
Realtime 1 vs Realtime Venus: Alugue um Agente de Voz ou Tenha o Seu pelo Custo de uma GPU
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 182 tok/s
Tudo nesta comparação se resume a uma frase num arquivo de licença. Realtime Venus é Apache 2.0 — um modelo de 9B que você baixa, roda na sua própria A100 e nunca mais paga por minuto. MAI Realtime 1, anunciado pela Microsoft em 17 de novembro de 2026, é uma API hospedada a US$ 0,01 por minuto de áudio, com um nível de raciocínio precificado por token por trás dela e uma prévia do Foundry que não cobra nada até a prévia pública. Um deles tem preço por chamada. O outro tem preço por hora de GPU. Compará-los em tabelas de tarifas é um erro de categoria, e é por isso que quase todo texto sobre voz hospedada versus pesos abertos erra no mesmo ponto.
A pergunta certa é quanto custa operar cada um no seu volume e o que cada um consegue de fato fazer — e aí a comparação se inverte: os números do modelo aberto vêm com um artigo que descreve o harness, enquanto os do modelo hospedado vêm de uma página de modelo com um único valor de acurácia. Essa inversão é a história.
O que cada um realmente é
O Realtime Venus vem da inclusionAI e está documentado no arXiv 2609.13814, com crédito à Equipe Venus da Ant Group e à Universidade Tsinghua, e o artigo é datado de setembro de 2026. Ele é disponibilizado como dois checkpoints: o Realtime-Venus-Omni, um modelo audiovisual de 9B adaptado do MiniCPM-o 4.5 que observa e escuta continuamente, decide quando falar e emite texto e fala em uma única linha do tempo; e o Realtime-Venus-Audio, um modelo somente de áudio de 9B no mesmo backbone de streaming. Ambos usam o Whisper-Medium como codificador de áudio, o Qwen3-8B como backbone de linguagem, tokens de fala S3 discretos com um decodificador de flow matching em streaming, contexto de 40.960 tokens, pesos BF16 e inglês e chinês como seus idiomas.
MAI Realtime 1 é o primeiro modelo de fala para fala da Microsoft, um sistema hospedado de dois níveis: um caminho conversacional rápido a um centavo por minuto e um motor de raciocínio a US$ 1,00 por milhão de tokens de entrada e US$ 5,00 por milhão de tokens de saída, para o qual os turnos mais difíceis são encaminhados. Sem detalhes de arquitetura, sem contagem de parâmetros, sem lista de idiomas. Seu único número de precisão publicado é 98,8% no Big Bench Audio, em sua própria página do modelo, executado pelo fornecedor e não reproduzido — o que é a imagem espelhada da situação abaixo, em que um laboratório menor colocou seu método de avaliação em um artigo que qualquer pessoa pode ler.
• Pesos — Realtime Venus Apache 2.0, baixáveis, dois checkpoints de 9B; MAI Realtime 1 fechado, acesso de pré-visualização mediante registro.
• Idiomas — Realtime Venus em inglês e chinês, explicitamente; MAI Realtime 1 não listado.
• Contexto — Realtime Venus 40.960 tokens; MAI Realtime 1 não publicado.
• Hardware — Realtime Venus precisa de uma A100 para a demonstração duplex em tempo real; MAI Realtime 1 não precisa de nada além de uma chave.
• Modalidades — Realtime Venus Omni recebe vídeo e áudio em streaming; MAI Realtime 1 é fala para fala.
• Formato de preço — Realtime Venus por GPU-hora, para sempre; MAI Realtime 1 por minuto de áudio mais tokens de raciocínio.
Os números que a Realtime Venus publicou e o que eles significam
O documento é invulgarmente específico quanto ao comportamento full-duplex, que é a parte que a maioria dos modelos de voz deixa vaga:
• Resposta a interrupções — 75% das interrupções do usuário respondidas, no Full-Duplex-Bench v1.5.
• Continuação após backchannels — 97%.
• Continuação quando a fala é direcionada a outro lugar — 88%.
• Continuação com fala ao fundo — 86%.
• A afirmação dos autores — estes “superam o Gemini 3.1 Live e o GPT-4o em todas as três métricas de continuação.” Observe os alvos da comparação: o Gemini 3.1 Live, que o Google agora marca como legado em favor do 3.8 Live, e o GPT-4o. Nenhum dos dois está na fronteira atual, então a vitória é real, mas o patamar é de uma geração atrás.
