Eine generierte Titelkarte für den Artikel „Avatar 6 vs Muse Realtime Avatar“, mit einem Kicker „AVATAR-MODELLVERGLEICH“, dem großen Titel „Avatar 6 vs Muse Realtime Avatar“, dem Untertitel „Einen mietest du, im anderen lebst du“ und drei Pill-Karten mit den Aufschriften „eine Datei, die dir gehört“, „eine Session, der du beitrittst“ und „kein Endpoint, keine Integration“.
Guides & Insights

Avatar 6 vs. Muse Realtime Avatar: Den einen mietest du, in dem anderen lebst du

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Der Vergleich wird angestellt, weil beide die besten Avatare sind, die eines der beiden Unternehmen je gezeigt hat, und beide so neu sind, dass niemand eine aus Erfahrung gebildete Meinung hat. Aber Avatar 6, veröffentlicht von HeyGen am 17. November 2026, und Muse Realtime Avatar, von Meta auf dem Meta Connect am 23. September 2026 vorgestellt und seit dem 5. November in der US-Muse-App ausgerollt, sind keine zwei Antworten auf dieselbe Frage. Das eine ist ein Renderer, den man mit Audio aufruft und eine Datei zurückbekommt. Das andere ist ein Gesicht, das auf einen Konversationsagenten in einer Consumer-App geschraubt ist. Die nützliche Frage ist nicht, welches besser aussieht. Sie lautet, welches auch nur annähernd in der Nähe deines Produkts existieren kann – und für eines davon lautet die Antwort „noch nicht, und nicht zu deinen Bedingungen.“ Der Teil dieses Stacks, den du heute wählen kannst, ist die Textebene – ein Schlüssel für die Skript- und Routing-Ebene und es ist der Teil, der entscheidet, ob der Avatar etwas sagt, das es wert ist, gerendert zu werden.

Die Form jedes Systems

Avatar 6 ist in der Hinsicht zustandslos, die für einen Ingenieur zählt. Sie senden ihm ein Referenzbild oder ein kurzes Video, Sie senden ihm das Sprachaudio, und es gibt eine Videodatei zurück, die über die gesamte Länge dieses Audios läuft. Nichts bleibt erhalten. Es gibt keine Sitzung, keinen Speicher, keinen Konversationszustand. Ein sechsundzwanzigminütiger Render ist eine einzige kontinuierliche Generierung aus einer Audiospur, und wenn Sie einen zweiten Take möchten, senden Sie die Anfrage erneut.

Muse Realtime Avatar ist das Gegenteil: Außerhalb einer Sitzung hat er keine Bedeutung. Er verarbeitet Sprach-Tokens, die von Metas Konversationsschicht erzeugt werden, und verwandelt sie in synchronisierte Mimik, Lippenbewegungen und Gestik, während sich das Gespräch entfaltet. Die veröffentlichte Zahl ist 870 Millisekunden vom Ende Ihres Beitrags bis zum ersten Byte einer synchronisierten Sprach-und-Video-Antwort – eine Erstbyte-Angabe, keine Angabe zur Zeit bis zur vollständigen Antwort. Seine Ausgabe ist ein Hochformatvideo mit 448×768 Pixeln bei 25 Bildern pro Sekunde, mit einem transparenten Overlay als Wasserzeichen versehen, damit Empfänger erkennen können, dass es kein Kamerabild ist.

• Arbeitseinheit — Avatar 6: eine Anfrage, eine Datei, Länge durch das Audio festgelegt. Muse Realtime Avatar: eine Live-Sitzung, keine Datei, Ausgabe nur im Moment von Bedeutung.

• Eingabe – Avatar 6: Referenzmedien plus Audio, das Sie generieren oder aufnehmen. Muse Realtime Avatar: Sprach-Tokens von Muse Realtime Voice, ein Referenzbild und ein gleitendes Fenster aktueller Video-Latents.

• Ausgabe — Avatar 6: 1080p- oder 2K-Video, bis zu 2880×1620, in dem Seitenverhältnis, das die Referenz vorgibt. Muse Realtime Avatar: 448×768 im Hochformat bei 25 fps, mit Wasserzeichen.

