Wygenerowana karta tytułowa dla Realtime 1 vs Realtime Venus, kontrastująca cenę hostowaną za minutę z kosztem samodzielnego hostowania za godzinę GPU, z oznaczeniem licencji Apache 2.0 oraz logo OrcaRouter.
Engineering & Research

Realtime 1 vs Realtime Venus: Wynajmij agenta głosowego lub miej własnego za cenę GPU

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Wszystko w tym porównaniu sprowadza się do jednego zdania w pliku licencji. Realtime Venus jest na licencji Apache 2.0 — to model 9B, który pobierasz, uruchamiasz na własnym A100 i nigdy więcej nie płacisz za minutę. MAI Realtime 1, ogłoszony przez Microsoft 17 listopada 2026 r., to hostowane API w cenie 0,01 USD za minutę audio, z opartym na tokenach poziomem rozumowania w tle oraz podglądem Foundry, który nie nalicza opłat do publicznego podglądu. Jedno z nich ma cenę za wywołanie. Drugie ma cenę za godzinę GPU. Porównywanie ich na podstawie cenników to błąd kategorii — i dlatego niemal każdy tekst o hostowanym głosie kontra otwartych wagach myli się w tym samym miejscu.

Właściwe pytanie brzmi, ile kosztuje eksploatacja każdego z nich przy twoim wolumenie i co każde z nich faktycznie potrafi — i tu porównanie się odwraca: liczby modelu otwartego idą w parze z artykułem opisującym harness, podczas gdy liczby modelu hostowanego pochodzą ze strony modelu z pojedynczą wartością dokładności. Ta inwersja jest sednem historii.

Czym każde z nich tak naprawdę jest

Realtime Venus pochodzi z inclusionAI i jest opisany w arXiv 2609.13814, przypisywany zespołowi Venus Team z Ant Group oraz Uniwersytetowi Tsinghua, a praca jest datowana na wrzesień 2026. Jest udostępniany jako dwa checkpointy: Realtime-Venus-Omni, 9B model audiowizualny zaadaptowany z MiniCPM-o 4.5, który nieprzerwanie obserwuje i słucha, decyduje, kiedy mówić, oraz generuje tekst i mowę na jednej osi czasu; a także Realtime-Venus-Audio, 9B model wyłącznie audio na tym samym strumieniowym szkielecie. Oba wykorzystują Whisper-Medium jako koder audio, Qwen3-8B jako szkielet językowy, dyskretne tokeny mowy S3 ze strumieniowym dekoderem flow-matching, kontekst 40 960 tokenów, wagi BF16 oraz angielski i chiński jako swoje języki.

MAI Realtime 1 to pierwszy model mowy na mowę firmy Microsoft, hostowany system dwupoziomowy: szybka ścieżka konwersacyjna w cenie jednego centa za minutę oraz silnik rozumowania za 1,00 USD za milion tokenów wejściowych i 5,00 USD za milion tokenów wyjściowych, do którego kierowane są trudniejsze tury rozmowy. Brak szczegółów architektury, brak liczby parametrów, brak listy języków. Jego jedyny opublikowany wskaźnik dokładności to 98,8% na Big Bench Audio, na jego własnej stronie modelu, przeprowadzony przez dostawcę i niezreprodukowany — co jest odbiciem lustrzanym sytuacji poniżej, gdzie mniejsze laboratorium umieściło swoją metodę oceny w artykule, który każdy może przeczytać.

• Wagi — Realtime Venus Apache 2.0, do pobrania, dwa checkpointy 9B; MAI Realtime 1 zamknięty, dostęp w wersji zapoznawczej po rejestracji.

• Języki — Realtime Venus: angielski i chiński, wyraźnie; MAI Realtime 1 nieuwzględniony.

• Kontekst — Realtime Venus 40 960 tokenów; MAI Realtime 1 nieopublikowany.

• Sprzęt — Realtime Venus potrzebuje karty A100 do prezentacji dupleksu w czasie rzeczywistym; MAI Realtime 1 nie potrzebuje niczego poza kluczem.