Em compreensão, o Realtime-Venus-Audio lidera seu conjunto de comparação no MMAU, com 78,0%, no MMAU-Pro, com 63,2%, no Llama Questions, com 83,8%, e no Speech CMMLU, com 67,8%, e empata com a melhor pontuação do VoiceBench AlpacaEval, com 4,81. O Realtime-Venus-Omni é o melhor entre os modelos online avaliados em seis de oito benchmarks de vídeo, incluindo StreamingBench com 70,2%, OVO-Bench com 64,7% e Daily-Omni com 81,3%.
Todas essas são avaliações dos próprios autores no próprio artigo. São evidências mais fortes do que uma página de marketing — a infraestrutura de teste e o conjunto de comparação estão pelo menos descritos — e mais fracas do que um painel independente. Até 18 de novembro, a Artificial Analysis não lista a Realtime Venus, portanto nenhum terceiro as reexecutou.
O único número que falta no resumo de nível de abstract do artigo é o que importa para um agente de suporte: uma pontuação de conclusão de tarefas agênticas do τ-Voice. O Realtime Venus é construído em torno de uma ideia diferente — um mecanismo <delegate> que empurra tarefas externas assíncronas para um runtime Harness separado, para que a conversa continue rodando enquanto o trabalho acontece em segundo plano. Isso é arquiteturalmente próximo do que o MAI Realtime 1 faz internamente com sua camada de raciocínio, e do que o GPT Live 1 faz ao repassar para um agente de backend. Três produtos diferentes, um design convergente: fale rápido, delegue o pensamento. Ninguém publicou uma comparação direta sobre a metade da delegação.

A aritmética que um preço por minuto esconde
É aqui que a comparação deixa de ser sobre tarifas. O MAI Realtime 1 a um centavo por minuto custa US$ 0,60 por hora de áudio. Uma única A100 executando o Realtime Venus custa algo entre US$ 1,50 e US$ 2,50 por hora com preços de nuvem de commodity — digamos US$ 2, só para argumentar, e observe que esta é uma tarifa de mercado, não algo que qualquer um dos fornecedores publique.
• Ponto de equilíbrio — aproximadamente três a quatro conversas simultâneas ocupam uma A100 a essas taxas. Abaixo disso, alugar é mais barato. Acima disso, possuir é.
• O senão do lado alojado — o nível de raciocínio do MAI Realtime 1 é cobrado por token além da tarifa por minuto, pelo que o seu custo real por hora é superior a $0.60 e desconhecido.
• O detalhe no lado auto-hospedado — a concorrência por A100 para um modelo duplex de 9B também não é publicada. A demonstração exige “pelo menos uma NVIDIA A100”, o que indica que ele funciona e nada sobre quantos fluxos ele sustenta.
Então ambos os lados do ponto de equilíbrio são estimativas. O que não é estimativa é a forma da curva: o custo hospedado escala linearmente e para sempre; o custo auto-hospedado tem um piso fixo e depois se curva. Um piloto de cem chamadas por dia deve alugar. Um centro de contato operando duzentas linhas simultâneas não deveria, a menos que o modelo hospedado seja materialmente melhor — e, neste confronto, o modelo aberto é aquele cujas alegações de precisão vêm acompanhadas de um harness de avaliação publicado.
Também existe uma assimetria operacional que nunca aparece em uma tabela de preços. Auto-hospedar um modelo duplex de 9B significa ter capacidade de GPU, inicializações a frio, carregamento de modelo e o modo de falha em que um nó cai e as chamadas são interrompidas. Hospedado significa não ter nada disso e aceitar a latência, a disponibilidade e o cronograma de descontinuação de um fornecedor. As equipes subestimam consistentemente o primeiro e superestimam o segundo, geralmente porque o primeiro é invisível em uma planilha.
Quando o modelo hospedado não tem uma resposta com pesos abertos
Três coisas, e elas não são pequenas.
