Eine generierte Titelkarte für den Artikel {{1}}'Avatar 6 vs Realtime Venus'{{/1}}, mit einem Kicker mit der Aufschrift {{2}}'AVATAR-MODELLVERGLEICH'{{/2}}, dem großen Titel {{3}}'Avatar 6 vs Realtime Venus'{{/3}}, dem Untertitel {{4}}'Ein Renderer und ein Listener, aus Versehen verglichen'{{/4}} und drei Pill-Karten mit der Aufschrift {{5}}'Video, bis zu 2K'{{/5}}, {{6}}'Sprache, Apache-2.0'{{/6}} und {{7}}'unterschiedliche Aufgaben'{{/7}}.
Engineering & Research

Avatar 6 vs. Realtime Venus: Ein Renderer und ein Listener, aus Versehen verglichen

Autor

Elias Hawthorne

Veröffentlicht am

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

Setzt man Avatar 6 und Realtime Venus in denselben Satz, dann ist das Erste, was gesagt werden muss, dass eines von beiden Ihnen kein Gesicht zeigen kann. Realtime Venus ist das Full-Duplex-Interaktionsmodell von Ant Group – ein 9B-System, das zuhört, während es spricht, Audio im Kontext dessen versteht, was es sehen kann, und Aufgaben im Hintergrund delegiert. Seine Ausgaben sind Sprache und Entscheidungen. Es erzeugt kein Video, rendert keinen Präsentator und kennt kein Konzept eines Referenzbilds. Avatar 6, das HeyGen am 17. November 2026 veröffentlichte, macht genau eine Sache: Es animiert eine Person aus einem Foto oder einem kurzen Clip, gesteuert durch Audio, das Sie bereitstellen, und gibt Video mit bis zu 2K zurück.

Die Gegenüberstellung ist also ein Kategorienfehler, und die brauchbare Version davon ist eine Designfrage. Wenn man etwas baut, bei dem ein Mensch auf dem Bildschirm erscheint und seinen Teil eines Gesprächs beiträgt, braucht man beide Arten von System, und die entscheidende Entscheidung ist, welche Seite des Stacks man selbst besitzt. Genau hier gehen die beiden scharf auseinander – das eine kann man herunterladen, das andere nur mieten.

Zwei Portfolios von Belegen, beide ehrlich über ihre Grenzen

Realtime Venus kommt so, wie offene Forschung kommt: ein arXiv-Bericht (2609.13814), Apache-2.0-Gewichte auf Hugging Face unter inclusionAI/Realtime-Venus, zwei 9B-Checkpoints und eine Projektseite mit Demos. Es gab keinen Launch-Beitrag, keine API, keinen Preis und keinen Benchmark, den eine außenstehende Partei reproduziert hat. Jede Zahl, die damit verbunden ist, stammt aus dem technischen Bericht, den die Autoren über ihr eigenes Modell geschrieben haben.

Avatar 6 kommt mit dem entgegengesetzten Instrumentarium: einer Produktseite, zwei Kennungen, einem REST-Endpunkt, einer kostenlosen Tarifstufe und einem technischen Bericht, dessen Präferenzstudien alle von HeyGen mit HeyGens eigenen Bewertern durchgeführt wurden. Eines hat es jedoch, was Venus fehlt – eine externe Messung. New Measures blinde Arena, veröffentlicht am 18. November, setzte es mit 1.197 und 1.237 Elo auf beiden seiner Ranglisten auf Platz eins – für Clips von höchstens 35 Sekunden.

Betrachten Sie beide prominenten Zahlen als Behauptungen, nicht als Befunde. Die 84,4 % von HeyGen sind eine Side-by-Side-Siegquote von 42,2 %, neu skaliert gegen eine 50-%-Basislinie; die eigene Single-Clip-Studie setzt Avatar 6 auf 65,1 % „als echt beurteilt“ gegenüber 78,9 % bei ungeschnittenem Material. Venus’ 97 % Backchannel-Fortsetzung stammen aus Full-Duplex-Bench v1.5, einem Protokoll, das seine Autoren selbst gewählt haben. Keine der beiden Zahlen ist unehrlich, und keine wurde von einer Partei repliziert, die nichts zu verkaufen hat – allerdings wurde über Avatar 6 zumindest von Fremden abgestimmt, jeweils eine halbe Minute lang.

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.'

Woraus jedes System besteht

• Backbone — Avatar 6: nicht offengelegt; HeyGen beschreibt es als sein intelligentestes Avatar-Modell und dokumentiert keine Architektur. Realtime Venus: ein 9B-Omni-Modell mit SigLIP2-Vision, Whisper-Medium-Audio und einem Qwen3-8B-Sprach-Backbone, gemäß der Modellkarte angepasst von MiniCPM-o 4.5.

• Eingabemodalität — Avatar 6: ein Referenzbild oder ein Referenzvideo plus Sprachaudio. Realtime Venus: kontinuierliche Audio- und Videostreams plus delegierter Aufgabenkontext.

• Ausgabemodalität — Avatar 6: Video mit synchronisierter Sprache, bis zu 2880×1620 über die Model API. Realtime Venus: Sprache, Text und Steuersignale; keine Pixel.