• Modalności — Realtime Venus Omni obsługuje strumieniowe wideo i audio; MAI Realtime 1 działa w trybie mowa do mowy.

• Struktura cen — Realtime Venus za GPU-godzinę, na zawsze; MAI Realtime 1 za minutę audio plus tokeny rozumowania.

Liczby opublikowane przez Realtime Venus i to, co oznaczają

Artykuł jest niezwykle precyzyjny, jeśli chodzi o zachowanie w trybie pełnego dupleksu — czyli tę część, którą większość modeli głosowych pozostawia niejasną:

• Reakcja na przerwanie — 75% przerwań użytkownika z odpowiedzią, w Full-Duplex-Bench v1.5.

• Kontynuacja po sygnałach podtrzymujących — 97%.

• Kontynuacja, gdy wypowiedź jest kierowana gdzie indziej — 88%.

• Kontynuacja przy mowie w tle — 86%.

• Twierdzenie autorów — że „przewyższają G​emini 3.1 Live i GPT-4o pod względem wszystkich trzech metryk kontynuacji”. Zwróć uwagę na obiekty porównania: G​emini 3.1 Live, które G​oogle oznacza obecnie jako legacy na rzecz 3.8 Live, oraz GPT-4o. Żaden z nich nie wyznacza obecnego stanu sztuki, więc zwycięstwo jest realne, ale poprzeczka pochodzi z poprzedniej generacji.

W zakresie rozumienia Realtime-Venus-Audio prowadzi w swoim zestawie porównawczym w MMAU z wynikiem 78,0%, MMAU-Pro z 63,2%, Llama Questions z 83,8% i Speech CMMLU z 67,8%, a także osiąga ex aequo najwyższy wynik VoiceBench AlpacaEval na poziomie 4,81. Realtime-Venus-Omni jest najlepszy wśród ocenianych modeli online w sześciu z ośmiu benchmarków wideo, w tym StreamingBench z wynikiem 70,2%, OVO-Bench z 64,7% i Daily-Omni z 81,3%.

Wszystkie z nich to własne oceny autorów w ich własnym artykule. Stanowią silniejszy dowód niż strona marketingowa — przynajmniej opisano środowisko testowe i zestaw porównawczy — a słabszy dowód niż niezależna komisja. Artificial Analysis nie uwzględnia Realtime Venus na dzień 18 listopada, więc żadna strona trzecia ich nie powtórzyła.

Jedyną liczbą, której brakuje w podsumowaniu artykułu na poziomie abstraktu, jest ta, która ma znaczenie dla agenta wsparcia: wynik ukończenia zadań agentowych τ-Voice. Realtime Venus opiera się na innym pomyśle — mechanizmie <delegate>, który przekazuje asynchroniczne zadania zewnętrzne do osobnego środowiska uruchomieniowego Harness, dzięki czemu rozmowa trwa, gdy praca odbywa się w tle. Architektonicznie jest to bliskie temu, co MAI Realtime 1 robi wewnętrznie w swoim poziomie rozumowania, oraz temu, co G​PT Live 1 robi, przekazując zadanie agentowi backendowemu. Trzy różne produkty, jedna zbieżna koncepcja: mów szybko, deleguj myślenie. Nikt nie opublikował bezpośredniego porównania w części dotyczącej delegowania.

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.'

Arytmetyka, którą kryje cena za minutę

W tym miejscu porównanie przestaje dotyczyć stawek. MAI Realtime 1 w cenie jednego centa za minutę to 0,60 USD za godzinę audio. Pojedynczy A100 obsługujący Realtime Venus kosztuje gdzieś w okolicach 1,50–2,50 USD za godzinę przy standardowych cenach chmury — przyjmijmy 2 USD na potrzeby dyskusji i zauważmy, że jest to stawka rynkowa, a nie coś, co publikuje którykolwiek z dostawców.

• Próg rentowności — przy tych stawkach około trzech–czterech równoległych rozmów zapełnia jedną A100. Poniżej tego wynajem jest tańszy. Powyżej — posiadanie.

