Una tarjeta de título generada para Realtime 1 vs Realtime Venus que contrasta un precio por minuto de alojamiento con un coste por GPU-hora de autoalojamiento, con una marca de licencia Apache 2.0, además de un logotipo de OrcaRouter.
Engineering & Research

Realtime 1 vs Realtime Venus: alquila un agente de voz o ten uno propio por el coste de una GPU

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Todo en este enfrentamiento se reduce a una frase en un archivo de licencia. Realtime Venus es Apache 2.0: un modelo de 9B que descargas, ejecutas en tu propia A100 y por el que nunca vuelves a pagar por minuto. MAI Realtime 1, anunciado por Microsoft el 17 de noviembre de 2026, es una API alojada a 0,01 USD por minuto de audio, con un nivel de razonamiento con precio por tokens detrás y una vista previa de Foundry que no cobra nada hasta la vista previa pública. Uno de estos tiene un precio por llamada. El otro tiene un precio por hora de GPU. Compararlos con las tarifas es un error de categoría, y por eso casi todos los artículos que comparan voz alojada con pesos abiertos fallan en el mismo punto.

La pregunta correcta es cuánto cuesta operar cada uno a tu volumen y qué puede hacer realmente cada uno, y ahí la comparación se invierte: las cifras del modelo abierto vienen acompañadas de un artículo que describe el arnés de evaluación, mientras que las del alojado provienen de una página de modelo con una única cifra de precisión. Esa inversión es la historia.

Lo que realmente es cada uno

Realtime Venus proviene de inclusionAI y está documentado en arXiv 2609.13814, atribuido al equipo Venus de Ant Group y a la Universidad de Tsinghua, con el artículo fechado en septiembre de 2026. Se distribuye como dos checkpoints: Realtime-Venus-Omni, un modelo audiovisual de 9B adaptado de MiniCPM-o 4.5 que observa y escucha de forma continua, decide cuándo hablar y emite texto y voz en una misma línea temporal; y Realtime-Venus-Audio, un modelo solo de audio de 9B sobre la misma arquitectura de streaming. Ambos usan Whisper-Medium como codificador de audio, Qwen3-8B como backbone de lenguaje, tokens de voz discretos S3 con un decodificador de flow matching en streaming, un contexto de 40.960 tokens, pesos BF16 y inglés y chino como idiomas.

MAI Realtime 1 es el primer modelo de voz a voz de Microsoft, un sistema alojado de dos niveles: una vía conversacional rápida a un centavo por minuto y un motor de razonamiento a 1,00 USD por millón de tokens de entrada y 5,00 USD por millón de tokens de salida al que se enrutan los turnos más difíciles. Sin detalles de arquitectura, sin recuento de parámetros, sin lista de idiomas. Su única cifra de precisión publicada es 98,8% en Big Bench Audio, en su propia página del modelo, ejecutada por el proveedor y no reproducida, lo que es la imagen especular de la situación que sigue, donde un laboratorio más pequeño puso su método de evaluación en un artículo que cualquiera puede leer.

• Pesos — Realtime Venus Apache 2.0, descargables, dos checkpoints de 9B; MAI Realtime 1 cerrado, acceso de vista previa mediante registro.

• Idiomas — Realtime Venus en inglés y chino, explícitamente; MAI Realtime 1 no incluido en la lista.

• Contexto — Realtime Venus 40,960 tokens; MAI Realtime 1 sin publicar.

• Hardware — Realtime Venus necesita una A100 para la demostración dúplex en tiempo real; MAI Realtime 1 no necesita nada más que una clave.

• Modalidades — Realtime Venus Omni admite vídeo y audio en streaming; MAI Realtime 1 es voz a voz.

• Estructura de precios — Realtime Venus por hora de GPU, para siempre; MAI Realtime 1 por minuto de audio más tokens de razonamiento.

Las cifras que publicó Realtime Venus, y lo que significan

El artículo es inusualmente específico sobre el comportamiento dúplex completo, que es la parte que la mayoría de los modelos de voz dejan imprecisa:

• Respuesta a interrupciones — 75% de las interrupciones del usuario respondidas, en Full-Duplex-Bench v1.5.

• Continuación después de backchannels — 97 %.

• Continuación cuando el habla se dirige a otra parte — 88%.

• Continuación con habla de fondo — 86%.

• La afirmación de los autores: que estos «superan a G​emini 3.1 Live y a GPT-4o en las tres métricas de continuación». Conviene fijarse en los objetivos de la comparación: G​emini 3.1 Live, al que G​oogle marca ahora como heredado en favor de 3.8 Live, y GPT-4o. Ninguno de los dos es la frontera actual, así que la victoria es real, pero el listón es de una generación anterior.

En comprensión, Realtime-Venus-Audio lidera su conjunto de comparación en MMAU con 78,0%, MMAU-Pro con 63,2%, Llama Questions con 83,8% y Speech CMMLU con 67,8%, y empata con la puntuación más alta de VoiceBench AlpacaEval con 4,81. Realtime-Venus-Omni es el mejor entre los modelos en línea evaluados en seis de ocho benchmarks de video, incluidos StreamingBench con 70,2%, OVO-Bench con 64,7% y Daily-Omni con 81,3%.

Todas esas son evaluaciones de los propios autores en su propio artículo. Son pruebas más sólidas que una página de marketing —el arnés de pruebas y el conjunto de comparación al menos se describen— y menos sólidas que un panel independiente. Artificial Analysis no incluye a Realtime Venus a fecha de 18 de noviembre, así que ningún tercero las ha vuelto a ejecutar.

El único número que falta en el resumen a nivel de abstract del artículo es el que importa para un agente de soporte: una puntuación de finalización de tareas agénticas de τ-Voice. Realtime Venus se construye en torno a una idea diferente: un mecanismo <delegate> que envía tareas externas asíncronas a un runtime Harness separado, de modo que la conversación sigue ejecutándose mientras el trabajo ocurre en segundo plano. Eso está arquitectónicamente cerca de lo que hace MAI Realtime 1 internamente con su nivel de razonamiento, y de lo que hace G​PT Live 1 al delegar en un agente de backend. Tres productos diferentes, un diseño convergente: hablar rápido, delegar el pensamiento. Nadie ha publicado una comparación directa sobre la mitad de la delegación.

A generated two-column scoreboard titled 'MAI Realtime 1 vs Realtime Venus — the scoreboard'. Left column MAI Realtime 1: licence closed preview only, weights hosted only, price shape $0.01 a minute, languages not published, video no. Right column Realtime Venus: licence Apache 2.0, weights two 9B checkpoints, price shape per GPU hour, languages English and Chinese, video yes, Omni. Footer reads 'Venus figures from its own paper, author evaluations; MAI figures per Microsoft.'

La aritmética que esconde un precio por minuto

Aquí es donde la comparación deja de girar en torno a las tarifas. MAI Realtime 1 a un centavo por minuto son $0,60 por hora de audio. Una sola A100 ejecutando Realtime Venus cuesta en algún punto entre $1,50 y $2,50 por hora con precios de nube comerciales; digamos $2 para simplificar, y nótese que esta es una tarifa de mercado, no algo que ninguno de los dos proveedores publique.

• Punto de equilibrio — a esas tarifas, aproximadamente de tres a cuatro conversaciones simultáneas ocupan una A100. Por debajo de eso, alquilar sale más barato. Por encima, tenerla en propiedad sale más barato.

La pega del lado alojado — el nivel de razonamiento de MAI Realtime 1 se factura por token además de la tarifa por minuto, por lo que su coste real por hora supera los $0.60 y es desconocido.

• El problema en el lado autohospedado: la concurrencia por A100 para un modelo dúplex de 9B tampoco se ha publicado. La demo requiere «al menos una NVIDIA A100», lo que te dice que funciona y nada sobre cuántos flujos simultáneos soporta.

Así que ambos lados del punto de equilibrio son estimaciones. Lo que no es una estimación es la forma de la curva: el coste alojado escala de forma lineal y para siempre; el coste autoalojado tiene un suelo fijo y luego se curva. Un piloto de cien llamadas al día debería alquilar. Un centro de contacto que opera doscientas líneas concurrentes no debería, a menos que el modelo alojado sea sustancialmente mejor; y en esta comparación, el modelo abierto es el que tiene afirmaciones de precisión respaldadas por un arnés publicado.

También existe una asimetría operativa que nunca aparece en una tarifa. Autoalojar un modelo dúplex de 9B implica asumir la capacidad de GPU, los arranques en frío, la carga del modelo y el modo de fallo en el que un nodo deja de funcionar y las llamadas se cortan. El alojamiento gestionado implica no asumir nada de eso y aceptar la latencia, la disponibilidad y el calendario de obsolescencia de un proveedor. Los equipos subestiman sistemáticamente lo primero y sobrestiman lo segundo, normalmente porque lo primero es invisible en una hoja de cálculo.

Donde el modelo alojado no tiene una respuesta de pesos abiertos

Tres cosas, y no son pequeñas.

Infraestructura empresarial: MAI Realtime 1 llegará a Dynamics 365 Contact Center y a Dragon Copilot para simulaciones de formación de enfermería, con Agoda y Reservations.ai haciendo pruebas. Son integraciones en sistemas a los que un modelo autoalojado no puede llegar a menos que construyas los conectores tú mismo.

Compatibilidad: habla la API Realtime de OpenAI, así que un stack de voz existente necesita una cadena de modelo en lugar de una reescritura. Realtime Venus se distribuye como un paquete de Python — AutoModel.from_pretrained, as_duplex(), streaming_prefill() y streaming_generate() por segundo, FFmpeg y CUDA en el host. Eso es un proyecto de ingeniería real.

Y amplitud de transcripción: el anuncio complementario de Microsoft, Dragon Copilot Transcribe sobre MAI Transcribe 2, abarca el dictado clínico a una escala que nada en el artículo Venus aborda: 10 millones de encuentros con pacientes al mes, la mitad de la tasa de error multilingüe, según la propia Microsoft. Si tu producto es clínico, ese ecosistema es el argumento, no la tarifa por minuto.

Donde los pesos abiertos no tienen una respuesta alojada

Vídeo. Realtime-Venus-Omni es un modelo audiovisual en streaming: observa y escucha, y los benchmarks Omni son benchmarks de vídeo. MAI Realtime 1 es voz. Si la interacción implica una cámara, compartir pantalla o un paciente que gesticula hacia algo, la comparación no es ni reñida porque el modelo alojado no lo intenta.

Memoria para video largo, también: la tarjeta Venus afirma tener memoria sobre video largo sin entrenamiento adicional, mediante un interruptor use_memory(). Nada en el anuncio de Microsoft aborda la memoria a lo largo de una sesión.

Y la licencia. Apache 2.0 significa que puedes ajustarlo, incluirlo dentro de un producto, ejecutarlo en una jurisdicción para la que Microsoft no tiene región y mantener el audio en tu propio hardware. Para una implementación clínica o del sector público en la que los datos no pueden salir del edificio, eso no es una preferencia: es el requisito, y ningún descuento por minuto lo sustituye.

A screenshot of the Hugging Face model card for inclusionAI/Realtime-Venus captured 18 November 2026, showing the Any-to-Any pipeline tag, Transformers, ONNX and Safetensors badges, English and Chinese language tags, and the multimodal, audio, video, streaming and full-duplex tags.

El híbrido que la mayoría de los equipos debería construir realmente

La convergencia señalada antes es la respuesta práctica. Los tres productos —Realtime Venus, MAI Realtime 1, GPT Live 1— separan la conversación del trabajo: Venus mediante <delegate> y un entorno de ejecución Harness, Microsoft mediante un nivel de razonamiento interno, OpenAI mediante un agente de backend adjunto explícitamente. En todos los casos, la parte difícil es un segundo modelo haciendo el razonamiento y, en todos los casos, esa capa es donde se concentran el costo y la latencia.

Lo que significa que la decisión entre ellos es en realidad una decisión sobre el front end, y el backend puede ser el mismo en cualquiera de los dos casos. OrcaRouter está diseñado para esa segunda capa: más de 200 modelos con una sola clave al precio de lista del proveedor con 0% de recargo, así que elijas el front end que elijas, los modelos de razonamiento que hay detrás son intercambiables y un cambio de precio del proveedor se aplica el mismo día. La conmutación por error automática es lo que convierte una tarea delegada en algo seguro para ejecutar en producción: una llamada en segundo plano que falla en silencio es una promesa a quien llama que nunca se cumple, y un reintento enrutado entre proveedores es la diferencia entre una tarea que se completa y una que, en silencio, no. El DSL de enrutamiento es la forma en que la política de delegación se convierte en una regla: qué intenciones escalan, a qué modelo y con qué presupuesto.

Ninguno de estos dos modelos de voz está en nuestro catálogo: Realtime Venus son pesos de Apache 2.0 que alojas tú mismo, y MAI Realtime 1 es la vista previa de acceso limitado de MAI Labs y Foundry. Lo que enrutamos es todo aquello a lo que ellos delegan.

A screenshot of the OrcaRouter models catalogue captured 18 November 2026, showing the header line '226 models · 17 providers · one API key, one bill' and the model grid with search and sort controls.

Elegir, concretamente

Empieza con Realtime Venus si se cumple cualquiera de estas condiciones: los datos no pueden salir de tu infraestructura, la interacción implica vídeo, necesitas específicamente inglés y chino y nada más, ya tienes capacidad de GPU, o tu volumen es lo bastante alto como para que una factura lineal por minuto no sea el modelo adecuado. Acepta a cambio que estás utilizando una pila de nivel investigación con una API de Python, un artículo como documentación y ningún benchmark independiente que confirme las cifras de los autores.

Empieza con MAI Realtime 1 si la interacción es solo de voz, el volumen es moderado, la integración ya tiene la forma de OpenAI-Realtime y un centavo por minuto es la cifra que hace que el proyecto sea viable siquiera. Acepta a cambio que no podrás medir casi nada de eso: una única cifra de precisión reportada por el proveedor, una latencia P50 sin distribución, ninguna puntuación τ-Voice, ninguna lista de idiomas y una demo no comercial de dos minutos que se estaba reportando a sí misma como no disponible cuando lo comprobamos.

And watch the thing both are quietly betting on. Realtime Venus, MAI Realtime 1 y G​PT Live 1 han llegado a la conclusión de que un modelo de voz no debería pensar mucho mientras alguien espera. La diferencia entre ellos está solo en dónde va el pensamiento. Quien publique primero una tasa de finalización de tareas para la mitad delegada resolverá un enfrentamiento que las tasas por minuto nunca podrían.