Une carte de titre générée pour Realtime 1 vs Realtime Venus, contrastant un prix hébergé à la minute avec un coût auto-hébergé par heure-GPU, avec une mention de licence Apache 2.0, ainsi qu’un logo OrcaRouter.
Engineering & Research

Realtime 1 vs Realtime Venus : louer un agent vocal ou en posséder un pour le coût d'un GPU

Auteur

jinhao.song

Date de publication

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

Tout dans cette confrontation se résume à une phrase sur un fichier de licence. Realtime Venus est sous Apache 2.0 — un modèle 9B que vous téléchargez, exécutez sur votre propre A100, et pour lequel vous ne payez plus jamais à la minute. MAI Realtime 1, annoncé par Microsoft le 17 novembre 2026, est une API hébergée à 0,01 $ par minute audio, avec derrière un niveau de raisonnement facturé au token et un aperçu Foundry qui ne facture rien avant l'aperçu public. L'un de ces deux produits a un prix par appel. L'autre a un prix par heure de GPU. Les comparer sur des grilles tarifaires est une erreur de catégorie, et c'est pourquoi presque toutes les analyses de « voix hébergée contre poids ouverts » se trompent au même endroit.

La bonne question est de savoir combien coûte l’exploitation de chacun à votre volume et ce que chacun peut réellement faire — et là, la comparaison s’inverse : les chiffres du modèle ouvert s’accompagnent d’un article décrivant le dispositif d’évaluation, tandis que ceux du modèle hébergé proviennent d’une page de modèle où ne figure qu’un seul taux de précision. C’est cette inversion qui est révélatrice.

Ce que chacun est réellement

Realtime Venus provient d’inclusionAI et est documenté dans arXiv 2609.13814, attribué à l’équipe Venus d’Ant Group et à l’Université Tsinghua, le papier étant daté de septembre 2026. Il est diffusé sous forme de deux checkpoints : Realtime-Venus-Omni, un modèle audio-visuel de 9B adapté de MiniCPM-o 4.5 qui regarde et écoute en continu, décide quand parler et émet du texte et de la parole sur une même ligne temporelle ; et Realtime-Venus-Audio, un modèle audio uniquement de 9B reposant sur la même architecture de streaming. Les deux utilisent Whisper-Medium comme encodeur audio, Qwen3-8B comme socle linguistique, des tokens de parole discrets S3 avec un décodeur de flow-matching en streaming, un contexte de 40 960 tokens, des poids BF16, et l’anglais et le chinois comme langues.

MAI Realtime 1 est le premier modèle parole à parole de Microsoft, un système hébergé à deux niveaux : un chemin conversationnel rapide à un centime la minute, et un moteur de raisonnement à 1,00 $ par million de tokens d’entrée et 5,00 $ par million de tokens de sortie, vers lequel les échanges plus difficiles sont acheminés. Aucun détail d’architecture, aucun nombre de paramètres, aucune liste de langues. Son unique chiffre de précision publié est de 98,8 % sur Big Bench Audio, sur sa propre page de modèle, exécuté par le fournisseur et non reproduit — ce qui est l’image miroir de la situation ci-dessous, où un laboratoire plus petit a mis sa méthode d’évaluation dans un article que tout le monde peut lire.

• Poids — Realtime Venus sous Apache 2.0, téléchargeable, deux checkpoints 9B ; MAI Realtime 1 fermé, accès en préversion sur inscription.

• Langues — Realtime Venus en anglais et en chinois, explicitement ; MAI Realtime 1 non répertorié.

• Contexte — Realtime Venus 40 960 tokens ; MAI Realtime 1 non publié.

• Matériel — Realtime Venus a besoin d’un A100 pour la démo de duplex en temps réel ; MAI Realtime 1 n’a besoin que d’une clé.

• Modalités — Realtime Venus Omni prend en charge la vidéo et l’audio en streaming ; MAI Realtime 1 fonctionne en parole à parole.

• Structure tarifaire — Realtime Venus par heure-GPU, pour toujours ; MAI Realtime 1 par minute audio plus jetons de raisonnement.

Les chiffres publiés par Realtime Venus, et ce qu’ils signifient

L’article est inhabituellement précis sur le comportement en duplex intégral, qui est la partie que la plupart des modèles vocaux laissent vague :

• Réponse aux interruptions — 75 % des interruptions d’utilisateur ont obtenu une réponse, sur Full-Duplex-Bench v1.5.

• Reprise après les signaux d’écoute — 97 %

• Poursuite lorsque la parole est dirigée ailleurs — 88 %

• Poursuite en présence de parole en arrière-plan — 86 %

• L'affirmation des auteurs — ces modèles « surpassent Gemini 3.1 Live et GPT-4o sur les trois métriques de continuation ». Notez les cibles de comparaison : Gemini 3.1 Live, que Google classe désormais comme hérité au profit de 3.8 Live, et GPT-4o. Ni l'un ni l'autre ne représente l'état de l'art actuel ; la victoire est donc réelle, mais la référence date d'une génération.

