✦ EYTVERSE — UNIVERSE WITH A SOUL
☁️ SEMESTA KREATIF ERIKA YUMNA TIFFANY • 🤝 KOLABORASI BERSAMA LALA (@ASC.LALA)
✦ EYT
EYTverse Universe with a Soul
✦ EYTVERSE — UNIVERSE WITH A SOUL
DITERBITKAN November 08, 2026 • TIM REDAKSI EYTVERSE (DIKURASI KREATOR)

ElevenLabs Eleven Realtime: Agen Suara yang Berbicara dalam 90 Bahasa


ElevenLabs Eleven Realtime: Agen Suara yang Berbicara dalam 90 Bahasa


Ada satu pengalaman yang masih terasa aneh pada 2026: berbicara dengan sebuah mesin dan mesin itu menjawab dengan suara yang terdengar seperti manusia — dengan jeda yang tepat, intonasi yang hidup, dan kemampuan untuk diinterupsi di tengah kalimat. Pengalaman ini adalah hasil dari agen suara (voice agent), dan membangunnya selama ini adalah pekerjaan yang rumit: pengembang harus merangkai pengenalan suara, pengendali alur percakapan, model bahasa, dan sintesis suara menjadi satu sistem yang bekerja bersama. Pada Oktober dan November 2026, ElevenLabs mencoba menyederhanakan pekerjaan itu secara drastis dengan Eleven Realtime — sebuah model speech-to-speech yang menggabungkan semua fungsi tersebut ke dalam satu pilihan model. Artikel ini membahas ElevenLabs dan Eleven Realtime secara menyeluruh: apa yang berubah, bagaimana cara kerjanya, apa yang ditunjukkan evaluasinya, serta batas-batas yang perlu dipahami sebelum membangun agen suara di atasnya.


## Apa itu ElevenLabs


ElevenLabs adalah perusahaan audio AI yang dikenal terutama untuk text-to-speech — mengubah teks tertulis menjadi suara yang terdengar alami. Sejak didirikan, perusahaan ini telah memperluas penawarannya ke berbagai produk audio: kloning suara (voice cloning), dubbing, musik, agen percakapan suara, transkripsi (Scribe), dan efek suara. Model flagship text-to-speech mereka saat ini adalah Eleven v4, yang diluncurkan pada 28 September 2026 sebagai model suara yang paling ekspresif.


Eleven v4 mendukung lebih dari 90 bahasa — naik dari lebih dari 70 bahasa pada v3 — dan mengiklankan batas maksimum 10.000 karakter per generasi, dua kali lipat dari 5.000 karakter pada v3. Model ini dirancang untuk meningkatkan fidelitas suara, kontrol ekspresif yang lebih jelas, dukungan bahasa yang lebih luas, dan pemakaian suara kloning yang lebih baik. Salah satu kemampuan yang paling menonjol adalah audio tags: tag dalam tanda kurung siku yang ditulis di dalam naskah — seperti [whispers], [laughs], atau [phone buzzing] — yang dilakukan oleh model, bukan dibacakan. Dengan kata lain, pengarahan pengiriman (delivery direction) ditulis langsung ke dalam naskah, dan suara mengikuti arahan tersebut: berbisik saat diminta berbisik, tertawa saat diminta tertawa.


Eleven v4 juga memiliki varian latensi rendah, v4 Turbo, yang ditujukan untuk aplikasi interaktif daripada voiceover offline. Menurut laporan, v4 Turbo memiliki median waktu hingga suara pertama (time to first speech) sekitar 150 milidetik — angka yang penting untuk percakapan, di mana jeda yang terasa lambat dapat merusak ilusi berbicara dengan seseorang. V4 dikembangkan dengan fidelitas yang lebih baik untuk Instant Voice Clones dan dukungan penuh untuk Professional Voice Clones — dua tingkat kloning suara yang berbeda: kloning instan yang cepat dari sampel pendek, dan kloning profesional yang lebih mendalam dan lebih akurat.


