Um cartão de título gerado para o artigo 'Avatar 6 vs Realtime Venus', com uma chamada lendo 'COMPARAÇÃO DE MODELOS AVATAR', o título grande 'Avatar 6 vs Realtime Venus', o subtítulo 'Um renderizador e um ouvinte, comparados por engano', e três cartões em pílula lendo 'vídeo, até 2K', 'fala, Apache-2.0' e 'funções diferentes'.
Engineering & Research

Avatar 6 vs Realtime Venus: Um renderizador e um ouvinte, comparados por engano

Autor

Elias Hawthorne

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Coloque Avatar 6 e Realtime Venus na mesma frase e a primeira coisa que precisa ser dita é que um deles não consegue mostrar um rosto. Realtime Venus é o modelo de interação full-duplex do Ant Group — um sistema de 9B que escuta enquanto fala, entende o som no contexto do que consegue ver e delega trabalho em segundo plano. Suas saídas são fala e decisões. Ele não gera vídeo, não renderiza um apresentador e não tem conceito de imagem de referência. O Avatar 6, que a HeyGen lançou em 17 de novembro de 2026, faz exatamente uma coisa: anima uma pessoa a partir de uma foto ou de um clipe curto, acionado pelo áudio que você fornece, e retorna vídeo de até 2K.

Então a comparação é um erro de categoria, e a versão útil dela é uma questão de design. Se você está construindo algo em que um humano aparece na tela e faz sua parte de uma conversa, você precisa dos dois tipos de sistema, e a decisão que importa é qual lado da pilha você controla. É aí que esses dois divergem drasticamente — um você pode baixar, o outro você só pode alugar.

Dois portfólios de evidências, ambos honestos quanto aos seus limites

O Realtime Venus chega da mesma forma que a pesquisa aberta: um relatório no arXiv (2609.13814), pesos Apache-2.0 no Hugging Face sob inclusionAI/Realtime-Venus, dois checkpoints de 9B e uma página do projeto com demonstrações. Não houve post de lançamento, nem API, nem preço, nem benchmark que uma parte externa tenha reproduzido. Todos os números associados a ele vêm do relatório técnico que os autores escreveram sobre o próprio modelo.

O Avatar 6 vem com o aparato oposto: uma página de produto, dois identificadores, um endpoint REST, um nível gratuito e um relatório técnico cujos estudos de preferência foram todos conduzidos pela HeyGen com os avaliadores da HeyGen. Ele tem uma coisa que o Venus não tem — uma medição externa. A arena cega da New Measure, publicada em 18 de novembro, o colocou em primeiro lugar em ambos os seus rankings, com 1.197 e 1.237 de Elo, em clipes de no máximo 35 segundos.

Interprete os dois números de destaque como alegações, e não como resultados. Os 84,4% da HeyGen são uma taxa de vitória de 42,2% em comparações lado a lado, reescalada em relação a uma linha de base de 50%; seu próprio estudo de clipe único coloca o Avatar 6 em 65,1% de julgamentos como real, contra 78,9% para filmagens não editadas. Os 97% de continuação de backchannel da Venus vêm do Full-Duplex-Bench v1.5, um protocolo escolhido por seus autores. Nenhum dos números é desonesto, e nenhum foi replicado por uma parte sem nada a vender — embora o Avatar 6 pelo menos tenha sido votado por estranhos, por meio minuto de cada vez.

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.'

Do que cada sistema é feito

• Backbone — Avatar 6: não divulgado; a HeyGen o descreve como seu modelo de avatar mais inteligente e não documenta arquitetura alguma. Realtime Venus: um modelo omni de 9B com visão SigLIP2, áudio Whisper-Medium e backbone de linguagem Qwen3-8B, adaptado do MiniCPM-o 4.5 conforme a ficha do modelo.

• Modalidade de entrada — Avatar 6: uma imagem de referência ou um vídeo de referência mais áudio de fala. Realtime Venus: streams contínuos de áudio e vídeo, além de contexto de tarefa delegada.

• Modalidade de saída — Avatar 6: vídeo com fala sincronizada, até 2880×1620 por meio da Model API. Realtime Venus: fala, texto e sinais de controle; sem pixels.

• Duração — Avatar 6: enquanto durar o áudio, com renders contínuos de 25 a 28 minutos demonstrados. Realtime Venus: uma sessão em execução, com contexto de 40.960 tokens e memória de vídeos longos sem treinamento que armazena e recupera quadros selecionados.

• Alternância de turno — Avatar 6: nenhuma. Ele executa um roteiro; não há ninguém para interromper. Realtime Venus: full duplex, com resposta calibrada a interrupções e a capacidade de continuar falando por meio de um backchannel.

• Acesso — Avatar 6: API REST, condicionado ao consentimento, cobrado em créditos HeyGen. Venus em tempo real: pesos no Hugging Face e no ModelScope, sem endpoint hospedado, sem preço.

• Licença — Avatar 6: termos comerciais na conta da HeyGen. Realtime Venus: Apache-2.0.

Essa última linha é a que reorganiza a comparação. Avatar 6 é um serviço. Realtime Venus é um modelo. Todo o resto decorre disso.

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.

A diferença na aquisição é a verdadeira diferença

Se você quer o Realtime Venus em produção, você o baixa, provisiona GPUs e assume o problema de serving. Dois checkpoints de 9B, BF16, uma exportação ONNX junto aos safetensors, um APK Android para experimentos no dispositivo e um repositório de harness separado para o loop de delegação. Ninguém vai lhe enviar uma fatura e ninguém vai descontinuar seu endpoint, mas ninguém vai corrigir sua latência também. Para uma equipe de pesquisa, isso é uma vantagem. Para uma equipe de produto, é um trimestre de trabalho antes do primeiro resultado útil.

Se você quiser o Avatar 6 em produção, faça o cadastro, obtenha uma chave e chame POST /v3/models/avatars com uma imagem de referência e uma URL de áudio. Você recebe um video_id de volta em um 202, faz polling, e uma URL assinada aparece. O fluxo de consentimento é mais pesado do que a maioria dos fornecedores impõe — um vídeo de referência humano realista precisa de acesso Enterprise e uma declaração em vídeo contendo um código único por sessão — mas a integração é uma tarde, não um trimestre.

O que você não pode fazer com o Avatar 6 é precificá-lo por unidade. A HeyGen publica US$ 0,02 por segundo para o HeyGen Video 1 e nada equivalente para o Avatar 6; a página pública de preços vende o Creator a US$ 29/mês por 600 créditos e o Pro a US$ 49/mês por 1.000 créditos, sem publicar a conversão de créditos para segundos. O Realtime Venus tem o problema oposto: o custo marginal de uma chamada é a sua conta de luz, e o custo fixo é uma GPU que você precisa justificar para alguém.

Onde os dois realmente se encontrariam

Imagine o produto do qual ambos são componentes: uma pessoa faz uma pergunta por voz, algo decide o que dizer, e um rosto responde com a expressão correta e um gesto na palavra importante. O Realtime Venus cobre as duas primeiras etapas — ele ouve você, decide quando falar e consegue continuar ouvindo enquanto fala. O Avatar 6 cobre a última, e o faz melhor do que qualquer outra coisa disponível para compra atualmente, segundo o único órgão independente que já avaliou.

O problema é a emenda. O Avatar 6 quer um arquivo de áudio completo — o vídeo tem a duração do áudio que você entrega a ele, e não há modo de streaming, nem entrada de áudio parcial, nem forma de acrescentar. O Realtime Venus produz fala de forma incremental, à medida que a conversa avança. Juntá-los significa colocar a saída do Venus em buffer até formar um enunciado concluído, enviá-la para a HeyGen, esperar a conclusão de uma renderização que a arena independente mediu em típicos 175,6 segundos e reproduzir um vídeo que foi gerado depois que o momento já passou. Isso não é uma conversa. É uma conversa por encomenda.

Para a versão em tempo real, você precisa de um renderizador que gere vídeo conforme a fala chega, e esse é um produto diferente. O Muse Realtime Avatar, da Meta, é o exemplo mais próximo disponível comercialmente; o Tavus Griffin, em prévia de pesquisa, é outro. O Avatar 6 não é isso, e a HeyGen nunca afirmou que fosse — o orçamento de latência dele é um orçamento de lote, e os dados da arena confirmam isso: uma em cada dez renderizações de avatar pessoal da HeyGen levou mais de nove minutos e meio.

O que Vênus mede que nada mais aqui mede

Os números interessantes no relatório Venus não são pontuações de qualidade. São comportamentais, e descrevem um problema que o Avatar 6 não tem porque o Avatar 6 não está ouvindo.

O Full-Duplex-Bench v1.5 coloca a continuação em 97% para backchannels do usuário, 88% para fala direcionada a outras pessoas e 86% para fala de fundo, com uma taxa de resposta separada de 75% a interrupções genuínas. O ponto desses quatro números juntos é que o modelo distingue “mm-hm” de “espera, para” — ele continua durante o primeiro e cede ao segundo. Os resultados de compreensão ficam em 70,2% no StreamingBench, 64,7% no OVO-Bench, 81,3% no Daily-Omni e 78,0% no áudio do MMAU. A precisão de delegação no benchmark interno da equipe é de 75,93% para o checkpoint Omni e 68,89% para o de Áudio, que mede se o modelo decide corretamente transferir uma tarefa, não se a tarefa é bem-sucedida.

Esses são alvos de engenharia úteis para quem está a construir um agente conversacional, e não foram reproduzidos. A leitura honesta é que o Venus é uma base de referência aberta credível para comportamento full-duplex, publicada com os seus pesos para que a alegação possa ser verificada, e que ninguém fora da Ant Group e da Tsinghua publicou uma verificação.

Onde o OrcaRouter se situa

Nenhum dos dois é nosso para vender. Realtime Venus são pesos e um artigo sem nada escutando por trás deles; Avatar 6 é o renderizador da HeyGen, condicionado ao fluxo de consentimento da HeyGen e pago com créditos da HeyGen. Um pitch de roteamento que borrasse qualquer uma dessas linhas seria uma mentira, e do tipo que aparece no seu primeiro sprint, não em um deck de vendas.

O que nós fornecemos é a etapa de raciocínio delegado da qual ambas as arquiteturas dependem. O design da própria Venus encaminha tarefas em segundo plano para um modelo multimodal, um modelo geral ou uma habilidade registrada; o roteiro do Avatar 6 precisa ser escrito por alguma coisa. É nessa camada que uma única chave para mais de 200 modelos, pelo preço de tabela do provedor sem acréscimo, e com failover automático, de fato elimina trabalho — porque é a única parte de qualquer um dos dois pipelines em que você tem escolha de fornecedor.

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.

A leitura que sobrevive ao contato com um roteiro

Se o seu problema é “precisamos de um apresentador na tela dizendo as nossas palavras, em escala, neste trimestre”, o Avatar 6 é a resposta e o Realtime Venus não entra na conversa. Aceite as três incógnitas — nenhum preço por segundo publicado, nenhum teste independente além de 35 segundos e um tempo de renderização típico medido em minutos — e faça um teste piloto com ele.

Se o seu problema é "precisamos de algo que consiga manter uma conversa falada e decidir quando falar", o Realtime Venus é uma base aberta séria e o Avatar 6 é irrelevante, porque não tem ouvidos. Pegue os pesos Apache-2.0, planeje o custo de serving e trate cada pontuação relatada como sendo dos próprios autores até que alguém a reproduza.

Se o seu problema é “ambos” — um rosto que conversa — nenhum destes é o produto, e a lacuna entre eles é onde os próximos doze meses desta categoria serão disputados. O renderizador que faz streaming, movido por um ouvinte que decide, a um preço que você consegue modelar: ninguém lançou isso ainda. Quando alguém lançar, esta página precisará ser reescrita.