En compréhension, Realtime-Venus-Audio arrive en tête de son panel de comparaison sur MMAU avec 78,0 %, sur MMAU-Pro avec 63,2 %, sur Llama Questions avec 83,8 % et sur Speech CMMLU avec 67,8 %, et égale le meilleur score VoiceBench AlpacaEval à 4,81. Realtime-Venus-Omni est le meilleur des modèles en ligne évalués sur six des huit benchmarks vidéo, notamment StreamingBench avec 70,2 %, OVO-Bench avec 64,7 % et Daily-Omni avec 81,3 %.

Toutes ces évaluations sont celles des auteurs dans leur propre article. Elles constituent des preuves plus solides qu’une page marketing — le banc d’essai et l’ensemble de comparaison sont au moins décrits — et plus faibles que celles d’un comité indépendant. Artificial Analysis ne répertorie pas Realtime Venus au 18 novembre, donc aucun tiers ne les a réexécutées.

Le seul chiffre qui manque au résumé de l’article au niveau de l’abstract est celui qui compte pour un agent de support : un score d’achèvement de tâches agentiques τ-Voice. Realtime Venus repose sur une idée différente — un mécanisme <delegate> qui pousse les tâches externes asynchrones vers un runtime Harness séparé, afin que la conversation continue pendant que le travail s’effectue en arrière-plan. Sur le plan architectural, cela est proche de ce que MAI Realtime 1 fait en interne avec son niveau de raisonnement, et de ce que G​PT Live 1 fait en déléguant à un agent backend. Trois produits différents, une conception convergente : parler vite, déléguer la réflexion. Personne n’a publié de comparatif direct sur le volet délégation.

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.'

L’arithmétique que cache un prix à la minute

C’est ici que la comparaison cesse de porter sur les tarifs. MAI Realtime 1, à un centime la minute, revient à 0,60 $ l’heure d’audio. Une seule A100 faisant tourner Realtime Venus coûte de l’ordre de 1,50 $ à 2,50 $ l’heure aux tarifs du cloud standard — disons 2 $ pour les besoins du raisonnement, et notez qu’il s’agit d’un tarif de marché, et non d’un prix publié par l’un ou l’autre des fournisseurs.

• Seuil de rentabilité — environ trois à quatre conversations simultanées remplissent un A100 à ces cadences. En dessous, la location coûte moins cher. Au-dessus, la possession est plus avantageuse.

• Le hic côté hébergé — le niveau de raisonnement de MAI Realtime 1 est facturé au token en plus du tarif à la minute, si bien que son coût réel par heure dépasse 0,60 $ et demeure inconnu.

• Le hic du côté auto-hébergé — la concurrence par A100 pour un modèle duplex de 9B n’est pas publiée non plus. La démo nécessite « au moins un NVIDIA A100 », ce qui vous indique qu’il fonctionne, mais rien sur le nombre de flux qu’il peut soutenir.

Les deux côtés du seuil de rentabilité sont des estimations. Ce qui n’est pas une estimation, c’est la forme de la courbe : le coût hébergé augmente linéairement et indéfiniment ; le coût auto-hébergé a un plancher fixe, puis s’infléchit. Un pilote de cent appels par jour devrait opter pour la location. Un centre de contact exploitant deux cents lignes simultanées ne devrait pas, à moins que le modèle hébergé soit nettement meilleur — et sur cette confrontation, c’est le modèle ouvert dont les affirmations de précision s’accompagnent d’un banc d’essai publié.

Il existe aussi une asymétrie opérationnelle qui n’apparaît jamais sur une grille tarifaire. Auto-héberger un modèle duplex 9B implique de posséder la capacité GPU, de gérer les démarrages à froid, le chargement du modèle et le mode de défaillance où un nœud tombe et où les appels sont coupés. L’hébergement managé implique de ne rien posséder de tout cela et d’accepter la latence, la disponibilité et le calendrier d’obsolescence d’un fournisseur. Les équipes sous-estiment systématiquement le premier et surestiment le second, généralement parce que le premier est invisible dans un tableur.

Là où le modèle hébergé n’a pas de réponse à poids ouverts

Trois choses, et elles ne sont pas anodines.

Plomberie d'entreprise : MAI Realtime 1 arrive dans Dynamics 365 Contact Center et dans Dragon Copilot pour des simulations de formation d'infirmières, avec Agoda et Reservations.ai qui effectuent des tests. Il s'agit d'intégrations dans des systèmes qu'un modèle auto-hébergé ne peut atteindre sans que vous construisiez vous-même les connecteurs.

Compatibilité : il parle l’API Realtime d’OpenAI, donc une pile vocale existante a besoin d’une chaîne de modèle plutôt que d’une réécriture. Realtime Venus est distribué sous forme de package Python — AutoModel.from_pretrained, as_duplex(), streaming_prefill() et streaming_generate() par seconde, FFmpeg et CUDA sur l’hôte. C’est un véritable projet d’ingénierie.

