記事「Avatar 6 vs Realtime Venus」向けに生成されたタイトルカード。キッカーは「AVATARモデル比較」、大タイトルは「Avatar 6 vs Realtime Venus」、サブタイトルは「レンダラーとリスナー、誤って比較された両者」、3つのピル型カードは「動画、最大2K」「音声、Apache-2.0」「異なる役割」です。
Engineering & Research

Avatar 6 対 Realtime Venus:レンダラーとリスナー、誤った比較

著者

Elias Hawthorne

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

同じ文にAvatar 6とRealtime Venusを入れると、まず言っておくべきことは、そのうち一方は顔を見せられないということだ。Realtime VenusはAnt Groupの全二重インタラクションモデルであり、話しながら聞き、見えるものの文脈で音を理解し、バックグラウンドで作業を委任する9Bシステムだ。その出力は音声と判断である。動画を生成せず、プレゼンターを描画せず、参照画像という概念も持たない。HeyGenが2026年11月17日にリリースしたAvatar 6は、まさに一つのことだけを行う。あなたが提供する音声に駆動されて写真や短いクリップから人物をアニメーション化し、最大2Kの動画を返す。

つまり、その比較はカテゴリー・エラーであり、有用な形にすると設計上の問いになる。人間が画面に現れて会話で自分の役割を果たすようなものを作るなら、両方の種類のシステムが必要で、重要な判断はスタックのどちら側を自分たちが持つかだ。そこがこの二つが大きく分かれる点だ——一方はダウンロードでき、他方は借りるしかない。

限界について正直な、2つの証拠ポートフォリオ

Realtime Venusは、オープンリサーチが登場するのと同じ形で登場した。arXivレポート(2609.13814)、Hugging Face上のApache-2.0ライセンスの重み(inclusionAI/Realtime-Venus)、2つの9Bチェックポイント、デモ付きのプロジェクトページ。ローンチ投稿もAPIも価格もなく、外部の第三者が再現したベンチマークもない。それに付随するあらゆる数値は、著者らが自身のモデルについて書いた技術レポートに由来する。

Avatar 6は正反対の仕組みを備えている。製品ページ、2つの識別子、RESTエンドポイント、無料枠、そして選好調査がすべてHeyGen自身の評価者によってHeyGenで実施された技術レポートだ。ただ、Venusに欠けているものが1つある——外部による測定だ。11月18日に公開されたNew Measureのブラインドアリーナは、35秒以下のクリップを対象に、両方のボードで1,197と1,237のEloスコアでAvatar 6を1位にした。

どちらの見出し数字も、調査結果ではなく主張として読むべきだ。HeyGenの84.4%は、50%のベースラインに対して再スケールされた42.2%の並置比較での勝率である。同社自身の単一クリップ調査では、Avatar 6は65.1%が本物と判定されたのに対し、未編集映像は78.9%だった。Venusの97%というバックチャネル継続率は、著者らが選んだプロトコルであるFull-Duplex-Bench v1.5から来ている。どちらの数字も不誠実ではないし、何も売るものがない当事者によって再現されたわけでもない——ただしAvatar 6は少なくとも、一度に30秒ずつではあるが、見知らぬ人々によって投票されている。

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.'

各システムが何で構成されているか

• バックボーン — Avatar 6:非公開。HeyGenはこれを自社の最も賢いアバターモデルと説明しており、アーキテクチャについては文書化していない。Realtime Venus:SigLIP2ビジョン、Whisper-Mediumオーディオ、Qwen3-8B言語バックボーンを備えた9Bオムニモデルで、モデルカードによればMiniCPM-o 4.5から適応されている。

• 入力モダリティ — Avatar 6:参照画像1枚、または参照動画1本と音声。Realtime Venus:連続的な音声・映像ストリームに加え、委任されたタスクのコンテキスト。

• 出力モダリティ — Avatar 6:音声同期付き動画、Model API 経由で最大 2880×1620。Realtime Venus:音声、テキスト、制御信号。ピクセルなし。