Di sekitar v4, ElevenLabs juga merilis pembaruan lain pada musim gugur 2026: Music v2.5 pada September 2026, yang menjadi model default di balik ElevenMusic, ElevenCreative, dan Music API; Scribe v2 untuk transkripsi; dan Sound Effects v3 untuk efek suara. Perusahaan ini juga mengumumkan valuasi yang lebih tinggi dua hari setelah peluncuran v4 — sebuah tanda tentang seberapa besar pasar percaya pada audio AI.


## Eleven Realtime: satu model untuk seluruh agen suara


Eleven Realtime adalah langkah berikutnya — dan mungkin yang paling penting — dari ElevenLabs. Model ini diumumkan pada 20 Oktober 2026 menurut satu analisis, dan dilaporkan secara luas pada 3 November 2026, dengan kemungkinan perbedaan tanggal ini mencerminkan peluncuran bertahap, termasuk dorongan regional di Korea. Model ini adalah model speech-to-speech (STS): ia menerima suara sebagai masukan dan menghasilkan suara sebagai keluaran, tanpa langkah teks yang terlihat di antaranya.


Inti dari Eleven Realtime adalah integrasi. Sebelumnya, membangun agen suara berarti merangkai teknologi-teknologi yang terpisah: pengenalan suara (speech recognition) untuk mendengar, deteksi aktivitas suara (voice activity detection) untuk mengetahui kapan seseorang berbicara, pengendalian giliran percakapan (turn-taking) untuk mengetahui kapan harus menjawab, model bahasa untuk memutuskan apa yang harus dikatakan, dan sintesis suara untuk mengucapkannya. Setiap bagian berasal dari tempat yang berbeda, dengan latensi dan kegagalan yang berbeda. Eleven Realtime menggabungkan fungsi-fungsi ini ke dalam satu sistem, sehingga pembangun dapat membuat agen suara hanya dengan memilih sebuah model.


Model ini hadir dalam dua versi. Eleven Realtime v1 Mini berfokus pada percakapan yang cepat dan natural — untuk penggunaan seperti asisten, tutor, dan karakter game — dan digambarkan sebagai pilihan yang lebih murah. Eleven Realtime v1 Max dikhususkan untuk menangani tugas yang kompleks — seperti dukungan pelanggan, kualifikasi prospek, dan pengambilan informasi dengan alat eksternal — dan dibangun untuk instruksi yang kompleks serta pekerjaan multi-langkah. Kedua versi mendukung lebih dari 90 bahasa, termasuk Korea dan Jepang, dan memungkinkan pengguna memilih suara yang diinginkan dari pustaka ElevenLabs yang berisi lebih dari 17.000 suara. Keduanya juga memiliki kemampuan turn-taking, respons terhadap interupsi pengguna, dan kemampuan untuk memanggil alat eksternal (external tools).


Model-model ini ditawarkan melalui Eleven Agents, platform agen suara ElevenLabs, dan melalui Realtime API. Yang menarik adalah bahwa Realtime API kompatibel dengan Realtime API milik OpenAI dan terhubung melalui WebSocket — sebuah keputusan desain yang memudahkan pengembang yang sudah memakai API OpenAI untuk beralih atau membandingkan. Namun aksesnya belum universal: menurut satu laporan, akses diluncurkan secara bertahap, sehingga pengaturan Realtime mungkin belum muncul di setiap workspace, dan agen yang sudah ada harus memenuhi batasan kompatibilitas dan regional sebelum beralih.


## Apa yang ditunjukkan evaluasinya


Kinerja Eleven Realtime diukur oleh Artificial Analysis, evaluator pihak ketiga, dalam evaluasi yang dilakukan pada Oktober 2026. Menurut laporan Financial News yang mengutip evaluasi tersebut, model Max mencatat akurasi 98,8 persen pada sebuah benchmark — meskipun detail tentang benchmark mana yang dimaksud tidak sepenuhnya jelas dalam laporan yang tersedia. Waktu dari akhir pertanyaan hingga awal jawaban adalah 0,57 detik. Angka-angka ini dilaporkan melalui grafik yang dikreditkan kepada ElevenLabs, sehingga angka-angka tersebut sampai ke pers melalui perusahaan — dan sumber-sumber yang ditelaah di sini tidak mencakup hasil yang dipublikasikan sendiri oleh Artificial Analysis.


