
Avatar 6 vs Realtime Venus: un renderizador y un oyente, comparados por error
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 180 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 223 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Si se ponen Avatar 6 y Realtime Venus en la misma frase, lo primero que hay que decir es que uno de ellos no puede mostrarte una cara. Realtime Venus es el modelo de interacción full-duplex de Ant Group: un sistema de 9B que escucha mientras habla, entiende el sonido en el contexto de lo que puede ver y delega trabajo en segundo plano. Sus salidas son voz y decisiones. No genera vídeo, no renderiza a un presentador y no tiene concepto de imagen de referencia. Avatar 6, que HeyGen lanzó el 17 de noviembre de 2026, hace exactamente una cosa: anima a una persona a partir de una foto o un clip corto, impulsado por el audio que tú proporciones, y devuelve vídeo de hasta 2K.
Así que la comparación es un error de categoría, y su versión útil es una pregunta de diseño. Si estás construyendo algo en lo que aparece un humano en pantalla y sostiene su parte de una conversación, necesitas ambos tipos de sistema, y la decisión que importa es qué lado de la pila posees. Ahí es donde estos dos divergen radicalmente: uno se puede descargar, el otro solo se puede alquilar.
Dos portafolios de evidencia, ambos honestos sobre sus límites
Realtime Venus llega de la misma manera en que llega la investigación abierta: un informe de arXiv (2609.13814), pesos Apache-2.0 en Hugging Face bajo inclusionAI/Realtime-Venus, dos checkpoints de 9B y una página del proyecto con demos. No hubo anuncio de lanzamiento, ni API, ni precio, ni ningún benchmark que un tercero haya reproducido. Cada cifra asociada a él proviene del informe técnico que los autores escribieron sobre su propio modelo.
Avatar 6 viene con el aparato opuesto: una página de producto, dos identificadores, un punto de acceso REST, un nivel gratuito y un informe técnico cuyos estudios de preferencia fueron realizados todos por HeyGen con los evaluadores de HeyGen. Sí tiene una cosa de la que Venus carece: una medición externa. La arena ciega de New Measure, publicada el 18 de noviembre, lo situó primero en ambas de sus tablas con 1,197 y 1,237 de Elo, por encima de clips de no más de 35 segundos.
Lee ambas cifras destacadas como afirmaciones en lugar de hallazgos. El 84.4% de HeyGen es una tasa de victorias del 42.2% en comparaciones lado a lado, reescalada frente a una línea base del 50%; su propio estudio de un solo clip sitúa a Avatar 6 en un 65.1% juzgado como real frente a un 78.9% para metraje sin editar. El 97% de continuación de retroalimentación de Venus proviene de Full-Duplex-Bench v1.5, un protocolo que eligieron sus autores. Ninguna de las dos cifras es deshonesta, y ninguna ha sido replicada por una parte que no tenga nada que vender, aunque Avatar 6 al menos ha recibido votos de desconocidos, durante medio minuto cada vez.

De qué está hecho cada sistema
• {{1}}Modelo base — Avatar 6{{/1}}: no revelado; HeyGen lo describe como su modelo de avatar más inteligente y no documenta ninguna arquitectura. {{2}}Realtime Venus{{/2}}: un modelo omni de 9B con visión SigLIP2, audio Whisper-Medium y un modelo base de lenguaje Qwen3-8B, adaptado de MiniCPM-o 4.5 según la ficha del modelo.
• Modalidad de entrada — Avatar 6: una imagen de referencia o un vídeo de referencia más audio de voz. Realtime Venus: flujos continuos de audio y vídeo, además del contexto de la tarea delegada.
• Modalidad de salida — Avatar 6: vídeo con voz sincronizada, de hasta 2880×1620 a través de la Model API. Realtime Venus: voz, texto y señales de control; sin píxeles.