• Verfügbarkeit — Avatar 6: dokumentierte REST-API, veröffentlicht in der Entwicklerdokumentation mit zwei Modellkennungen. Muse Realtime Avatar: die Muse-App, für Konten ab 18 Jahren, in den USA.

• Preis — Avatar 6: Abonnement-Credits ohne veröffentlichten Sekundentarif. Muse Realtime Avatar: keinerlei Preisliste; der Zugang ist in einem Muse-Abonnement enthalten.

• Bewertung — Avatar {{1}}6{{/1}}: {{2}}Herstellerstudien plus eine unabhängige Arena, die es auf Platz eins setzt{{/2}}. Muse Realtime Avatar: {{3}}nur vom Hersteller gemeldete Vergleiche{{/3}}.

• Steuerung — Avatar 6: motion_prompt bis zu 1.200 Zeichen, zweistufige Ausdrucksstärke. Muse Realtime Avatar: keinerlei Steuerungsmöglichkeiten für Entwickler.

A generated two-column scoreboard titled 'Avatar 6 vs Muse Realtime Avatar — the scoreboard'. Left column 'Avatar 6': Unit of work one request, one file; Input reference media plus audio; Output video up to 2880x1620; Latency not published; Access REST API, two model IDs; Price subscription credits. Right column 'Muse Realtime Avatar': Unit of work one live session, no file; Input speech tokens, reference image, video latents; Output 448x768 portrait at 25 fps; Latency 870 ms to first byte; Access Muse app, US, 18+; Price no rate card of any kind. The footer reads 'Avatar 6 per HeyGen and New Measure. Muse figures vendor-reported only.'

Warum die Latenzwerte nicht vergleichbar sind

Metas 870 Millisekunden und HeyGens Schweigen zur Generierungszeit sollten beide sorgfältig gelesen werden, weil sie unterschiedliche Phasen unterschiedlicher Pipelines messen.

Metas Zahl ist der Abstand zwischen dem Moment, in dem Sie einen Satz beenden, und dem ersten Byte einer Antwort, die sowohl Sprache als auch Video enthält. Sie sagt nichts über den Rest des Anrufs aus – weder über die dauerhaft gehaltene Bildrate, noch darüber, was passiert, wenn das Thema mitten im Satz wechselt, noch darüber, ob das Bild nach drei Minuten noch standhält. Metas eigene Methodik vergleicht mit Referenzwerten, die Meta selbst ausgewählt hat. Es ist eine Aussage über die Reaktionsfähigkeit, und zwar eine echte, aber sie ist nur ein einzelner Punkt auf einer Kurve.

Durchsatz ist die Achse, die Metas Zahl nicht berührt, denn Meta verkauft keinen Durchsatz. Die unabhängige Arena maß Avatar 6 mit typischen 175,6 Sekunden pro Personal-Avatar-Render — dem langsamsten der fünf verglichenen Systeme —, wobei jeder zehnte Render länger als neuneinhalb Minuten lief; Runways Eintrag lag für dasselbe Set im Durchschnitt bei 60,2 Sekunden. Eine Batch-Pipeline schluckt das: hundert Skripte in die Warteschlange stellen, sie am Morgen abholen. Ein Live-Call kann das nicht, und genau diese Einschränkung hat Meta wegoptimiert; das ist der Grund, warum die beiden Systeme nicht austauschbar sind, selbst dort, wo sich die Bildqualität überschneidet.

Die beiden Zahlen konkurrieren also nicht. Die eine ist eine Echtzeit-Kennzahl für ein System, das innerhalb eines Gesprächs antworten muss. Die andere ist eine Abwesenheit – für ein System, das nie dafür gebaut wurde, innerhalb eines Gesprächs zu antworten.