• 長さ — Avatar 6:音声と同じ長さで、25~28分の連続レンダリングが実証されています。Realtime Venus:実行中のセッションで、40,960トークンのコンテキストと、選択したフレームを保存・取得するトレーニング不要の長尺動画メモリを備えています。

• ターンテイキング — Avatar 6:なし。台本を実行するため、割り込む相手がいません。Realtime Venus:全二重で、適度に制御された割り込み応答と、バックチャネルを介しても話し続けられる能力を備えています。

• アクセス — Avatar 6:REST API、同意を条件として提供、HeyGenクレジットで課金。Realtime Venus:Hugging FaceとModelScopeで重みを公開、ホスト型エンドポイントなし、価格なし。

• ライセンス — Avatar 6:HeyGenのアカウントに基づく商用利用条件。Realtime Venus:Apache-2.0。

最後の行が、この比較を整理し直す鍵となります。Avatar 6はサービスです。Realtime Venusはモデルです。その他のことはすべてそこから導かれます。

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.

調達の違いこそが本当の違いだ。

Realtime Venusを本番環境で使いたいなら、自分でダウンロードし、GPUをプロビジョニングし、サービングの問題を自分で抱え込むことになる。9Bチェックポイントが2つ、BF16、safetensorsと並ぶONNXエクスポート、オンデバイス実験用のAndroid APK、そして委譲ループ用の別個のハーネスリポジトリがある。誰も請求書を送ってくれず、誰もあなたのエンドポイントを非推奨にしないが、誰もあなたのレイテンシを直してくれもしない。研究チームにとって、それは利点だ。プロダクトチームにとっては、最初の有用な出力を得る前に四半期分の作業になる。

Avatar 6を本番環境で導入したい場合は、サインアップしてキーを取得し、POST /v3/models/avatarsに参照画像と音声URLを指定して呼び出します。すると、video_idが202で返ってくるので、ポーリングすると署名付きURLが現れます。同意フローは多くのベンダーが課すものより負担が重く、リアルな人物の参照動画にはEnterpriseアクセスと、セッション固有のワンタイムコードを含む、カメラに映って行う声明が必要ですが、統合は四半期ではなく午後で済みます。

Avatar 6でできないのは、それを1台あたりの価格で見積もることだ。HeyGenはHeyGen Video 1について1秒あたり0.02ドルを公表しており、Avatar 6には相当するものを何も公表していない。公開価格ページではCreatorを月額29ドルで600クレジット、Proを月額49ドルで1,000クレジットで販売しており、クレジットから秒への換算は公表されていない。Realtime Venusは逆の問題を抱えている。通話の限界費用は電気代であり、固定費用は誰かに正当化しなければならないGPUだ。

二つが実際に交わる場所

これら両方が構成要素となっている製品を想像してみてください。人が音声で質問し、何かが何を言うかを決め、顔が適切な表情と重要な単語に合わせたジェスチャーでそれを返します。Realtime Venusは最初の2つのステップを担います。あなたの声を聞き、いつ話すかを決め、話している間も聞き続けることができます。Avatar 6は最後のステップを担い、調査を行った唯一の独立系評価団体によれば、現在購入できるどの製品よりも優れています。

問題は継ぎ目だ。Avatar 6は完全な音声ファイルを要求する——動画は渡した音声の長さだけ続き、ストリーミングモードも、部分音声の入力も、追記する方法もない。Realtime Venusは会話が進むにつれて、音声を逐次的に生成する。両者をつなぐには、Venusの出力を完成した発話としてバッファリングし、HeyGenに送り、独立系アリーナが計測した典型的な175.6秒のレンダリングを待ち、その瞬間が過ぎた後に生成された動画を再生することになる。それは会話ではない。通信販売の会話だ。