• Duración — Avatar 6: mientras dure el audio, con renderizaciones continuas de 25 a 28 minutos demostradas. Realtime Venus: una sesión en ejecución, con un contexto de 40.960 tokens y una memoria de video largo sin entrenamiento que almacena y recupera fotogramas seleccionados.
• Toma de turnos — Avatar 6: ninguna. Ejecuta un guion; no hay nadie que lo interrumpa. Realtime Venus: dúplex completo, con una respuesta medida a las interrupciones y la capacidad de seguir hablando a través de un canal de retroalimentación.
• Acceso — Avatar 6: API REST, condicionado al consentimiento, facturado en créditos de HeyGen. Venus en tiempo real: pesos en Hugging Face y ModelScope, sin endpoint alojado, sin precio.
• Licencia — Avatar 6: términos comerciales bajo la cuenta de HeyGen. Realtime Venus: Apache-2.0.
Esa última fila es la que reorganiza la comparación. Avatar 6 es un servicio. Realtime Venus es un modelo. Todo lo demás se deriva de eso.

La diferencia en la adquisición es la verdadera diferencia.
Si quieres Realtime Venus en producción, lo descargas, aprovisionas GPUs y te haces cargo del problema del serving. Dos checkpoints de 9B, BF16, una exportación ONNX junto con los safetensors, un APK de Android para experimentos en el dispositivo y un repositorio de harness independiente para el bucle de delegación. Nadie te enviará una factura y nadie declarará obsoleto tu endpoint, pero nadie solucionará tu latencia tampoco. Para un equipo de investigación, eso es una ventaja. Para un equipo de producto, supone un trimestre de trabajo antes del primer resultado útil.
Si quieres Avatar 6 en producción, te registras, obtienes una clave y llamas a POST /v3/models/avatars con una imagen de referencia y una URL de audio. Recibes un video_id en un 202, consultas el estado y aparece una URL firmada. El flujo de consentimiento es más estricto que el que imponen la mayoría de los proveedores —un vídeo de referencia con una persona realista requiere acceso Enterprise y una declaración ante la cámara que contenga un código de un solo uso específico de la sesión—, pero la integración es cuestión de una tarde, no de un trimestre.
Lo que no puedes hacer con Avatar 6 es ponerle un precio por unidad. HeyGen publica $0.02 por segundo para HeyGen Video 1 y nada equivalente para Avatar 6; la página pública de precios vende Creator a $29/mes por 600 créditos y Pro a $49/mes por 1.000 créditos, sin que se publique una conversión de créditos a segundos. Realtime Venus tiene el problema opuesto: el costo marginal de una llamada es tu factura de electricidad, y el costo fijo es una GPU que tienes que justificar ante alguien.
Donde los dos realmente se encontrarían
Imagina el producto del que ambos son componentes: una persona hace una pregunta por voz, algo decide qué decir y una cara lo responde con la expresión adecuada y un gesto en la palabra importante. Realtime Venus cubre los dos primeros pasos: te oye, decide cuándo hablar y puede seguir escuchando mientras habla. Avatar 6 cubre el último, y lo hace mejor que cualquier otra cosa que se pueda comprar actualmente, según el único panel independiente que lo ha evaluado.
El problema es la costura. Avatar 6 quiere un archivo de audio completo —el vídeo dura lo mismo que el audio que le entregas, y no hay modo de streaming, ni entrada de audio parcial, ni forma de añadir fragmentos. Realtime Venus genera el habla de forma incremental, a medida que avanza la conversación. Unirlos implica almacenar en búfer la salida de Venus hasta convertirla en un enunciado completo, enviarla a HeyGen, esperar a que termine un renderizado que la arena independiente midió en unos típicos 175,6 segundos, y reproducir un vídeo que se generó después de que el momento hubiera pasado. Eso no es una conversación. Es una conversación por correspondencia.
