Une carte-titre générée pour l’article « Avatar 6 vs Realtime Venus », avec un surtitre indiquant « COMPARAISON DE MODÈLES AVATAR », le grand titre « Avatar 6 vs Realtime Venus », le sous-titre « Un moteur de rendu et un auditeur, comparés par erreur », et trois cartes pastilles indiquant « vidéo, jusqu’à 2K », « parole, Apache-2.0 » et « des fonctions différentes ».
Engineering & Research

Avatar 6 vs Realtime Venus : un moteur de rendu et un auditeur, comparés par erreur

Auteur

Elias Hawthorne

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Mettez Avatar 6 et Realtime Venus dans la même phrase et la première chose à dire est que l'un des deux ne peut pas vous montrer de visage. Realtime Venus est le modèle d'interaction full-duplex d'Ant Group — un système 9B qui écoute pendant qu'il parle, comprend le son dans le contexte de ce qu'il peut voir et délègue le travail en arrière-plan. Ses sorties sont la parole et des décisions. Il ne génère pas de vidéo, ne rend pas de présentateur et n'a aucune notion d'image de référence. Avatar 6, publié par HeyGen le 17 novembre 2026, fait exactement une chose : il anime une personne à partir d'une photo ou d'un court clip, guidé par l'audio que vous fournissez, et renvoie une vidéo jusqu'à 2K.

La comparaison relève donc d’une erreur de catégorie, et sa version utile est une question de conception. Si vous construisez quelque chose où un humain apparaît à l’écran et tient son rôle dans une conversation, vous avez besoin des deux types de système, et la décision qui compte est de savoir quelle partie de la pile vous possédez. C’est là que ces deux approches divergent nettement — l’une peut être téléchargée, l’autre ne peut qu’être louée.

Deux corpus de preuves, tous deux honnêtes quant à leurs limites

Realtime Venus arrive comme arrive la recherche ouverte : un rapport arXiv (2609.13814), des poids Apache-2.0 sur Hugging Face sous inclusionAI/Realtime-Venus, deux checkpoints 9B, et une page de projet avec des démos. Il n’y a eu ni billet d’annonce, ni API, ni prix, ni benchmark reproduit par un tiers. Chaque chiffre qui lui est associé provient du rapport technique que les auteurs ont écrit sur leur propre modèle.

Avatar 6 arrive avec le dispositif inverse : une page produit, deux identifiants, un point de terminaison REST, un palier gratuit et un rapport technique dont les études de préférence ont toutes été menées par HeyGen avec les évaluateurs de HeyGen. Il a toutefois une chose qui manque à Venus : une mesure externe. L’arène aveugle de New Measure, publiée le 18 novembre, l’a classé premier sur ses deux tableaux, à 1 197 et 1 237 Elo, sur des clips ne dépassant pas 35 secondes.

{{1}}Lisez les deux chiffres phares comme des affirmations plutôt que comme des constats.{{/1}} Le 84,4 % de HeyGen est un taux de victoire de 42,2 % en comparaison côte à côte, remis à l’échelle par rapport à une base de 50 % ; sa propre étude sur un seul clip place Avatar 6 à 65,1 % jugé réel, contre 78,9 % pour des séquences non montées. {{2}}Le 97 % de continuation de backchannel de Venus provient de Full-Duplex-Bench v1.5, un protocole choisi par ses auteurs.{{/2}} Aucun des deux chiffres n’est malhonnête, et aucun n’a été reproduit par une partie qui n’a rien à vendre — même si Avatar 6 a au moins été soumis au vote d’inconnus, par tranches d’une demi-minute.

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.'

De quoi chaque système est composé

{{1}}Socle{{/1}} — Avatar 6 : non divulgué ; HeyGen le décrit comme son modèle d’avatar le plus intelligent et ne documente aucune architecture. Realtime Venus : un modèle omni de 9B avec vision SigLIP2, audio Whisper-Medium et un socle linguistique Qwen3-8B, adapté de MiniCPM-o 4.5 selon la fiche du modèle.

• Modalité en entrée — Avatar 6 : une image de référence ou une vidéo de référence avec audio de parole. Realtime Venus : flux audio et vidéo continus, ainsi qu’un contexte de tâche déléguée.