Et l’étendue de la transcription : l’annonce associée de Microsoft, Dragon Copilot Transcribe sur MAI Transcribe 2, couvre la dictée clinique à une échelle qu’aucun élément du document Venus n’aborde — 10 millions de consultations de patients par mois, un taux d’erreur multilingue réduit de moitié, selon Microsoft lui-même. Si votre produit est clinique, c’est cet écosystème qui constitue l’argument, et non le tarif à la minute.

Là où les poids ouverts n’ont pas de réponse hébergée

Vidéo. Realtime-Venus-Omni est un modèle audio-visuel en streaming — il regarde et écoute, et les benchmarks Omni sont des benchmarks vidéo. MAI Realtime 1 est vocal. Si l’interaction implique une caméra, un partage d’écran ou un patient qui désigne quelque chose d’un geste, la comparaison n’est pas serrée, car le modèle hébergé ne tente pas de le faire.

Mémoire longue vidéo aussi : la carte Venus revendique une mémoire sur de longues vidéos sans entraînement supplémentaire, via un commutateur use_memory(). Rien dans l’annonce de Microsoft n’aborde la mémoire sur toute une session.

Et la licence. Apache 2.0 signifie que vous pouvez l'affiner, l'intégrer dans un produit, l'exécuter dans une juridiction où Microsoft n'a pas de région, et conserver l'audio sur votre propre matériel. Pour un déploiement clinique ou dans le secteur public où les données ne peuvent pas quitter le bâtiment, ce n'est pas une préférence — c'est une exigence, et aucune remise à la minute ne saurait y suppléer.

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.

L'hybride que la plupart des équipes devraient réellement construire

La convergence évoquée plus tôt constitue la réponse pratique. Ces trois produits — Realtime Venus, MAI Realtime 1, GPT Live 1 — séparent la conversation du travail : Venus via <delegate> et un runtime Harness, Microsoft via un niveau de raisonnement interne, OpenAI via un agent backend explicitement attaché. Dans chaque cas, le plus difficile est un second modèle qui effectue le raisonnement, et dans chaque cas, c’est cette couche qui concentre le coût et la latence.

Ce qui signifie que le choix entre les deux est en réalité une décision portant sur le front end, et que le backend peut être identique dans un cas comme dans l'autre. OrcaRouter est conçu pour cette seconde couche : plus de 200 modèles sur une seule clé, au prix catalogue du fournisseur et avec 0 % de marge, si bien que quel que soit le front end retenu, les modèles de raisonnement qui se trouvent derrière sont interchangeables et un changement de tarif d'un fournisseur est répercuté le jour même. Le basculement automatique est ce qui fait d'une tâche déléguée quelque chose que l'on peut exécuter en production sans risque — un appel en arrière-plan qui échoue silencieusement est une promesse faite à un appelant qui n'est jamais tenue, et une nouvelle tentative routée d'un fournisseur à l'autre fait toute la différence entre une tâche qui s'achève et une qui, discrètement, n'aboutit pas. Le DSL de routage est ce qui transforme la politique de délégation en règle : quelles intentions sont escaladées, vers quel modèle, avec quel budget.

Aucun de ces deux modèles vocaux ne figure dans notre catalogue — Realtime Venus, ce sont des poids Apache 2.0 que vous hébergez vous-même, et MAI Realtime 1, c’est MAI Labs et l’aperçu à accès limité de Foundry. Ce que nous routons, c’est tout ce qu’ils délèguent.

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.

Choisir, concrètement

Commencez par Realtime Venus si l’une de ces conditions est vraie : les données ne peuvent pas quitter votre infrastructure, l’interaction implique de la vidéo, vous avez besoin spécifiquement d’anglais et de chinois et de rien d’autre, vous disposez déjà de capacité GPU, ou votre volume est suffisamment élevé pour qu’une facturation linéaire à la minute soit inadaptée. Acceptez en contrepartie que vous utilisez une stack de niveau recherche avec une API Python, un article scientifique comme documentation, et aucun benchmark indépendant pour confirmer les chiffres des auteurs.

Commencez par MAI Realtime 1 si l’interaction est uniquement vocale, que le volume est modeste, que l’intégration est déjà de forme OpenAI-Realtime et qu’un centime la minute est le chiffre qui rend le projet tout simplement viable. Acceptez en échange de ne pouvoir en mesurer presque rien : un seul chiffre de précision rapporté par le fournisseur, une latence P50 sans distribution, aucun score τ-Voice, aucune liste de langues, et une démo non commerciale de deux minutes qui se déclarait indisponible lorsque nous avons vérifié.

Et observez ce sur quoi les deux parient discrètement. Realtime Venus, MAI Realtime 1 et G​PT Live 1 ont tous conclu qu’un modèle vocal ne devrait pas réfléchir intensément pendant que quelqu’un attend. La différence entre eux ne réside que dans l’endroit où va la réflexion. Celui qui publiera le premier un taux d’achèvement des tâches pour la moitié déléguée tranchera un duel que les tarifs à la minute n’auraient jamais pu trancher.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement