
Avatar 6 vs Realtime Venus: Renderer dan Listener, Dibandingkan secara Keliru
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 180 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 223 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 98 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Letakkan Avatar 6 dan Realtime Venus dalam satu kalimat dan hal pertama yang perlu dikatakan adalah bahwa salah satunya tidak dapat menunjukkan wajah kepada Anda. Realtime Venus adalah model interaksi dupleks penuh milik Ant Group — sistem 9B yang mendengarkan saat berbicara, memahami suara dalam konteks apa yang dapat dilihatnya, dan mendelegasikan pekerjaan di latar belakang. Keluarannya adalah ucapan dan keputusan. Sistem ini tidak menghasilkan video, tidak merender presenter, dan tidak memiliki konsep gambar referensi. Avatar 6, yang dirilis HeyGen pada 17 November 2026, melakukan tepat satu hal: menganimasikan seseorang dari foto atau klip pendek, yang dikendalikan oleh audio yang Anda berikan, dan menghasilkan video hingga 2K.
Jadi perbandingan itu adalah kesalahan kategori, dan versi yang berguna darinya adalah pertanyaan desain. Jika Anda membangun sesuatu di mana manusia muncul di layar dan menjalankan perannya dalam percakapan, Anda memerlukan kedua jenis sistem, dan keputusan yang penting adalah sisi mana dari tumpukan yang Anda miliki. Di situlah keduanya berbeda tajam — yang satu dapat Anda unduh, yang lain hanya dapat Anda sewa.
Dua portofolio bukti, keduanya jujur tentang keterbatasannya
Realtime Venus hadir sebagaimana riset terbuka hadir: laporan arXiv (2609.13814), bobot Apache-2.0 di Hugging Face dengan nama inclusionAI/Realtime-Venus, dua checkpoint 9B, dan halaman proyek dengan demo. Tidak ada postingan peluncuran, tidak ada API, tidak ada harga, dan tidak ada benchmark yang telah direproduksi oleh pihak luar. Setiap angka yang melekat padanya berasal dari laporan teknis yang ditulis para penulis tentang model mereka sendiri.
Avatar 6 hadir dengan perangkat yang berlawanan: halaman produk, dua pengenal, endpoint REST, tier gratis, dan laporan teknis yang studi preferensinya semuanya dijalankan oleh HeyGen pada penilai HeyGen. Ada satu hal yang tidak dimiliki Venus — pengukuran eksternal. Arena buta New Measure, yang diterbitkan 18 November, menempatkannya di peringkat pertama pada kedua papannya dengan 1.197 dan 1.237 Elo, untuk klip yang panjangnya tidak lebih dari 35 detik.
Bacalah kedua angka utama itu sebagai klaim, bukan temuan. Angka 84,4% HeyGen adalah tingkat kemenangan side-by-side 42,2% yang diskalakan ulang terhadap baseline 50%; studi single-clip miliknya sendiri menempatkan Avatar 6 pada 65,1% dinilai nyata dibandingkan 78,9% untuk rekaman tanpa diedit. Angka 97% kelanjutan backchannel Venus berasal dari Full-Duplex-Bench v1.5, protokol yang dipilih para penulisnya sendiri. Tidak ada dari kedua angka itu yang tidak jujur, dan keduanya belum direplikasi oleh pihak yang tidak punya apa pun untuk dijual — meskipun Avatar 6 setidaknya sudah dinilai oleh orang asing, selama setengah menit setiap kali.

Terbuat dari apa setiap sistem
• Backbone — Avatar 6: tidak diungkapkan; HeyGen menyebutnya sebagai model avatar tercerdasnya dan tidak mendokumentasikan arsitektur apa pun. Realtime Venus: model omni 9B dengan visi SigLIP2, audio Whisper-Medium, dan backbone bahasa Qwen3-8B, diadaptasi dari MiniCPM-o 4.5 sesuai kartu model.
• Modalitas masukan — Avatar 6: satu gambar referensi atau satu video referensi plus audio ucapan. Realtime Venus: aliran audio dan video berkelanjutan, plus konteks tugas yang didelegasikan.
• Modalitas keluaran — Avatar 6: video dengan ucapan tersinkron, hingga 2880×1620 melalui Model API. Realtime Venus: ucapan, teks, dan sinyal kontrol; tanpa piksel.
• Durasi — Avatar 6: selama audionya, dengan render kontinu berdurasi 25–28 menit yang telah didemonstrasikan. Realtime Venus: sesi yang sedang berjalan, dengan konteks 40.960 token dan memori video panjang tanpa pelatihan yang menyimpan dan mengambil frame terpilih.
• Pengambilan giliran — Avatar 6: tidak ada. Ia menjalankan skrip; tidak ada yang dapat menyela. Realtime Venus: dupleks penuh, dengan respons interupsi yang terukur dan kemampuan untuk terus berbicara melalui backchannel.
{{1}}Akses{{/1}} — Avatar 6: REST API, berbasis persetujuan, ditagih dalam kredit HeyGen. Realtime Venus: bobot di Hugging Face dan ModelScope, tanpa endpoint terhosting, tanpa harga.
• Lisensi — Avatar 6: ketentuan komersial di bawah akun HeyGen. Realtime Venus: Apache-2.0.
Baris terakhir itulah yang menata ulang perbandingan. Avatar 6 adalah layanan. Realtime Venus adalah model. Semua hal lainnya mengikuti dari itu.

Perbedaan dalam pengadaan adalah perbedaan yang sesungguhnya.
Jika Anda ingin Realtime Venus di produksi, Anda mengunduhnya, menyediakan GPU, dan menanggung sendiri masalah serving-nya. Dua checkpoint 9B, BF16, ekspor ONNX bersama safetensors, APK Android untuk eksperimen on-device, dan repositori harness terpisah untuk loop delegasi. Tidak ada yang akan mengirimi Anda tagihan dan tidak ada yang akan mendeprekasi endpoint Anda, tetapi tidak ada yang akan memperbaiki latensi Anda juga. Bagi tim riset, itu adalah fitur. Bagi tim produk, itu adalah pekerjaan selama seperempat tahun sebelum output pertama yang berguna.
Jika Anda ingin Avatar 6 di lingkungan produksi, Anda mendaftar, mendapatkan kunci, dan memanggil POST /v3/models/avatars dengan gambar referensi dan URL audio. Anda mendapatkan video_id kembali dalam 202, Anda melakukan polling, dan URL bertanda tangan muncul. Alur persetujuan lebih berat daripada yang diberlakukan sebagian besar vendor — video referensi manusia yang realistis memerlukan akses Enterprise dan pernyataan di depan kamera yang berisi kode sekali pakai khusus sesi — tetapi integrasinya hanya memerlukan waktu satu sore, bukan satu kuartal.
Yang tidak bisa Anda lakukan dengan Avatar 6 adalah menetapkan harga per unit. HeyGen menerbitkan $0,02 per detik untuk HeyGen Video 1 dan tidak ada yang setara untuk Avatar 6; halaman harga publik menjual Creator seharga $29/bulan untuk 600 kredit dan Pro seharga $49/bulan untuk 1.000 kredit, tanpa konversi kredit ke detik yang dipublikasikan. Realtime Venus memiliki masalah sebaliknya: biaya marginal sebuah panggilan adalah tagihan listrik Anda, dan biaya tetapnya adalah GPU yang harus Anda pertanggungjawabkan kepada seseorang.
Di mana keduanya sebenarnya akan bertemu
Bayangkan produk yang kedua komponen ini merupakan bagiannya: seseorang mengajukan pertanyaan dengan suara, sesuatu memutuskan apa yang harus dikatakan, dan sebuah wajah mengatakannya kembali dengan ekspresi yang tepat dan gestur pada kata penting. Realtime Venus menangani dua langkah pertama — ia mendengar Anda, memutuskan kapan harus berbicara, dan dapat terus mendengarkan saat berbicara. Avatar 6 menangani langkah terakhir, dan melakukannya lebih baik daripada apa pun yang saat ini dapat dibeli, menurut satu-satunya papan independen yang telah meninjaunya.
Masalahnya ada pada sambungannya. Avatar 6 menginginkan file audio yang lengkap — video berdurasi sepanjang audio yang Anda berikan, dan tidak ada mode streaming, tidak ada input audio parsial, tidak ada cara untuk menambahkan di akhir. Realtime Venus menghasilkan ucapan secara bertahap, seiring percakapan berjalan. Menggabungkan keduanya berarti menyangga output Venus menjadi ujaran jadi, mengirimkannya ke HeyGen, menunggu render yang menurut pengukuran arena independen biasanya memakan 175,6 detik, lalu memutar video yang dihasilkan setelah momennya berlalu. Itu bukan percakapan. Itu percakapan pesanan lewat pos.
Untuk versi real-time, Anda memerlukan renderer yang menghasilkan video seiring ucapan masuk, dan itu adalah produk yang berbeda. Muse Realtime Avatar dari Meta adalah contoh terdekat yang sudah dirilis; Tavus Griffin, dalam pratinjau riset, adalah contoh lainnya. Avatar 6 bukan itu, dan HeyGen tidak pernah mengklaimnya demikian — anggaran latensinya adalah anggaran batch, dan data arena membuktikannya: satu dari sepuluh render avatar personal HeyGen memakan waktu lebih dari sembilan setengah menit.
