Realtime 1対Realtime Venusの生成済みタイトルカード。ホスト型の分単位価格とセルフホスト型のGPU1時間あたりのコストを対比し、Apache 2.0ライセンスマークとOrcaRouterロゴを添えています。
Engineering & Research

Realtime 1 vs Realtime Venus:音声エージェントをレンタルするか、GPU1台分のコストで自前で持つか

著者

jinhao.song

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

この対決のすべては、ライセンスファイルの一文に帰着する。 Realtime VenusはApache 2.0——ダウンロードして自分のA100で実行でき、分単位の料金を二度と払う必要がない9Bモデルだ。 MAI Realtime 1は、Microsoftが2026年11月17日に発表したホステッドAPIで、音声1分あたり$0.01、その背後にトークン課金の推論ティアがあり、Foundryプレビューはパブリックプレビューまで一切課金しない。一方は呼び出し単位の価格で、もう一方はGPU時間単位の価格だ。両者を料金表で比較するのはカテゴリーエラーであり、ホステッド音声対オープンウェイトに関するほとんどすべての記事が同じ点で誤るのはそのためだ。

正しい問いは、それぞれをあなたの利用量で運用するのにいくらかかるのか、そしてそれぞれが実際に何をできるのかであり——そこで比較は逆転する。オープンモデルの数値には、ハーネスを説明した論文が付いている。一方、ホスト型モデルの数値は、単一の精度値だけが載ったモデルページから来ている。その逆転こそが本題だ。

それぞれが実際に何なのか

Realtime VenusはinclusionAIによるもので、arXiv 2609.13814で文書化されており、Ant GroupのVenus TeamとTsinghua Universityによるものとクレジットされ、論文の日付は2026年9月です。2つのチェックポイントとして提供されます。Realtime-Venus-OmniはMiniCPM-o 4.5から適応された9Bの音声映像モデルで、継続的に見て聞き、話すタイミングを判断し、テキストと音声を同一のタイムライン上で出力します。Realtime-Venus-Audioは、同じストリーミングバックボーン上に構築された9Bの音声専用モデルです。両モデルは、音声エンコーダーとしてWhisper-Medium、言語バックボーンとしてQwen3-8B、ストリーミングフローマッチングデコーダーを備えた離散S3音声トークン、40,960トークンのコンテキスト、BF16の重みを使用し、対応言語は英語と中国語です。

MAI Realtime 1はMicrosoft初の音声対音声モデルであり、ホスト型の2層システムだ。1分あたり1セントで動く高速な対話経路と、より難しいターンがルーティングされる推論エンジン(100万入力トークンあたり1.00ドル、100万出力トークンあたり5.00ドル)を備える。アーキテクチャの詳細も、パラメータ数も、言語リストもない。公表されている唯一の精度数値は、自社のモデルページにあるBig Bench Audioでの98.8%で、ベンダーが実施し、再現されていない——これは下記の状況とは正反対だ。下記では、より小規模なラボが評価手法を誰でも読める論文に載せている。

• 重み — Realtime Venus は Apache 2.0、ダウンロード可能、9B チェックポイントが2つ。MAI Realtime 1 はクローズドで、登録によるプレビューアクセス。

• 言語 — Realtime Venus は英語と中国語を明示的に記載、MAI Realtime 1 は未記載。

• コンテキスト — Realtime Venus 40,960トークン、MAI Realtime 1 は未公開。

• ハードウェア — Realtime Venus はリアルタイム双方向デモのために A100 が必要ですが、MAI Realtime 1 はキー以外に何も必要ありません。

• モダリティ — Realtime Venus Omni はストリーミング映像と音声を入力とし、MAI Realtime 1 は音声対音声です。

• 料金体系 — Realtime Venus は GPU 時間単位で永久に、MAI Realtime 1 は音声1分あたりに加えて推論トークン。

Realtime Venusが公開した数値と、それが意味するもの

この論文は全二重動作について異例なほど具体的に述べており、それはほとんどの音声モデルが曖昧にしたままにしている部分だ:

• 割り込みへの応答 — Full-Duplex-Bench v1.5 において、ユーザーの割り込みの 75% に応答。

• あいづちの後も発話を継続 — 97%

• 発話が別の相手に向けられている場合の継続 — 88%

• 背景音声下での継続 — 86%

• 著者らの主張 — これらは「3つすべての継続メトリクスで Gemini 3.1 Live と GPT-4o を上回る」。比較対象に注目: Gemini 3.1 Live は Google が現在 3.8 Live を推してレガシー扱いにしており、GPT-4o も同様だ。どちらも現在の最先端ではないため、勝利は事実だが、基準は一世代前のものだ。