• Haczyk po stronie hostowanej — warstwa rozumowania MAI Realtime 1 jest rozliczana za token dodatkowo ponad stawkę za minutę, więc jej rzeczywisty koszt za godzinę przekracza $0.60 i pozostaje nieznany.

• Haczyk po stronie self-hosted — współbieżność przypadająca na jedną A100 dla modelu duplex 9B również nie jest publikowana. Demo wymaga „co najmniej jednej NVIDIA A100”, co mówi tylko, że działa, a nic o tym, ile strumieni obsługuje.

Zatem obie strony progu rentowności są szacunkami. Szacunkiem nie jest natomiast kształt krzywej: koszt hostowany rośnie liniowo i bez końca; koszt własnego hostowania ma stały dolny poziom, a potem się załamuje. Pilotaż stu połączeń dziennie powinien korzystać z modelu wynajmowanego. Centrum kontaktowe obsługujące dwieście jednoczesnych linii nie powinno, chyba że model hostowany jest istotnie lepszy — a w tym zestawieniu to model otwarty jest tym, którego deklaracje dokładności są poparte opublikowanym zestawem testowym.

Istnieje też asymetria operacyjna, która nigdy nie pojawia się w cenniku. Samodzielne hostowanie modelu duplex 9B oznacza posiadanie mocy GPU, zimnych startów, ładowania modelu oraz trybu awarii, w którym węzeł pada i połączenia są zrywane. Hostowanie oznacza, że nie odpowiadasz za nic z tego i akceptujesz opóźnienia, dostępność oraz harmonogram wycofywania dostawcy. Zespoły konsekwentnie nie doceniają pierwszego i przeceniają drugie, zwykle dlatego, że pierwsze jest niewidoczne w arkuszu kalkulacyjnym.

Gdy hostowany model nie ma odpowiednika o otwartych wagach

Trzy rzeczy, i nie są małe.

Korporacyjna infrastruktura: MAI Realtime 1 trafia do Dynamics 365 Contact Center oraz do Dragon Copilot na potrzeby symulacji szkoleniowych dla pielęgniarek, a Agoda i Reservations.ai prowadzą testy. To integracje z systemami, do których model hostowany samodzielnie nie dotrze, jeśli sam nie zbudujesz konektorów.

Zgodność: obsługuje OpenAI Realtime API, więc istniejący stos głosowy potrzebuje ciągu modelu, a nie przepisania. Realtime Venus jest dostarczany jako pakiet Pythona — AutoModel.from_pretrained, as_duplex(), sekundowe streaming_prefill() i streaming_generate(), FFmpeg i CUDA na hoście. To prawdziwy projekt inżynierski.

A zakres transkrypcji: towarzyszące ogłoszenie Microsoftu — Dragon Copilot Transcribe na MAI Transcribe 2 — obejmuje dyktowanie kliniczne w skali, jakiej nic w artykule o Venus nie porusza: 10 milionów kontaktów z pacjentami miesięcznie i o połowę niższy wielojęzyczny wskaźnik błędów, według samego Microsoftu. Jeśli Twój produkt jest kliniczny, argumentem jest ten ekosystem, a nie stawka za minutę.

Gdzie otwarte wagi nie mają hostowanej odpowiedzi

Wideo. Realtime-Venus-Omni to strumieniowy model audio-wizualny — obserwuje i słucha, a benchmarki Omni to benchmarki wideo. MAI Realtime 1 obsługuje mowę. Jeśli interakcja obejmuje kamerę, udostępnianie ekranu lub pacjenta wskazującego coś gestem, porównanie nie jest bliskie, ponieważ hostowany model nawet nie podejmuje takiej próby.

Pamięć długich wideo też: karta Venus deklaruje pamięć obejmującą długie wideo bez dodatkowego treningu, poprzez przełącznik use_memory(). Nic w zapowiedzi Microsoftu nie odnosi się do pamięci w obrębie sesji.

A licencja. Apache 2.0 oznacza, że możesz go dostroić, wbudować w produkt, uruchamiać w jurysdykcji, dla której Microsoft nie ma regionu, i przechowywać audio na własnym sprzęcie. W przypadku wdrożenia klinicznego lub w sektorze publicznym, w którym dane nie mogą opuścić budynku, nie jest to preferencja — to wymóg, a żaden rabat za minutę go nie zastąpi.

