بطاقة عنوان مُولّدة لمقالة «Avatar 6 vs Realtime Venus»، مع سطر تمهيدي نصه «مقارنة نماذج Avatar»، والعنوان الكبير «Avatar 6 vs Realtime Venus»، والعنوان الفرعي «مُصيّر ومستمع، جرى مقارنتهما عن طريق الخطأ»، وثلاث بطاقات على شكل أقراص نصها «فيديو، حتى 2K» و«كلام، Apache-2.0» و«مهام مختلفة».
Engineering & Research

Avatar 6 مقابل Realtime Venus: مُصيّر ومستمع، مقارنة تمت بالخطأ

الكاتب

Elias Hawthorne

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

ضع Avatar 6 وRealtime Venusفي الجملة نفسها، وأول ما يجب قوله هو أن أحدهما لا يمكنه أن يُظهر لك وجهاً. Realtime Venus هو نموذج التفاعل كامل الازدواجية من Ant Group — نظام بحجم 9 مليارات معامل يستمع أثناء تحدثه، ويفهم الصوت في سياق ما يمكنه رؤيته، ويفوّض العمل في الخلفية. مخرجاته هي الكلام والقرارات. لا يولّد فيديو، ولا يعرض مقدماً، وليس لديه مفهوم الصورة المرجعية. أما Avatar 6، الذي أصدرته HeyGen في 17 نوفمبر 2026، فيفعل شيئاً واحداً فقط: يُضفي الحركة على شخص انطلاقاً من صورة أو مقطع قصير، مدفوعاً بالصوت الذي تقدمه، ويعيد فيديو بدقة تصل إلى 2K.

إذن فالمقارنة خطأ في التصنيف، والنسخة المفيدة منها سؤال تصميمي. إذا كنت تبني شيئًا يظهر فيه إنسان على الشاشة ويؤدي دوره في المحادثة، فأنت تحتاج كلا نوعي النظام، والقرار المهم هو أي جانب من المكدس تملكه. وهنا يتباعد هذان بشدة — أحدهما يمكنك تنزيله، والآخر لا يمكنك إلا استئجاره.

مجموعتان من الأدلة، كلتاهما صادقة بشأن حدودها

يصل Realtime Venus بالطريقة التي يصل بها البحث المفتوح: تقرير على arXiv (2609.13814)، وأوزان Apache-2.0 على Hugging Face تحت inclusionAI/Realtime-Venus، ونقطتا تفتيش بحجم 9B، وصفحة مشروع تتضمن عروضًا توضيحية. لم يكن هناك منشور إطلاق، ولا واجهة برمجة تطبيقات، ولا سعر، ولا معيار أداء أعاد طرف خارجي إنتاجه. كل رقم مرتبط به يأتي من التقرير الفني الذي كتبه المؤلفون عن نموذجهم الخاص.

يأتي Avatar 6 بمنظومة معاكسة: صفحة منتج، ومعرّفان، ونقطة نهاية REST، وطبقة مجانية، وتقرير تقني أُجريت دراساته كلها عن التفضيل بواسطة HeyGen على مُقيّمي HeyGen. لكنه يمتلك شيئًا واحدًا يفتقر إليه Venus — قياسًا خارجيًا. فقد وضعته ساحة New Measure العمياء، المنشورة في 18 نوفمبر، في المرتبة الأولى على كلتا لوحتيها بواقع 1,197 و1,237 إيلو، على مقاطع لا تتجاوز مدتها 35 ثانية.

اقرأ الرقمين البارزين باعتبارهما ادعاءين لا نتائج. فنسبة 84.4% لدى HeyGen هي معدل فوز في مقارنة جنبًا إلى جنب قدره 42.2% أُعيد قياسه مقابل خط أساس 50%؛ ودراستها الخاصة بمقطع واحد تضع Avatar 6 عند 65.1% من حيث الحكم عليه بأنه حقيقي مقابل 78.9% للقطات غير المحررة. أما نسبة 97% التي حققتها Venus في استمرار الإشارات الخلفية فتأتي من Full-Duplex-Bench v1.5، وهو بروتوكول اختاره مؤلفوه. لا أحد من الرقمين مخادع، ولم يكرر أياً منهما طرف ليس لديه ما يبيعه — رغم أن Avatar 6 على الأقل صوّت عليه غرباء، لنصف دقيقة في كل مرة.

A generated two-column scoreboard titled 'Avatar 6 vs Realtime Venus — the scoreboard'. Left column 'Avatar 6': Backbone undisclosed; Input reference media plus audio; Output video up to 2880x1620; Turn-taking none, it performs a script; Duration 25-28 min demonstrated; Access and licence HeyGen credits. Right column 'Realtime Venus': Backbone 9B omni: SigLIP2, Whisper-Medium, Qwen3-8B; Input continuous audio and video streams; Output speech and text, no pixels; Turn-taking full duplex, 97% backchannel; Duration a running session, 40,960-token context; Access and licence Apache-2.0 weights. The footer reads 'Venus scores self-reported in arXiv 2609.13814. Avatar 6 per HeyGen plus New Measure.'

مِمَّ يتكوَّن كل نظام

• العمود الفقري — Avatar 6: غير معلن؛ تصفه HeyGen بأنه أذكى نموذج أفاتار لديها، ولا توثّق أي بنية. Realtime Venus: نموذج omni بحجم 9B مع رؤية SigLIP2، وصوت Whisper-Medium، وعمود فقري لغوي Qwen3-8B، ومُكيَّف عن MiniCPM-o 4.5 وفق بطاقة النموذج.

• المدخلات النمطية — Avatar 6: صورة مرجعية واحدة أو فيديو مرجعي واحد مع صوت الكلام. Realtime Venus: تدفقات صوتية ومرئية متواصلة، بالإضافة إلى سياق المهمة المفوّضة.

• الأنماط الصادرة — Avatar 6: فيديو مع كلام متزامن، بدقة تصل إلى 2880×1620 عبر Model API. Realtime Venus: كلام ونص وإشارات تحكم؛ بلا بكسلات.

• المدة — Avatar 6: بطول الصوت، مع عروض متواصلة مُثبتة تتراوح بين 25 و28 دقيقة. Realtime Venus: جلسة قيد التشغيل، بسياق يبلغ 40,960 رمزًا وذاكرة فيديو طويل دون تدريب تخزّن إطارات مختارة وتسترجعها.

• تناوب الأدوار — Avatar 6: لا يوجد. فهو يؤدّي نصًا مكتوبًا؛ ولا يوجد من يقاطعه. Realtime Venus: ازدواجية كاملة، مع استجابة مدروسة للمقاطعة والقدرة على مواصلة التحدث عبر قناة خلفية.

• الوصول — Avatar 6: واجهة برمجة تطبيقات REST، مشروطة بالموافقة، وتُحتسب تكلفتها من أرصدة HeyGen. Realtime Venus: الأوزان متاحة على Hugging Face وModelScope، بلا نقطة نهاية مستضافة، وبلا سعر.

• الترخيص — Avatar 6: شروط تجارية بموجب حساب HeyGen. Realtime Venus: Apache-2.0.

هذا الصف الأخير هو الذي يعيد تنظيم المقارنة. Avatar 6 خدمة. Realtime Venus نموذج. وكل شيء آخر يتبع ذلك.

A screenshot of HeyGen's research page for 'Avatar 6: Talking Avatars That Are More Like You', dated 17 November 2026 and marked a 17-minute read, with the abstract stating that Avatar 6 reproduces how a person looks, speaks and moves from a single photo, up to 2K, with no length limit.

إن الفرق في المشتريات هو الفرق الحقيقي.

إذا أردت تشغيل Realtime Venus في بيئة الإنتاج، فستقوم بتنزيله، وتجهيز وحدات GPUs، وتتولى مسؤولية مشكلة الخدمة بنفسك. نقطتا تفتيش 9B، بصيغة BF16، وتصدير ONNX إلى جانب safetensors، وحزمة Android APK لتجارب على الجهاز، ومستودع harness منفصل لحلقة التفويض. لن يرسل لك أحد فاتورة ولن يسحب أحد نقطة النهاية الخاصة بك من الخدمة، لكن لن يصلح لك أحد زمن الاستجابة أيضاً. بالنسبة لفريق بحثي، هذه ميزة. وبالنسبة لفريق منتج، فهي ربع سنة من العمل قبل أول ناتج مفيد.

إذا أردت تشغيل Avatar 6 في الإنتاج، فسجّل، واحصل على مفتاح، ثم استدعِ POST /v3/models/avatars مع صورة مرجعية وعنوان URL لملف صوتي. ستحصل على video_id في استجابة 202، ثم تستعلم، فيظهر عنوان URL موقّع. إن مسار الموافقة أثقل مما تفرضه معظم الجهات — إذ يتطلب فيديو مرجعي واقعي لشخص حقيقي وصول Enterprise وبيانًا أمام الكاميرا يتضمن رمزًا لمرة واحدة خاصًا بالجلسة — لكن التكامل يستغرق أمسية واحدة، لا ربع سنة.

ما لا يمكنك فعله مع Avatar 6 هو تسعيره لكل وحدة. تنشر HeyGen سعر 0.02 دولار في الثانية لـ HeyGen Video 1، ولا شيء مكافئ لذلك لـ Avatar 6؛ إذ تبيع صفحة التسعير العامة خطة Creator بسعر 29 دولارًا شهريًا مقابل 600 رصيد، وخطة Pro بسعر 49 دولارًا شهريًا مقابل 1,000 رصيد، دون نشر أي تحويل من الرصيد إلى الثواني. أما Realtime Venus فتواجه المشكلة المعاكسة: التكلفة الحدية للمكالمة هي فاتورة الكهرباء لديك، والتكلفة الثابتة هي وحدة GPU عليك أن تبررها لشخص ما.

حيث سيلتقي الاثنان فعليًا

تخيّل المنتج الذي هذان مكوّنان منه: شخص يطرح سؤالًا بصوته، وشيء ما يقرّر ما يجب قوله، ثم وجه يعيد قوله بالتعبير المناسب وإيماءة عند الكلمة المهمة. يغطّي Realtime Venus الخطوتين الأولىين — فهو يسمعك، ويقرّر متى يتحدّث، ويستطيع مواصلة الاستماع أثناء حديثه. أما Avatar 6 فيغطّي الخطوة الأخيرة، ويفعل ذلك على نحو أفضل من أي شيء آخر متاح للشراء حاليًا، وفقًا للجهة المستقلة الوحيدة التي نظرت في الأمر.

المشكلة تكمن في نقطة الوصل. يريد Avatar 6 ملف صوتيًا كاملًا — إذ يمتد الفيديو بطول الصوت الذي تسلّمه إياه، ولا توجد لديه وضع بثّ، ولا إدخال صوت جزئي، ولا أي طريقة للإلحاق. أما Realtime Venus فينتج الكلام تدريجيًا مع تقدّم المحادثة. وضمّهما معًا يعني تخزين مخرجات Venus مؤقتًا حتى تكتمل كلامًا نهائيًا، ثم إرسالها إلى HeyGen، وانتظار اكتمال تصيير قاسته الساحة المستقلة بمدة نموذجية بلغت 175.6 ثانية، ثم تشغيل فيديو جرى توليده بعد أن مضت اللحظة. تلك ليست محادثة. إنها محادثة بالطلب البريدي.

للنسخة اللحظية تحتاج إلى مُصيّر يولّد الفيديو مع وصول الكلام، وذلك منتج مختلف. إن Meta's Muse Realtime Avatar هو أقرب مثال متاح تجاريًا؛ ويُعد Tavus Griffin، في المعاينة البحثية، مثالًا آخر. أما Avatar 6 فليس كذلك، ولم تدّعِ HeyGen قط أنه كان كذلك — فميزانية زمن الوصول لديها هي ميزانية معالجة دفعية، وبيانات الساحة تؤكد ذلك: فقد استغرق واحد من كل عشرة عمليات تصيير للأفاتار الشخصي من HeyGen أكثر من تسع دقائق ونصف.

ما الذي تقيسه Venus ولا يقيسه أي شيء آخر هنا

الأرقام المثيرة للاهتمام في تقرير Venus ليست درجات جودة. بل هي أرقام سلوكية، وهي تصف مشكلة لا يعاني منها Avatar 6 لأن Avatar 6 لا يستمع.