理解において、Realtime-Venus-Audioは比較対象セットの中でMMAUで78.0%、MMAU-Proで63.2%、Llama Questionsで83.8%、Speech CMMLUで67.8%と首位に立ち、VoiceBench AlpacaEvalでは最高スコア4.81に並びます。Realtime-Venus-Omniは、評価対象のオンラインモデルの中で8つの動画ベンチマークのうち6つで最良であり、StreamingBenchで70.2%、OVO-Benchで64.7%、Daily-Omniで81.3%を含みます。

それらはすべて、著者ら自身の論文における著者自身の評価です。マーケティングページより強い証拠であり(ハーネスと比較セットは少なくとも記述されています)、独立した委員会より弱い証拠です。Artificial Analysisは11月18日時点でRealtime Venusを掲載していないため、第三者がそれらを再実行した例はありません。

論文のアブストラクトレベルの要約から欠けている唯一の数値は、サポートエージェントにとって重要なものだ。すなわち、τ-Voiceのエージェント的タスク完了スコアである。Realtime Venusは別のアイデアを中心に構築されている — 非同期の外部タスクを別個のHarnessランタイムに押し出す<delegate>メカニズムであり、これにより作業がバックグラウンドで進む間も会話は継続する。それは、MAI Realtime 1がその推論層で内部的に行っていることや、G​PT Live 1がバックエンドエージェントに引き渡すことによって行っていることに、アーキテクチャ上近い。3つの異なる製品、1つの収束する設計:速く話し、思考を委任する。委任の半分について直接比較を公開した者は誰もいない。

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.'

分単位の価格が隠している計算

ここから、比較は料金だけの話ではなくなります。MAI Realtime 1 は 1 分 1 セントで、音声 1 時間あたり 0.60 ドルです。Realtime Venus を動かす A100 1 台は、一般のクラウド料金で 1 時間あたりおよそ 1.50~2.50 ドルかかります。議論のために 2 ドルとしておきましょう。そして、これは市場価格であり、どちらのベンダーも公表しているものではない点に留意してください。

• 損益分岐点 — その料金では、およそ3〜4件の同時会話でA100が1台埋まります。それを下回る場合はレンタルの方が安く、上回る場合は所有の方が安くなります。

• ホスト側の注意点は — MAI Realtime 1 の推論ティアは分単位の料金に加えてトークンごとに課金されるため、1時間あたりの実際のコストは $0.60 を超え、しかも不明です。

• セルフホスト側の注意点は、9B デュプレックスモデルの A100 あたりの同時実行数も公開されていないことです。デモには「少なくとも 1 台の NVIDIA A100」が必要とされており、それは動作することを示すだけで、何本のストリームを維持できるかについては何も教えてくれません。

つまり、損益分岐点の両側は推計値だ。推計ではないのは曲線の形である。ホステッドのコストは線形に、しかも際限なく増える。セルフホストのコストには固定の下限があり、そこから折れ曲がる。1日100件の通話を行うパイロットなら、レンタルすべきだ。200本の同時回線を運用するコンタクトセンターなら、そうすべきではない。ただしホステッドモデルが実質的に優れている場合を除く。そしてこの対決では、精度の主張に公開された評価ハーネスが伴うのはオープンモデルのほうだ。

また、料金表には決して現れない運用上の非対称性もある。デュプレックス9Bモデルをセルフホストするということは、GPUキャパシティ、コールドスタート、モデルのロード、そしてノードがダウンして通話が切れるという障害モードを自ら抱えることを意味する。ホスト型ならそのいずれも抱えず、ベンダーのレイテンシ、可用性、廃止スケジュールを受け入れることになる。チームは一貫して前者を過小評価し後者を過大評価するが、それはたいてい前者がスプレッドシート上では見えないからだ。

ホスト型モデルにオープンウェイトの回答がない場合

三つのこと、しかもどれも小さくない。

エンタープライズ向けの連携基盤:MAI Realtime 1は、Dynamics 365 Contact Centerと、看護師トレーニングのシミュレーション向けDragon Copilotに提供予定で、AgodaとReservations.aiがテスト中です。これらは、自分でコネクターを構築しない限りセルフホスト型モデルでは到達できないシステムへの統合です。

互換性: これは O​penAI Realtime API に対応しているため、既存の音声スタックには書き換えではなくモデル文字列が必要です。Realtime Venus は Python パッケージとして提供されます — AutoModel.from_pretrained、as_duplex()、秒単位の streaming_prefill() と streaming_generate()、ホスト上の FFmpeg と CUDA。これは本物のエンジニアリングプロジェクトです。