リアルタイム版には、音声が届くのに合わせて動画を生成するレンダラーが必要であり、それは別製品です。MetaのMuse Realtime Avatarが製品化されている中で最も近い例であり、リサーチプレビュー中のTavus Griffinももう一つの例です。Avatar 6はそうではなく、HeyGenもそう主張したことはありません。そのレイテンシ予算はバッチ用の予算であり、アリーナのデータもそれを裏付けています。HeyGenのパーソナルアバターのレンダリングは10回に1回、9分半以上かかりました。

ここにある他のどれも測れない、Venusが測るもの

Venusレポートの興味深い数値は品質スコアではない。それらは行動に関する数値であり、Avatar 6は聞いていないため、Avatar 6にはない問題を表している。

Full-Duplex-Bench v1.5では、ユーザーの相づちに対する継続率が97%、他者に向けた発話で88%、背景音声で86%、真正の割り込みへの応答率は別途75%となっています。これら4つの数字が合わせて示すのは、モデルが「mm-hm」と「wait, stop」を区別することです。つまり、前者には話し続け、後者には譲ります。理解結果はStreamingBenchで70.2%、OVO-Benchで64.7%、Daily-Omniで81.3%、MMAU audioで78.0%です。チームの社内ベンチマークにおける委譲精度は、Omniチェックポイントで75.93%、Audioの方で68.89%です。これは、モデルがタスクを正しく引き渡すかどうかを測るものであり、タスクが成功するかどうかではありません。

これらは会話エージェントを構築する誰にとっても有用なエンジニアリング目標であり、再現されていない。率直に読めば、Venusは全二重動作の信頼できるオープンなベースラインであり、主張を検証できるようにその重みとともに公開されており、Ant Groupと清華大学の外部では誰も検証結果を公表していない、ということだ。

OrcaRouterの位置づけ

どちらも私たちが販売してよいものではありません。Realtime Venus は重みと論文であり、その背後で待ち受けているものは何もありません。Avatar 6 は HeyGen のレンダラーで、HeyGen の同意フローによって制御され、HeyGen のクレジットで支払うものです。どちらかの境界線を曖昧にするルーティングの提案は嘘であり、それは営業資料ではなく最初のスプリントで露呈する類の嘘です。

私たちが提供しているのは、どちらのアーキテクチャも依存している委任推論の部分です。Venus自体の設計では、バックグラウンドタスクをマルチモーダルモデル、汎用モデル、または登録済みスキルにルーティングします。Avatar 6のスクリプトも、何かによって書かれなければなりません。そのレイヤーでは、200以上のモデルにまたがる1つのキーを、プロバイダーの定価のままマークアップなしで、そして自動フェイルオーバーによって、実際に作業が削減されます — どちらのパイプラインにおいても、サプライヤーを選べる唯一の部分だからです。

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.

ロードマップに触れても生き残る読み

あなたの課題が「今四半期に、大規模に、私たちの言葉を画面上のプレゼンターに語らせること」だというなら、Avatar 6 が答えであり、Realtime Venus は検討の土俵にすら上がりません。3つの不明点——公開された秒単位の価格がないこと、35秒を超える独立したテストがないこと、一般的なレンダリング時間が分単位で測られること——を受け入れて、試験導入してください。

あなたの問題が「音声会話を成立させ、いつ話すべきかを判断できるものが必要だ」というものであるなら、Realtime Venusは本格的なオープンベースラインであり、Avatar 6は耳を持たないため無関係です。Apache-2.0の重みを採用し、サービングコストを見込んでおき、報告されたあらゆるスコアは誰かが再現するまでは著者ら自身のものとして扱ってください。

あなたの問題が「両方」——会話する顔——であるなら、これらはいずれも製品ではなく、その間のギャップこそが、このカテゴリーの今後12か月の主戦場になる。ストリーミングするレンダラーを、判断するリスナーが駆動し、モデル化できる価格で提供する——そんな製品はまだ誰も世に出していない。誰かが実現したとき、このページは書き直しが必要になる。