Peringatan ini penting, dan layak ditegaskan. Angka evaluasi pihak ketiga adalah bukti yang lebih kuat daripada klaim vendor semata — tetapi ketika angka-angka tersebut sampai ke publik melalui perusahaan yang dievaluasi, tanpa akses langsung ke hasil yang dipublikasikan oleh evaluator, pembaca sebaiknya memperlakukannya dengan hati-hati. Angka 98,8 persen dan 0,57 detik adalah angka yang mengesankan, tetapi tanpa mengetahui benchmark mana yang diukur, kondisi pengujiannya, dan bagaimana model lain tampil pada benchmark yang sama, sulit untuk menilai apa arti angka-angka tersebut dalam praktik.


Ada juga pengujian fungsional independen yang lebih sederhana. Sebuah ulasan yang diterbitkan pada awal November 2026 melakukan pengujian fungsional pada 3 November yang memeriksa apakah layanan-layanan tersebut mengembalikan hasil — bukan suara mana yang terdengar terbaik. Dalam pengujian itu, Eleven Realtime Mini dan Max sama-sama menjawab pertanyaan aritmatika singkat dalam bahasa Jerman setelah seluruh masukan ditranskripsi. Tidak ada pengujian telepon, mikrofon langsung, atau peringkat latensi umum yang dilakukan. Pengujian semacam ini tidak membuktikan kualitas suara, tetapi membuktikan bahwa layanan tersebut berfungsi — sebuah pemeriksaan dasar yang berguna, tetapi bukan penilaian kualitas.


## Agen suara: mengapa ini penting


Untuk memahami mengapa Eleven Realtime penting, perlu dipahami apa yang berubah dalam cara agen suara dibangun. Sebelum model speech-to-speech yang terintegrasi, agen suara dibangun sebagai pipa (pipeline): suara diubah menjadi teks, teks diproses oleh model bahasa, dan jawaban teks diubah kembali menjadi suara. Setiap langkah menambah latensi dan kehilangan informasi: intonasi, jeda, dan emosi dalam suara asli hilang ketika suara diubah menjadi teks, dan harus direkonstruksi kembali saat teks diubah menjadi suara. Hasilnya adalah agen yang terdengar benar tetapi terasa kaku — seperti berbicara dengan seseorang yang membaca naskah, bukan seseorang yang mendengarkan.


Model speech-to-speech seperti Eleven Realtime mencoba mengatasi masalah ini dengan memproses suara secara langsung, tanpa langkah teks yang terlihat. Ini memungkinkan agen untuk merespons intonasi dan emosi dalam suara pengguna, untuk diinterupsi di tengah kalimat dan merespons interupsi tersebut secara natural, dan untuk menjaga alur percakapan yang lebih mirip dengan percakapan manusia. Turn-taking — kemampuan untuk mengetahui kapan seseorang selesai berbicara dan kapan harus menjawab — adalah bagian yang sangat penting dari hal ini, dan merupakan salah satu kemampuan yang ditekankan dalam peluncuran Eleven Realtime.


Implikasinya melampaui sekadar kenyamanan. Agen suara yang natural dapat dipakai untuk dukungan pelanggan yang tidak terasa seperti berbicara dengan mesin, untuk tutor yang dapat merespons kebingungan dalam suara siswa, untuk karakter game yang dapat diajak bicara, dan untuk asisten yang dapat dipakai oleh orang-orang yang tidak nyaman mengetik. Dalam bahasa-bahasa yang didukung — lebih dari 90 bahasa, termasuk Korea dan Jepang — agen suara juga dapat menjangkau pengguna yang sebelumnya tidak terlayani oleh asisten suara berbahasa Inggris.


## Batas-batas yang perlu diketahui


Seperti semua teknologi suara AI, Eleven Realtime memiliki batas yang perlu dipahami. Yang pertama adalah ketersediaan: akses diluncurkan secara bertahap, dan tidak semua workspace dapat memakai Realtime saat ini. Siapa pun yang berencana membangun di atasnya sebaiknya memeriksa apakah workspace mereka sudah memiliki akses, dan batasan kompatibilitas serta regional apa yang berlaku.