そして文字起こしの広さについて言えば、Microsoftの関連発表であるDragon Copilot Transcribe on MAI Transcribe 2は、Venus論文では扱っていない規模で臨床ディクテーションをカバーしている——Microsoft自身の説明によれば、月間1,000万件の患者診療、多言語エラー率は半減。もしあなたの製品が臨床向けなら、論拠となるのはそのエコシステムであり、分あたりの料金ではない。

オープンウェイトにホストされた回答がない場合

動画。Realtime-Venus-Omni はストリーミング音声視覚モデルであり、映像を見て音声を聞き取ります。また、Omni ベンチマークは動画ベンチマークです。MAI Realtime 1 は音声です。やり取りにカメラ、画面共有、または患者が何かを指し示すことが含まれる場合、ホストされたモデルはそれを試みないため、比較になりません。

長尺動画の記憶も同様です。Venusカードは、use_memory()スイッチによって、追加トレーニングなしで長尺動画全体にわたる記憶を実現すると主張しています。マイクロソフトの発表には、セッションをまたぐ記憶について言及したものは何もありません。

そしてライセンスです。Apache 2.0 なら、ファインチューニングを施し、製品に組み込んで出荷し、Microsoft がリージョンを置いていない法域で実行し、音声を自社のハードウェア上に保持できます。データを建物の外に出せない臨床または公共部門への導入では、それは好みではなく要件であり、どれほど分単位の割引があってもその代わりにはなりません。

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.

ほとんどのチームが実際に構築すべきハイブリッド

先に述べた収束が実用的な答えだ。これら3つの製品——Realtime Venus、MAI Realtime 1、G​PT Live 1——はいずれも会話と作業を分離している。Venusは<delegate>とHarness runtimeを通じて、Microsoftは内部推論層を通じて、O​penAIは明示的に接続されたバックエンドエージェントを通じて。どの場合も難しいのは考えることを担う2つ目のモデルであり、どの場合もその層にコストとレイテンシが集中する。

つまり、両者の選択は実質的にフロントエンドについての選択であり、バックエンドはどちらを選んでも同じにできます。OrcaRouter はその第2層のために作られています:1つのキーで200以上のモデルを、プロバイダーの定価のままマークアップ0%で利用可能。だからどのフロントエンドを選んでも、その背後の推論モデルは差し替え可能で、ベンダーの価格変更はその日のうちに反映されます。自動フェイルオーバーこそが、委任されたタスクを本番環境で安心して実行できるものに変えます — 黙って失敗するバックグラウンド呼び出しは、呼び出し元に対して果たされることのない約束であり、プロバイダーをまたぐルーティングされたリトライは、タスクが完了するか、静かに完了しないかの違いそのものです。ルーティング DSL は、委任ポリシーをルールに変える仕組みです:どのインテントを、どのモデルへ、どの予算でエスカレートさせるか。

この2つの音声モデルはどちらも当社のカタログにはありません。Realtime Venusはご自身でホストするApache 2.0のウェイトで、MAI Realtime 1はMAI LabsとFoundryの限定アクセスプレビューです。当社がルーティングするのは、それらが委任するすべてのものです。

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.

具体的に選ぶこと

次のいずれかに当てはまるなら、Realtime Venus から始めてください。データを自社インフラの外に出せない、インタラクションに動画が含まれる、英語と中国語だけが必要でそれ以外は不要、すでに GPU キャパシティがある、または利用量が多く分単位の線形課金が適した形ではない、といった場合です。その代わりに、Python API を備え、ドキュメントが論文で、著者の数値を裏付ける独立したベンチマークがない研究グレードのスタックを運用することになる点を受け入れてください。

音声のみのインタラクションで、利用量が控えめで、統合がすでにOpenAI-Realtimeの形になっており、1分1セントという数字がそのプロジェクトをそもそも成立させるのであれば、まずMAI Realtime 1から始めよ。その代わりに、ほとんど何も測定できないことを受け入れよ。ベンダー申告の精度値が1つ、分布のないP50レイテンシ、τ-Voiceスコアなし、言語リストなし、そして確認した時点で利用不可を自己申告していた2分間の非商用デモだけだ。

そして、両者が密かに賭けているものにも注目してほしい。Realtime Venus、MAI Realtime 1、G​PT Live 1 はそろって、誰かが待っている間に音声モデルがじっくり考えるべきではないという結論に達した。違うのは、その思考がどこで行われるかだけだ。委任された側のタスク完了率を最初に公表した者が、分単位の料金では決して決着できなかった対決に決着をつけるだろう。

この記事で比較したモデル1

この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新