• Dauer — Avatar 6: so lang wie die Audiodatei, mit kontinuierlichen Renderings von 25 bis 28 Minuten, die demonstriert wurden. Realtime Venus: eine laufende Sitzung, mit einem Kontext von 40.960 Token und einem trainingsfreien Langvideo-Gedächtnis, das ausgewählte Frames speichert und abruft.

• Sprecherwechsel — Avatar 6: keiner. Er führt ein Skript aus; es gibt niemanden, der unterbrechen könnte. Realtime Venus: Vollduplex, mit dosierter Unterbrechungsreaktion und der Fähigkeit, durch einen Backchannel hindurch weiterzusprechen.

• Zugriff — Avatar 6: REST-API, einwilligungsgebunden, Abrechnung über HeyGen-Credits. Realtime Venus: Gewichte auf Hugging Face und ModelScope, kein gehosteter Endpoint, kein Preis.

• Lizenz — Avatar 6: kommerzielle Bedingungen im Rahmen des HeyGen-Kontos. Realtime Venus: Apache-2.0.

Die letzte Zeile ist diejenige, die den Vergleich neu ordnet. Avatar 6 ist ein Dienst. Realtime Venus ist ein Modell. Alles Weitere ergibt sich daraus.

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.

Der Beschaffungsunterschied ist der wahre Unterschied.

Wenn Sie Realtime Venus produktiv einsetzen wollen, laden Sie es herunter, stellen GPUs bereit und übernehmen das Serving-Problem selbst. Zwei 9B-Checkpoints, BF16, ein ONNX-Export neben den safetensors, eine Android-APK für Experimente auf dem Gerät und ein separates Harness-Repository für die Delegations-Loop. Niemand stellt Ihnen eine Rechnung und niemand wird Ihren Endpoint abkündigen, aber niemand behebt auch Ihre Latenz. Für ein Forschungsteam ist das ein Feature. Für ein Produktteam sind es ein Quartal Arbeit, bevor die erste brauchbare Ausgabe entsteht.

Wenn Sie Avatar 6 in der Produktion einsetzen möchten, registrieren Sie sich, holen Sie sich einen Schlüssel und rufen POST /v3/models/avatars mit einem Referenzbild und einer Audio-URL auf. Sie erhalten in einer 202-Antwort eine video_id zurück, pollen Sie, und eine signierte URL erscheint. Der Einwilligungsablauf ist aufwendiger, als es die meisten Anbieter vorschreiben – ein realistisches Referenzvideo einer echten Person erfordert Enterprise-Zugriff und eine Aussage vor der Kamera, die einen sitzungsspezifischen Einmalcode enthält – aber die Integration dauert einen Nachmittag, nicht ein Vierteljahr.

Was man mit Avatar 6 nicht tun kann, ist, es pro Einheit zu bepreisen. HeyGen veröffentlicht 0,02 US-Dollar pro Sekunde für HeyGen Video 1 und nichts Vergleichbares für Avatar 6; die öffentliche Preisseite verkauft Creator für 29 US-Dollar/Monat für 600 Credits und Pro für 49 US-Dollar/Monat für 1.000 Credits, ohne veröffentlichte Umrechnung von Credits in Sekunden. Realtime Venus hat das umgekehrte Problem: Die Grenzkosten eines Anrufs sind die Stromrechnung, und die Fixkosten sind eine GPU, die man gegenüber jemandem rechtfertigen muss.

Wo die beiden tatsächlich aufeinandertreffen würden

Stellen Sie sich das Produkt vor, dessen Bestandteile beide sind: Eine Person stellt per Stimme eine Frage, etwas entscheidet, was gesagt werden soll, und ein Gesicht erwidert es mit dem richtigen Ausdruck und einer Geste zum wichtigen Wort. Realtime Venus deckt die ersten beiden Schritte ab – es hört Ihnen zu, entscheidet, wann es sprechen soll, und kann weiter zuhören, während es spricht. Avatar 6 deckt den letzten Schritt ab und macht das besser als alles andere, was derzeit käuflich ist – laut dem einzigen unabhängigen Gremium, das sich damit befasst hat.

Das Problem ist die Nahtstelle. Avatar 6 will eine vollständige Audiodatei – das Video hat die Länge des Audios, das man ihm übergibt, und es gibt keinen Streaming-Modus, keine partielle Audioeingabe, keine Möglichkeit zum Anhängen. Realtime Venus erzeugt Sprache inkrementell, während sich das Gespräch entwickelt. Beides zusammenzubringen bedeutet, Venus’ Ausgabe zu einer fertigen Äußerung zu puffern, sie an HeyGen zu schicken, auf das Ende eines Renderings zu warten, das die unabhängige Arena mit typischerweise 175,6 Sekunden gemessen hat, und ein Video abzuspielen, das erst erzeugt wurde, nachdem der Moment vorbei war. Das ist kein Gespräch. Das ist eine Konversation auf Bestellung.