Yang kedua adalah soal evaluasi: angka-angka kinerja yang dilaporkan berasal dari evaluasi pihak ketiga yang hasilnya sampai ke publik melalui perusahaan, dan pengujian fungsional independen yang tersedia hanya memeriksa apakah layanan berfungsi, bukan seberapa baik suaranya. Siapa pun yang memilih antara Mini dan Max — atau antara ElevenLabs dan penyedia lain — sebaiknya menguji kedua model pada kasus penggunaan mereka sendiri, dengan suara dan bahasa yang relevan, sebelum berkomitmen.


Yang ketiga adalah soal kloning suara dan penyalahgunaan. ElevenLabs menyediakan kloning suara — kemampuan untuk membuat suara AI yang meniru suara seseorang. Kemampuan ini memiliki penggunaan yang sah: seorang kreator dapat mengkloning suaranya sendiri untuk narasi, atau seorang aktor dapat melisensikan suaranya untuk proyek. Tetapi kemampuan yang sama dapat dipakai untuk meniru suara orang lain tanpa izin — untuk penipuan, misinformasi, atau pelecehan. ElevenLabs menerapkan pengaman untuk kloning suara, termasuk pembatasan pada paket dan persyaratan verifikasi, tetapi pertanyaan tentang bagaimana mencegah penyalahgunaan kloning suara tetap menjadi salah satu pertanyaan yang paling sulit dalam industri audio AI. Pembaca yang memakai fitur kloning sebaiknya memahami ketentuan dan batasannya, dan tidak pernah mengkloning suara seseorang tanpa izin yang jelas.


Yang keempat adalah soal harga. Daftar harga ElevenLabs menempatkan paket Scale dan Business jauh di bawah tarif sebelumnya, menurut satu laporan — tetapi harga yang tepat untuk Eleven Realtime, dan bagaimana biayanya dibandingkan dengan membangun agen suara dari komponen yang terpisah, perlu diperiksa di halaman harga resmi. Biaya agen suara tidak hanya mencakup model itu sendiri, tetapi juga lalu lintas, penyimpanan suara, dan alat eksternal yang dipanggil.


## ElevenLabs di antara perusahaan audio AI lainnya


ElevenLabs bukan satu-satunya perusahaan audio AI, tetapi ia menempati posisi yang khas. Berbeda dengan perusahaan yang berfokus pada satu produk — seperti Suno untuk lagu, atau Murf untuk voiceover — ElevenLabs membangun platform audio yang luas: text-to-speech, kloning suara, dubbing, musik, agen suara, transkripsi, dan efek suara. Keluasan ini berarti bahwa sebuah tim dapat memakai ElevenLabs untuk banyak kebutuhan audio yang berbeda, dengan satu akun dan satu sistem kredit. Tetapi keluasan ini juga berarti bahwa setiap produk harus bersaing dengan pesaing yang berfokus pada satu hal: Murf untuk voiceover profesional, Suno untuk lagu, dan berbagai alat transkripsi untuk Scribe.


Yang membedakan ElevenLabs dalam persaingan ini adalah fokusnya pada kualitas suara dan ekspresi. Audio tags pada v4 — kemampuan untuk mengarahkan suara berbisik, tertawa, atau mengubah nada melalui tag dalam naskah — adalah kemampuan yang tidak dimiliki oleh semua pesaing. Dan Eleven Realtime — kemampuan untuk membangun agen suara dengan memilih satu model — adalah upaya untuk menyederhanakan pekerjaan yang selama ini membutuhkan perakitan komponen yang rumit. Apakah penyederhanaan ini cukup untuk memenangkan pengembang, baru akan terlihat setelah aksesnya meluas dan setelah pengembang membandingkan hasilnya dengan pendekatan pipeline tradisional.


## Penutup


Eleven Realtime adalah gambaran tentang ke mana arah agen suara: dari pipa yang dirakit dari banyak komponen, menjadi satu model yang dipilih dari daftar. Jika pendekatan ini berhasil, membangun agen suara akan menjadi semudah memilih model — dan percakapan dengan mesin akan terasa lebih seperti percakapan dengan seseorang: dengan interupsi, dengan jeda yang tepat, dan dengan suara yang merespons emosi. Jika pendekatan ini tidak berhasil — jika latensi, kualitas, atau biayanya tidak lebih baik daripada pipa tradisional — maka agen suara akan tetap menjadi pekerjaan perakitan yang rumit.


Untuk saat ini, yang dapat dikatakan dengan aman adalah bahwa ElevenLabs telah merilis model speech-to-speech yang mengintegrasikan pengenalan suara, pengendalian giliran, model bahasa, dan sintesis suara ke dalam satu sistem, dalam dua versi untuk dua jenis pekerjaan, dengan dukungan lebih dari 90 bahasa dan lebih dari 17.000 suara. Selebihnya — seberapa baik ia bekerja dalam praktik, berapa biayanya, dan apakah ia akan menjadi cara standar untuk membangun agen suara — masih menunggu pengujian independen dan adopsi yang lebih luas.


Catatan transparansi: Artikel ini ditulis dari pemberitaan sekunder tentang ElevenLabs pada September hingga November 2026, termasuk peluncuran Eleven v4 pada 28 September 2026 dan Eleven Realtime pada Oktober–November 2026, serta evaluasi Artificial Analysis pada Oktober 2026 dan pengujian fungsional independen pada 3 November 2026. Penulis tidak memiliki akun ElevenLabs berbayar dan tidak melakukan pengujian langsung terhadap Eleven v4 atau Eleven Realtime untuk artikel ini. Angka evaluasi 98,8 persen dan 0,57 detik dikutip dari laporan yang mengutip evaluasi pihak ketiga, dan grafik kinerjanya dikreditkan kepada ElevenLabs; hasil yang dipublikasikan sendiri oleh evaluator tidak tersedia dalam sumber yang ditelaah. Harga dan ketersediaan sebaiknya diperiksa di halaman resmi ElevenLabs sebelum mengambil keputusan.

✦ KARYA ORISINAL EYTVERSE • PERSONA & KOLABORASI

Semesta Kreatif Erika & Kolaborasi Lala

EYTverse berpusat pada Erika Yumna Tiffany sebagai AI muse dan persona editorial utama yang memberi benang merah pada seluruh eksplorasi teknologi, visual, musik, dan busana di situs ini—serta berkolaborasi erat dengan karakter Alana Sheela Clarissa (Lala / @asc.lala).

☁️ AI MUSE UTAMA & PERSONA EDITORIAL

Erika Yumna Tiffany (Erika)

Titik tumpu identitas EYTverse. Erika merepresentasikan semangat eksplorasi yang hangat, ekspresif, dan penuh rasa ingin tahu—memadukan gaya busana Street-Modest bernuansa pastel dengan eksperimen teknologi AI, pengujian tools kreatif, serta proyek musik orisinal seperti "Bismillah" dan "Qadarullah".

LAGU ORISINAL EYTVERSE Bismillah — Erika Yumna Tiffany
🌸 KOLABORATOR UTAMA • @ASC.LALA

Alana Sheela Clarissa (Lala)

Karakter kolaborator dalam semesta kreatif ini dengan identitas ASC Lala (@asc.lala) yang berdiri mandiri. Lala menghadirkan nuansa Luxury Modern Modest yang tenang dan reflektif melalui seri karya visual, busana, serta lagu orisinal "Sakinah".

LAGU ORISINAL KOLABORATOR Sakinah — Alana Sheela Clarissa
01 // PERSONA & AI MUSE

Erika Yumna Tiffany

Titik tumpu identitas dan persona editorial yang menyatukan beragam topik ke dalam dunia kreatif EYTverse.

02 // KREATOR MANUSIA

Pengarah & Kurator

Menentukan arah proyek, memberikan instruksi, memilih topik, serta mengkurasi dan menyunting konten sesuai kebutuhan.

03 // KOLABORASI AI

Eksplorasi & Draf Kreatif

Membantu pengembangan draf tulisan, analisis, ide, dan materi visual/audio secara terbuka.