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.

Hybryda, którą większość zespołów powinna tak naprawdę zbudować

Zaobserwowana wcześniej konwergencja jest praktyczną odpowiedzią. Wszystkie trzy z tych produktów — Realtime Venus, MAI Realtime 1, G​PT Live 1 — oddzielają rozmowę od pracy: Venus poprzez <delegate> i środowisko wykonawcze Harness, Microsoft poprzez wewnętrzną warstwę rozumowania, O​penAI poprzez jawnie dołączonego agenta backendowego. W każdym przypadku trudną częścią jest drugi model wykonujący myślenie, a w każdym przypadku to w tej warstwie koncentrują się koszty i opóźnienia.

Co oznacza, że wybór między nimi jest w rzeczywistości decyzją dotyczącą frontendu, a backend może być w obu przypadkach taki sam. OrcaRouter jest zbudowany dla tej drugiej warstwy: ponad 200 modeli na jednym kluczu w cenie katalogowej dostawcy z 0% marży, więc niezależnie od tego, który frontend wybierzesz, stojące za nim modele rozumujące można wymieniać, a zmiana ceny dostawcy jest wprowadzana tego samego dnia. Automatyczne przełączanie awaryjne sprawia, że delegowane zadanie staje się czymś bezpiecznym do uruchomienia w produkcji — wywołanie w tle, które zawodzi po cichu, to obietnica złożona wywołującemu, której nigdy się nie dotrzymuje, a ponowna próba kierowana do różnych dostawców to różnica między zadaniem, które się kończy, a takim, które po cichu nie. DSL routingu sprawia, że polityka delegowania staje się regułą: które intencje są eskalowane, do którego modelu i przy jakim budżecie.

Żaden z tych dwóch modeli głosowych nie znajduje się w naszym katalogu — Realtime Venus to wagi na licencji Apache 2.0, które hostujesz samodzielnie, a MAI Realtime 1 to MAI Labs i ograniczony dostęp w wersji zapoznawczej Foundry. My routujemy wszystko, co one delegują dalej.

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.

Wybieranie, konkretnie

Zacznij od Realtime Venus, jeśli prawdziwy jest którykolwiek z poniższych warunków: dane nie mogą opuszczać Twojej infrastruktury, interakcja obejmuje wideo, potrzebujesz konkretnie angielskiego i chińskiego i niczego więcej, masz już moc obliczeniową GPU albo Twój wolumen jest wystarczająco wysoki, że liniowy rachunek za minutę jest niewłaściwym modelem. Zaakceptuj w zamian, że korzystasz ze stosu klasy badawczej z API w Pythonie, artykułem jako dokumentacją i bez niezależnego benchmarku potwierdzającego wyniki autorów.

Zacznij od MAI Realtime 1, jeśli interakcja odbywa się wyłącznie głosowo, wolumen jest umiarkowany, integracja ma już kształt OpenAI-Realtime, a cent za minutę to stawka, która w ogóle czyni projekt opłacalnym. W zamian zaakceptuj, że niemal nic z tego nie da się zmierzyć: jedną podaną przez dostawcę wartość dokładności, opóźnienie P50 bez rozkładu, brak wyniku τ-Voice, brak listy języków oraz dwuminutowe niekomercyjne demo, które w momencie naszego sprawdzenia zgłaszało, że jest niedostępne.

I zwróć uwagę na to, na co obie strony po cichu stawiają. Realtime Venus, MAI Realtime 1 i G​PT Live 1 doszły zgodnie do wniosku, że model głosowy nie powinien intensywnie myśleć, gdy ktoś czeka. Różnica między nimi polega tylko na tym, gdzie trafia myślenie. Kto pierwszy opublikuje wskaźnik ukończenia zadań dla delegowanej połowy, ten rozstrzygnie pojedynek, którego stawki za minutę nigdy nie mogłyby rozstrzygnąć.