Die Evidenzlücke, klar ausgedrückt

Die beiden Systeme sind auch darin ungleich, wie viel ein Außenstehender überprüfen kann. Avatar 6 hat einen öffentlichen Endpoint, sodass New Measure es blind gegen sieben Konkurrenten antreten lassen und Elo veröffentlichen könnte – mit 1.197 und 1.237 auf beiden Ranglisten auf Platz eins – zusammen mit seinen eigenen Vorbehalten zu kurzen Skripten, 35-Sekunden-Clips und drei Konkurrenten, die über HeyGens Voice Clone sprechen. Muse Realtime Avatar hat keinen Endpoint, daher wurde jeder existierende Vergleich von Meta durchgeführt, auf einer von Meta ausgewählten Baseline. Das ist kein Vorwurf der Unehrlichkeit; es ist das, was ein reines App-Produkt bieten kann, und aus demselben Grund kann ein Entwickler es auch nicht benchmarken.

A screenshot of the New Measure article 'Which AI avatar do creators prefer?', published 18 November 2026, showing the headline that HeyGen Avatar 6 was preferred most often on both personal and stock avatars with Creatify Aurora 2.0 second on both, and the start of the methodology describing blind A/B votes on a shared script.

Muse Realtime Avatar hat nichts Vergleichbares – und kann es auch nicht haben. Es gibt keinen Endpunkt, den ein Drittanbieter instrumentieren kann, und keine öffentliche Schnittstelle, um per Skript einen Vergleich dagegen zu erstellen. Meta berichtet über Präferenzaufteilungen gegenüber Runway Characters und HeyGen's LiveAvatar, und der eigene Beitrag legt offen, dass der Vergleich der Eigenheiten mit Runway statistisch nicht von Gleichstand zu unterscheiden war – ein Vorbehalt, der mehr wiegt als die Schlagzeilen-Aufteilung, die er relativiert. Meta merkt außerdem an, dass seine Demonstrationen „nicht alle Avatare widerspiegeln, die in der Muse-App verfügbar sind“ – das ist der Satz, den man im Hinterkopf behalten sollte, wenn man sich irgendeine davon ansieht.

Diese Asymmetrie ist das ganze Argument im Kleinen. Ein Modell mit einer API kann von Fremden getestet werden. Ein Modell, das in einer App lebt, kann nur von Nutzern getestet werden, und Nutzer veröffentlichen keine Protokolle.

Wofür der Muse Realtime Avatar wirklich gedacht ist

Lässt man den Vergleich beiseite, hat Meta etwas gebaut, das in HeyGens Produktlinie keine nahe Entsprechung hat. Muse Realtime Avatar ist die visuelle Ebene eines Agenten, der bereits über Gedächtnis, Tools und einen persistenten Cloud-Computer verfügt – Metas Muse Secure VM ist eine dauerhaft laufende Linux-Maschine mit einem Browser, die der Agent in Ihrem Auftrag bedient. Der Avatar verleiht diesem Agenten während eines Videoanrufs ein Gesicht, und das System nimmt sowohl Ihr Video als auch Ihr Audio wahr und liest Blick und Gesichtsausdruck, statt darauf zu warten, dass Sie aufhören zu sprechen.

Diese Kombination – ein Agent mit einem dauerhaften Arbeitsbereich, einem Gesicht und der Fähigkeit, dich zu sehen – ist eine Produktkategorie, in der HeyGen nicht vertreten ist. HeyGen verkauft Videoproduktion. Meta verkauft Präsenz. Wenn dein Anwendungsfall „ein auf Patienten ausgerichteter Assistent ist, den eine Person betrachten kann, während er arbeitet“, ist Muse Realtime Avatar das Nächste, was derzeit verfügbar ist, und die Tatsache, dass es nur innerhalb von Metas App verfügbar ist, ist eher eine Vertriebsbeschränkung als eine Einschränkung der Fähigkeiten. Wenn dein Anwendungsfall „vierzig lokalisierte Erklärvideos bis Freitag“ ist, hat Meta nichts für dich.