Para la versión en tiempo real necesitas un renderizador que genere vídeo a medida que llega el habla, y eso es un producto diferente. Muse Realtime Avatar de Meta es el ejemplo comercial más cercano; Tavus Griffin, en versión preliminar de investigación, es otro. Avatar 6 no es eso, y HeyGen nunca ha afirmado que lo fuera: su presupuesto de latencia es un presupuesto por lotes, y los datos de la arena lo confirman: uno de cada diez renders de avatar personal de HeyGen tardó más de nueve minutos y medio.
Lo que Venus mide que nada más aquí hace
Los números interesantes del informe Venus no son puntuaciones de calidad. Son conductuales, y describen un problema que Avatar 6 no tiene porque Avatar 6 no está escuchando.
Full-Duplex-Bench v1.5 sitúa la continuación en el 97 % para los backchannels del usuario, el 88 % para el habla dirigida a otras personas y el 86 % para el habla de fondo, con una tasa de respuesta separada del 75 % a las interrupciones genuinas. Lo que esos cuatro números muestran en conjunto es que el modelo distingue «mm-hm» de «espera, detente»: sigue adelante con la primera y cede ante la segunda. Los resultados de comprensión son del 70,2 % en StreamingBench, el 64,7 % en OVO-Bench, el 81,3 % en Daily-Omni y el 78,0 % en MMAU audio. La precisión de delegación en el benchmark interno del equipo es del 75,93 % para el checkpoint Omni y del 68,89 % para el de Audio, lo que mide si el modelo decide correctamente delegar una tarea, no si la tarea tiene éxito.
Esos son objetivos de ingeniería útiles para cualquiera que construya un agente conversacional, y no han sido reproducidos. La lectura honesta es que Venus es una base abierta creíble para el comportamiento full-duplex, publicada con sus pesos para que la afirmación pueda comprobarse, y que nadie fuera de Ant Group y Tsinghua ha publicado una comprobación.
Dónde se sitúa OrcaRouter
Ninguno de los dos es nuestro para venderlo. Realtime Venus son pesos y un artículo con nada escuchando detrás de ellos; Avatar 6 es el renderizador de HeyGen, condicionado por el flujo de consentimiento de HeyGen y pagado con créditos de HeyGen. Una propuesta de enrutamiento que difuminara cualquiera de esas líneas sería una mentira, y es del tipo que sale a la superficie en tu primer sprint en lugar de en una presentación de ventas.
Lo que sí ofrecemos es el tramo de razonamiento delegado del que dependen ambas arquitecturas. El propio diseño de Venus enruta las tareas en segundo plano a un modelo multimodal, a un modelo general o a una habilidad registrada; el guion de Avatar 6 tiene que ser escrito por algo. Esa capa es donde una única clave para más de 200 modelos, al precio de lista del proveedor y sin recargo, y con conmutación por error automática, realmente elimina trabajo —porque es la única parte de cualquiera de las dos canalizaciones donde puedes elegir proveedor.

La lectura que sobrevive al contacto con una hoja de ruta
Si tu problema es «necesitamos un presentador en pantalla que diga nuestras palabras, a escala, este trimestre», Avatar 6 es la respuesta y Realtime Venus no entra en la conversación. Acepta las tres incógnitas —no hay precio publicado por segundo, no hay prueba independiente más allá de 35 segundos y un tiempo de renderizado típico que se mide en minutos— y haz una prueba piloto con él.
Si tu problema es «necesitamos algo que pueda mantener una conversación hablada y decidir cuándo hablar», Realtime Venus es una base abierta seria y Avatar 6 es irrelevante, porque no tiene oídos. Toma los pesos Apache-2.0, planifica el coste de servicio y trata cada puntuación reportada como propia de los autores hasta que alguien la reproduzca.
Si tu problema es «ambos» —una cara que conversa—, ninguno de estos es el producto, y la brecha entre ambos es donde se librará la batalla de los próximos doce meses en esta categoría. El renderizador que transmite en streaming, impulsado por un oyente que decide, a un precio que puedes modelar: nadie ha lanzado eso todavía. Cuando alguien lo haga, habrá que reescribir esta página.