Apa yang Venus ukur yang tidak dilakukan hal lain di sini
Angka-angka menarik dalam laporan Venus bukanlah skor kualitas. Itu adalah angka-angka perilaku, dan menggambarkan masalah yang tidak dialami Avatar 6 karena Avatar 6 tidak mendengarkan.
Full-Duplex-Bench v1.5 mencatat tingkat kelanjutan sebesar 97% untuk backchannel pengguna, 88% untuk ucapan yang ditujukan kepada orang lain, dan 86% untuk ucapan latar belakang, dengan tingkat respons terpisah sebesar 75% terhadap interupsi sungguhan. Inti dari keempat angka tersebut bila digabungkan adalah bahwa model membedakan "mm-hm" dari "wait, stop" — model tetap melanjutkan pada yang pertama dan mengalah pada yang kedua. Hasil pemahaman mencapai 70,2% pada StreamingBench, 64,7% pada OVO-Bench, 81,3% pada Daily-Omni, dan 78,0% pada audio MMAU. Akurasi pendelegasian pada tolok ukur internal tim adalah 75,93% untuk checkpoint Omni dan 68,89% untuk checkpoint Audio, yang mengukur apakah model dengan benar memutuskan untuk melimpahkan suatu tugas, bukan apakah tugas tersebut berhasil.
Itu adalah target rekayasa yang berguna bagi siapa pun yang membangun agen percakapan, dan target-target itu belum direproduksi. Bacaan yang jujur adalah bahwa Venus adalah baseline terbuka yang kredibel untuk perilaku dupleks penuh, diterbitkan bersama bobotnya agar klaimnya dapat diperiksa, dan bahwa tidak ada pihak di luar Ant Group dan Tsinghua yang telah menerbitkan pemeriksaan.
Posisi OrcaRouter
Tak satu pun dari ini yang menjadi milik kita untuk dijual. Realtime Venus hanyalah bobot model dan sebuah paper tanpa apa pun yang menunggu di baliknya; Avatar 6 adalah renderer milik HeyGen, dibatasi oleh alur persetujuan HeyGen dan dibayar dengan kredit HeyGen. Pitch routing yang mengaburkan salah satu batas itu adalah kebohongan, dan itulah jenis kebohongan yang muncul di sprint pertama Anda, bukan di dek penjualan.
Yang kami sediakan adalah komponen penalaran terdelegasi yang menjadi tumpuan kedua arsitektur. Desain Venus sendiri mengarahkan tugas latar belakang ke model multimodal, model umum, atau keterampilan terdaftar; skrip Avatar 6 harus ditulis oleh sesuatu. Lapisan itulah yang, dengan satu kunci untuk 200+ model, pada harga daftar penyedia tanpa markup, dan dengan failover otomatis, benar-benar menghilangkan pekerjaan — karena hanya inilah bagian dari kedua pipeline yang memberi Anda pilihan pemasok.

Pembacaan yang bertahan setelah bersentuhan dengan sebuah peta jalan
Jika masalah Anda adalah "kami membutuhkan presenter di layar yang menyampaikan kata-kata kami, dalam skala besar, kuartal ini," Avatar 6 adalah jawabannya dan Realtime Venus tidak masuk dalam pembicaraan. Terimalah tiga hal yang belum diketahui — tidak ada harga per detik yang dipublikasikan, tidak ada pengujian independen di luar 35 detik, dan waktu render tipikal yang diukur dalam hitungan menit — lalu jalankan sebagai pilot.
Jika masalah Anda adalah "kita memerlukan sesuatu yang dapat melakukan percakapan lisan dan memutuskan kapan harus berbicara," Realtime Venus adalah baseline terbuka yang serius dan Avatar 6 tidak relevan, karena ia tidak memiliki telinga. Ambil bobot Apache-2.0, rencanakan biaya penyajian, dan anggap setiap skor yang dilaporkan sebagai milik penulis sendiri sampai seseorang mereproduksinya.
Jika masalah Anda adalah "keduanya" — wajah yang dapat bercakap-cakap — tidak satu pun dari keduanya adalah produknya, dan celah di antara keduanya adalah tempat dua belas bulan berikutnya di kategori ini akan diperebutkan. Renderer yang melakukan streaming, digerakkan oleh listener yang memutuskan, dengan harga yang dapat Anda modelkan: belum ada yang meluncurkannya. Saat seseorang melakukannya, halaman ini perlu ditulis ulang.