• Modalité de sortie — Avatar 6 : vidéo avec parole synchronisée, jusqu’à 2880×1620 via le Model API. Realtime Venus : parole, texte et signaux de contrôle ; aucun pixel.

• Durée — Avatar 6 : aussi longtemps que l’audio, avec des rendus continus de 25 à 28 minutes démontrés. Realtime Venus : une session en cours, avec un contexte de 40 960 tokens et une mémoire vidéo longue sans entraînement qui stocke et récupère des images sélectionnées.

• Prise de parole — Avatar 6 : aucune. Il exécute un script ; personne ne peut l’interrompre. Realtime Venus : full duplex, avec une réponse mesurée aux interruptions et la capacité de continuer à parler pendant un backchannel.

• Accès — Avatar 6 : API REST, conditionné au consentement, facturé en crédits HeyGen. Realtime Venus : poids sur Hugging Face et ModelScope, aucun point de terminaison hébergé, aucun prix.

• Licence — Avatar 6 : conditions commerciales via le compte HeyGen. Realtime Venus : Apache-2.0.

Cette dernière ligne est celle qui réorganise la comparaison. Avatar 6 est un service. Realtime Venus est un modèle. Tout le reste en découle.

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.

La différence en matière d’achats est la véritable différence.

Si vous voulez Realtime Venus en production, vous le téléchargez, provisionnez des GPU et assumez vous-même le problème de serving. Deux checkpoints 9B, BF16, un export ONNX aux côtés des safetensors, un APK Android pour des expérimentations sur appareil, et un dépôt de harness séparé pour la boucle de délégation. Personne ne vous enverra de facture et personne ne dépréciera votre endpoint, mais personne ne corrigera non plus votre latence. Pour une équipe de recherche, c’est un avantage. Pour une équipe produit, c’est un trimestre de travail avant la première sortie utile.

Si vous voulez Avatar 6 en production, vous vous inscrivez, obtenez une clé et appelez POST /v3/models/avatars avec une image de référence et une URL audio. Vous recevez un video_id en retour dans une réponse 202, vous interrogez le service, et une URL signée apparaît. Le parcours de consentement est plus lourd que ce que la plupart des fournisseurs imposent — une vidéo de référence humaine réaliste nécessite un accès Enterprise et une déclaration à l'écran contenant un code à usage unique propre à la session — mais l'intégration prend un après-midi, pas un trimestre.

Ce que vous ne pouvez pas faire avec Avatar 6, c’est le tarifer à l’unité. HeyGen publie un tarif de 0,02 $ par seconde pour HeyGen Video 1 et rien d’équivalent pour Avatar 6 ; la page tarifaire publique vend Creator à 29 $/mois pour 600 crédits et Pro à 49 $/mois pour 1 000 crédits, sans conversion publiée des crédits en secondes. Realtime Venus a le problème inverse : le coût marginal d’un appel correspond à votre facture d’électricité, et le coût fixe est un GPU que vous devez justifier auprès de quelqu’un.

Où les deux se rencontreraient réellement

Imaginez le produit dont ces deux éléments sont des composants : une personne pose une question à voix haute, quelque chose décide quoi dire, et un visage répond avec l’expression adéquate et un geste sur le mot important. Realtime Venus couvre les deux premières étapes — il vous entend, décide quand parler et peut continuer à écouter pendant qu’il parle. Avatar 6 couvre la dernière, et le fait mieux que tout ce qui est actuellement achetable, selon le seul classement indépendant qui l’ait examiné.

Le problème, c'est la jointure. Avatar 6 veut un fichier audio complet — la vidéo dure aussi longtemps que l'audio que vous lui fournissez, et il n'existe ni mode streaming, ni entrée audio partielle, ni moyen d'ajouter à la suite. Realtime Venus produit la parole progressivement, au fil de la conversation. Les relier implique de mettre en tampon la sortie de Venus pour en faire un énoncé terminé, de l'envoyer à HeyGen, d'attendre un rendu que l'arène indépendante a mesuré à 175,6 secondes en typique, et de lire une vidéo générée après que le moment est passé. Ce n'est pas une conversation. C'est une conversation par correspondance.

Pour la version en temps réel, il vous faut un moteur de rendu qui génère la vidéo au fur et à mesure que la parole arrive, et c’est un produit différent. Muse Realtime Avatar de Meta est l’exemple commercial le plus proche ; Tavus Griffin, en aperçu de recherche, en est un autre. Avatar 6 n’est pas cela, et HeyGen ne l’a jamais prétendu — son budget de latence est un budget de traitement par lots, et les données de l’arène le confirment : un rendu d’avatar personnel HeyGen sur dix a pris plus de neuf minutes et demie.

Ce que Vénus mesure et que rien d’autre ici ne mesure

Les chiffres intéressants du rapport Venus ne sont pas des scores de qualité. Ce sont des chiffres comportementaux, et ils décrivent un problème qu’Avatar 6 n’a pas parce qu’Avatar 6 n’écoute pas.

Full-Duplex-Bench v1.5 place la continuation à 97 % pour les backchannels de l’utilisateur, à 88 % pour la parole adressée à autrui et à 86 % pour la parole en arrière-plan, avec un taux de réponse distinct de 75 % aux interruptions véritables. Ce que ces quatre chiffres disent ensemble, c’est que le modèle distingue « mm-hm » de « attends, arrête » — il continue pendant le premier et cède au second. Les résultats de compréhension atteignent 70,2 % sur StreamingBench, 64,7 % sur OVO-Bench, 81,3 % sur Daily-Omni et 78,0 % sur l’audio MMAU. La précision de délégation sur le benchmark interne de l’équipe est de 75,93 % pour le checkpoint Omni et de 68,89 % pour celui Audio, ce qui mesure si le modèle décide correctement de confier une tâche, et non si la tâche réussit.

Ce sont des objectifs d’ingénierie utiles pour quiconque construit un agent conversationnel, et ils n’ont pas été reproduits. L’interprétation honnête est que Venus est une base de référence ouverte crédible pour le comportement en duplex intégral, publiée avec ses poids afin que l’affirmation puisse être vérifiée, et que personne en dehors d’Ant Group et de Tsinghua n’a publié de vérification.

Où se situe OrcaRouter

Aucun des deux ne nous appartient, donc nous ne pouvons pas les vendre. Realtime Venus, ce sont des poids et un article, sans rien qui écoute derrière ; Avatar 6 est le moteur de rendu de HeyGen, conditionné par le flux de consentement de HeyGen et payé en crédits HeyGen. Un argumentaire de routage qui brouillerait l’une ou l’autre de ces frontières serait un mensonge, et c’est le genre de mensonge qui apparaît dès votre premier sprint plutôt que dans une présentation commerciale.

Ce que nous fournissons, en revanche, c'est le volet du raisonnement délégué dont dépendent les deux architectures. La conception propre à Venus achemine les tâches d'arrière-plan vers un modèle multimodal, un modèle général ou une compétence enregistrée ; le script d'Avatar 6 doit bien être rédigé par quelque chose. C'est à ce niveau que une clé unique pour plus de 200 modèles, au tarif catalogue du fournisseur, sans marge, et avec le basculement automatique, élimine réellement du travail — car c'est la seule partie de l'un ou l'autre pipeline où vous avez le choix du fournisseur.

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.

La lecture qui survit au contact d’une feuille de route

Si votre problème est « nous avons besoin d’un présentateur à l’écran qui prononce nos mots, à grande échelle, ce trimestre », Avatar 6 est la réponse et Realtime Venus n’entre pas dans la discussion. Acceptez les trois inconnues — aucun prix par seconde publié, aucun test indépendant au-delà de 35 secondes et un temps de rendu typique mesuré en minutes — et lancez-le en pilote.

Si votre problème est « nous avons besoin de quelque chose capable de tenir une conversation parlée et de décider quand parler », Realtime Venus est une base ouverte sérieuse et Avatar 6 n’est pas pertinent, car il n’a pas d’oreilles. Prenez les poids Apache-2.0, prévoyez le coût de service et considérez chaque score rapporté comme celui des auteurs jusqu’à ce que quelqu’un le reproduise.

Si votre problème, c’est « les deux » — un visage qui converse —, aucun de ces deux produits n’est le produit, et l’écart entre eux est là où se joueront les douze prochains mois de cette catégorie. Le moteur de rendu qui diffuse en continu, piloté par un écouteur qui décide, à un prix que vous pouvez modéliser : personne ne l’a encore livré. Quand quelqu’un le fera, cette page devra être réécrite.