840±25Intervalo del 95%: 814 a 865 | 912 | 76,7 % | 71,1 %/81,4 % |
| 29 | 29 | Qwen Audio 3.0 Realtime Plus | 793±39Intervalo del 95%: 755 a 832 | 267 | 77,8 % | 66,9 %/85,8 % |