يضع Full-Duplex-Bench v1.5 نسبة الاستمرار عند 97% للإشارات الخلفية للمستخدم، و88% للكلام الموجه إلى الآخرين، و86% لكلام الخلفية، مع معدل استجابة منفصل قدره 75% للمقاطعات الحقيقية. والمغزى من هذه الأرقام الأربعة معًا هو أن النموذج يميّز بين "mm-hm" و"wait, stop" — فهو يواصل عبر الأولى ويستجيب للثانية. وتسجل نتائج الفهم 70.2% على StreamingBench، و64.7% على OVO-Bench، و81.3% على Daily-Omni، و78.0% على MMAU audio. أما دقة التفويض على المعيار الداخلي للفريق فهي 75.93% لنقطة تحقق Omni و68.89% لنقطة تحقق Audio، وهي تقيس ما إذا كان النموذج يقرر بشكل صحيح تفويض مهمة ما، لا ما إذا كانت المهمة تنجح.

تلك أهداف هندسية مفيدة لأي شخص يبني وكيل محادثة، وهي غير مُعاد إنتاجها. والقراءة الأمينة هي أن Venus خط أساس مفتوح وموثوق للسلوك ثنائي الاتجاه الكامل، نُشرت مع أوزانها كي يمكن التحقق من الادعاء، وأنه لم ينشر أحد خارج Ant Group وTsinghua تحققًا.

أين يقع OrcaRouter

لا يخصّنا بيع أيٍّ منهما. Realtime Venus هي أوزان وورقة بحثية لا توجد خلفها خدمة استدلال تستمع؛ وAvatar 6 هو مُصيّر HeyGen، تحكمه آلية موافقة HeyGen ويُدفع ثمنه من أرصدة HeyGen. وأي عرض توجيه يطمس أيًا من هذين الخطين سيكون كذبة، وهي الكذبة التي تظهر في أول سبرنت لك بدلًا من أن تظهر في عرض مبيعات.

ما نقدّمه فعليًا هو الجزء الخاص بالاستدلال المفوَّض الذي يعتمد عليه كلا الهيكلين. فتصميم Venus نفسه يوجّه المهام الخلفية إلى نموذج متعدد الوسائط، أو نموذج عام، أو مهارة مسجّلة؛ ونصّ Avatar 6 لا بد أن يكتبه شيء ما. تلك الطبقة هي حيث مفتاح واحد عبر أكثر من 200 نموذج، بسعر قائمة المزوّد دون أي هامش ربح، ومع التحوّل التلقائي عند الفشل، تُزيل العمل فعليًا — لأنها الجزء الوحيد في أي من خطّي المعالجة حيث تتوفر لك حرية اختيار المورّد.

A screenshot of the OrcaRouter Models page, showing the filter sidebar and the header reading 226 models, with the tabs All 226, Cyber 11, Text 190 and Image 12.

القراءة التي تصمد عند ملامستها لخريطة طريق

إذا كانت مشكلتك هي «نحتاج مقدمًا على الشاشة يلقي كلامنا، على نطاق واسع، هذا الربع»، فإن Avatar 6 هو الجواب ولا مكان لـ Realtime Venus في النقاش. تقبّل المجهولات الثلاثة — لا سعر منشور لكل ثانية، ولا اختبار مستقل يتجاوز 35 ثانية، ووقت معالجة نموذجي يُقاس بالدقائق — وجرّبه تجريبيًا.

إذا كانت مشكلتك هي "نحتاج إلى شيء يمكنه خوض محادثة منطوقة ويقرر متى يتحدث"، فإن Realtime Venus خط أساس مفتوح جاد وAvatar 6 غير ذي صلة، لأنه لا يملك أذنين. خذ أوزان Apache-2.0، وخطط لتكلفة الخدمة، وتعامل مع كل نتيجة مُبلَّغ عنها على أنها خاصة بالمؤلفين حتى يعيد أحد إنتاجها.

إذا كانت مشكلتك هي "كلاهما" — وجهٌ يتحادث — فلا هذا ولا ذاك هو المنتج، والفجوة بينهما هي حيث ستُخاض الأشهر الاثنا عشر القادمة من هذه الفئة. المُصيِّر الذي يبثّ، مدفوعًا بمستمعٍ يقرر، بسعرٍ يمكنك نمذجته: لم يُطلق أحد ذلك بعد. عندما يفعل أحدهم، ستحتاج هذه الصفحة إلى إعادة كتابة.