Für die Echtzeit-Version braucht man einen Renderer, der Video erzeugt, während die Sprache eintrifft, und das ist ein anderes Produkt. Metas Muse Realtime Avatar ist das nächstliegende bereits erhältliche Beispiel; Tavus Griffin, in der Forschungsvorschau, ist ein weiteres. Avatar 6 ist das nicht, und HeyGen hat nie behauptet, dass es das sei – sein Latenzbudget ist ein Batch-Budget, und die Daten der Arena bestätigen das: Eines von zehn HeyGen-Personal-Avatar-Renderings dauerte mehr als neuneinhalb Minuten.

Was Venus misst, was nichts anderes hier tut

Die interessanten Zahlen im Venus-Bericht sind keine Qualitätswerte. Es sind Verhaltenswerte, und sie beschreiben ein Problem, das Avatar 6 nicht hat, weil Avatar 6 nicht zuhört.

Full-Duplex-Bench v1.5 weist eine Fortsetzungsrate von 97 % bei Nutzer-Backchannels, 88 % bei an andere gerichteter Sprache und 86 % bei Hintergrundsprache sowie eine separate Antwortrate von 75 % auf echte Unterbrechungen aus. Das Zusammenspiel dieser vier Zahlen zeigt, dass das Modell „mm-hm“ von „wait, stop“ unterscheidet – beim ersten spricht es weiter, beim zweiten gibt es nach. Die Verständnisergebnisse liegen bei 70,2 % auf StreamingBench, 64,7 % auf OVO-Bench, 81,3 % auf Daily-Omni und 78,0 % auf MMAU-Audio. Die Delegationsgenauigkeit im teaminternen Benchmark liegt bei 75,93 % für den Omni-Checkpoint und 68,89 % für den Audio-Checkpoint; sie misst, ob das Modell korrekt entscheidet, eine Aufgabe weiterzugeben, und nicht, ob die Aufgabe gelingt.

Das sind nützliche technische Ziele für alle, die einen Konversationsagenten bauen, und sie sind nicht reproduziert. Die ehrliche Lesart ist, dass Venus eine glaubwürdige offene Baseline für Vollduplexverhalten ist, zusammen mit ihren Gewichten veröffentlicht, damit die Behauptung überprüft werden kann, und dass niemand außerhalb von Ant Group und Tsinghua eine Überprüfung veröffentlicht hat.

Wo OrcaRouter einzuordnen ist

Keines von beiden gehört uns zum Verkaufen. Realtime Venus besteht aus Gewichten und einem Paper, hinter denen nichts lauscht; Avatar 6 ist HeyGens Renderer, an HeyGens Consent-Flow gebunden und mit HeyGen-Credits bezahlt. Ein Routing-Pitch, der eine der beiden Grenzen verwischte, wäre eine Lüge – und zwar eine, die in deinem ersten Sprint auftaucht und nicht in einem Sales-Deck.

Was wir tatsächlich bereitstellen, ist der Teil für delegiertes Schlussfolgern, auf den beide Architekturen angewiesen sind. Venus' eigenes Design leitet Hintergrundaufgaben an ein multimodales Modell, ein allgemeines Modell oder einen registrierten Skill weiter; das Skript von Avatar 6 muss von irgendetwas geschrieben werden. Diese Ebene ist der Punkt, an dem ein einziger Schlüssel für 200+ Modelle, zum Listenpreis des Anbieters ohne Aufschlag, und mit automatischem Failover, tatsächlich Arbeit erspart – denn sie ist der einzige Teil beider Pipelines, bei dem man die Wahl des Anbieters hat.

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.

Die Lesart, die den Kontakt mit einer Roadmap übersteht

Wenn Ihr Problem darin besteht, „dass wir einen Präsentator auf dem Bildschirm brauchen, der unsere Worte spricht – skalierbar, in diesem Quartal“, dann ist Avatar 6 die Antwort, und Realtime Venus kommt nicht infrage. Akzeptieren Sie die drei Unbekannten – keinen veröffentlichten Preis pro Sekunde, keinen unabhängigen Test über 35 Sekunden hinaus und eine typische Renderzeit, die in Minuten gemessen wird – und pilotieren Sie es.

Wenn Ihr Problem lautet: „Wir brauchen etwas, das ein gesprochenes Gespräch führen und entscheiden kann, wann gesprochen wird“, dann ist Realtime Venus eine ernsthafte offene Baseline und Avatar 6 irrelevant, weil es keine Ohren hat. Nehmen Sie die Apache-2.0-Gewichte, planen Sie die Serving-Kosten ein und behandeln Sie jeden gemeldeten Score als den der Autoren, bis jemand ihn reproduziert.

Wenn Ihr Problem „beides“ ist – ein Gesicht, das sich unterhält –, dann ist keines von beiden das Produkt, und die Lücke zwischen ihnen ist der Ort, an dem die nächsten zwölf Monate dieser Kategorie ausgetragen werden. Der Renderer, der streamt, angetrieben von einem Listener, der entscheidet, zu einem Preis, den Sie kalkulieren können: Das hat noch niemand auf den Markt gebracht. Wenn es jemand tut, muss diese Seite neu geschrieben werden.