Ein echtes Gesicht auf Avatar 6 zu bringen, bedeutet, eine Hürde zu nehmen, die in einer Consumer-App keine Entsprechung hat. Ein Referenzvideo einer realen Person erfordert Enterprise-Zugriff, eine vor der Kamera abgegebene Einwilligungserklärung mit einem sitzungsspezifischen Code und einen Abgleich zwischen der einwilligenden Person und der Person im Filmmaterial; fehlt auch nur einer dieser Punkte, scheitert die Anfrage mit einem 422, statt sich stillschweigend zu etwas Auslieferbarem abzuschwächen. Meta löst dasselbe Problem per Richtlinie – Konten ab 18 Jahren, nur USA und ein sichtbares Wasserzeichen auf jedem erzeugten Einzelbild.

Die Einschränkungen von Meta sind stattdessen distributioneller Natur. Die Muse-App ist ab 18 Jahren, der Rollout beschränkt sich seit dem 5. November auf die USA, und Entwicklerzugang wird nicht angeboten — Metas Entwicklerkatalog führt Muse Code, Muse Wonder, Muse Spark, Muse Spark Open, Muse Glimmer, Muse Image und Muse Voice Transcribe auf, und keines der beiden Realtime-Produkte ist dort vertreten. Sie integrieren Muse Realtime Avatar nicht. Sie nutzen es höchstens.

Was hat OrcaRouter mit einem von beiden zu tun?

Avatar 6 ist nichts, was OrcaRouter routen kann: Es ist ein HeyGen-Render, abgerechnet in HeyGen-Credits hinter HeyGens Consent-Flow, und Muse Realtime Avatar hat überhaupt keinen Endpoint. Was wir hingegen bereitstellen, ist das Muse-Modell unterhalb von Metas Agent-Stack – meta/muse-spark-1.2, zum Listenpreis des Anbieters ohne Aufschlag – plus die Textmodelle, die die Skripte schreiben, die Avatar 6 aufführt.

Das ist die ehrliche Grenze, und genau dort liegt der praktische Rat. Wenn du ein konversationelles Produkt mit Gesicht baust, ist die Reasoning- und Tool-Calling-Schicht der Teil, den du heute wählen kannst, und sie bestimmt, ob das Ganze nützlich ist. Der Renderer ist obendrauf eine Anbieterentscheidung. Wenn du diese Schicht hinter einen einzigen Schlüssel mit automatischem Failover legst, kostet dich ein Anbieterausfall einen erneuten Versuch statt dein Produkt.

A screenshot of the OrcaRouter model page for Muse Spark 1.2 (meta/muse-spark-1.2), showing the multimodal input row (text, image, video, file, audio), reasoning and tools capability flags, the $1.25 input and $4.25 output prices, the 1,048,576-token context note, and OpenAI-compatible code samples.

Wer sollte sich um was kümmern?

Wenn Sie Videos produzieren – Schulungen, Marketing, Lokalisierung, Outreach –, ist Avatar 6 mit großem Abstand das leistungsfähigere Tool und das einzige der beiden, das Sie diesen Monat in eine Pipeline integrieren können. Seine Langform-Fähigkeit wurde von niemandem außerhalb von HeyGen bewertet, sein Preis pro Sekunde ist unveröffentlicht, und die Arena, die es auf Platz eins führt, hat nie einen Clip getestet, der länger als 35 Sekunden war. Gehen Sie mit diesen drei Vorbehalten hinein, und es ist immer noch die stärkste verfügbare Option.

Wenn Sie einen Agenten bauen, mit dem Menschen von Angesicht zu Angesicht sprechen werden, ist Muse Realtime Avatar das interessantere System und das weniger nutzbare. Beobachten Sie es. Bauen Sie Ihre Architektur nicht darum herum. Meta hat es zuerst an Verbraucher ausgeliefert und an Entwickler überhaupt nicht, und solange es keinen Endpunkt gibt, gibt es nichts, wogegen man bauen könnte.

Was diese Seite verändern würde: eine Entwickler-API für Muse oder eine unabhängige Echtzeit-Bewertung von Muse Realtime Avatar. Beides würde einen Vergleich der beiden anhand von etwas anderem als der Intention ermöglichen.