Infraestrutura corporativa: o MAI Realtime 1 está chegando ao Dynamics 365 Contact Center e ao Dragon Copilot para simulações de treinamento de enfermeiros, com testes da Agoda e da Reservations.ai. Essas são integrações em sistemas que um modelo auto-hospedado não consegue alcançar sem que você mesmo crie os conectores.
Compatibilidade: ele fala a API Realtime da OpenAI, então uma stack de voz existente precisa de uma string de modelo em vez de uma reescrita. O Realtime Venus é distribuído como um pacote Python — AutoModel.from_pretrained, as_duplex(), streaming_prefill() e streaming_generate() por segundo, FFmpeg e CUDA no host. Isso é um projeto de engenharia de verdade.
E amplitude de transcrição: o anúncio complementar da Microsoft, Dragon Copilot Transcribe no MAI Transcribe 2, cobre ditado clínico numa escala que nada no artigo Venus aborda — 10 milhões de encontros com pacientes por mês, metade da taxa de erro multilíngue, segundo a própria Microsoft. Se o seu produto é clínico, esse ecossistema é o argumento, não a tarifa por minuto.
Onde os pesos abertos não têm resposta hospedada
Vídeo. O Realtime-Venus-Omni é um modelo audiovisual de streaming — ele observa e escuta, e os benchmarks Omni são benchmarks de vídeo. O MAI Realtime 1 é fala. Se a interação envolve uma câmera, compartilhamento de tela ou um paciente gesticulando em direção a algo, a comparação não é nem de perto porque o modelo hospedado não tenta isso.
Memória para vídeos longos também: o card Venus afirma ter memória em vídeos longos sem treinamento extra, por meio de um switch use_memory(). Nada no anúncio da Microsoft aborda a memória ao longo de uma sessão.
E a licença. A Apache 2.0 significa que você pode fazer ajuste fino, distribuí-lo dentro de um produto, executá-lo em uma jurisdição para a qual a Microsoft não tem região e manter o áudio no seu próprio hardware. Para uma implantação clínica ou no setor público, em que os dados não podem sair do prédio, isso não é uma preferência — é o requisito, e nenhum desconto por minuto substitui isso.

O híbrido que a maioria das equipes deveria realmente construir
A convergência observada anteriormente é a resposta prática. Todos esses três produtos — Realtime Venus, MAI Realtime 1, GPT Live 1 — separam a conversa do trabalho: a Venus por meio de <delegate> e de um runtime Harness, a Microsoft por meio de uma camada interna de raciocínio, a OpenAI por meio de um agente de backend anexado explicitamente. Em todos os casos, a parte difícil é um segundo modelo fazendo o raciocínio e, em todos os casos, é nessa camada que custo e latência se concentram.
O que significa que a decisão entre eles é, na verdade, uma decisão sobre o front end, e o backend pode ser o mesmo de qualquer forma. O OrcaRouter foi criado para essa segunda camada: mais de 200 modelos em uma única chave pelo preço de tabela do provedor, com 0% de markup, então, independentemente do front end que você escolher, os modelos de raciocínio por trás dele são intercambiáveis e uma mudança de preço do fornecedor chega no mesmo dia. O failover automático é o que transforma uma tarefa delegada em algo seguro para rodar em produção — uma chamada em segundo plano que falha silenciosamente é uma promessa a um chamador que nunca é cumprida, e uma nova tentativa roteada entre provedores é a diferença entre uma tarefa que é concluída e uma que silenciosamente não é. A DSL de roteamento é como a política de delegação se torna uma regra: quais intenções escalam, para qual modelo, com qual orçamento.
Nenhum desses dois modelos de voz está no nosso catálogo — Realtime Venus são pesos Apache 2.0 que você mesmo hospeda, e MAI Realtime 1 é da MAI Labs e a prévia de acesso limitado do Foundry. O que nós roteamos é tudo aquilo a que eles delegam.

Escolher, concretamente
Comece com o Realtime Venus se qualquer uma destas condições for verdadeira: os dados não podem sair da sua infraestrutura, a interação envolve vídeo, você precisa especificamente de inglês e chinês, e de nada mais, você já tem capacidade de GPU, ou seu volume é alto o suficiente para que uma cobrança linear por minuto seja o formato errado. Aceite, em troca, que você está executando uma stack de nível de pesquisa com uma API Python, um artigo como sua documentação e nenhum benchmark independente para confirmar os números dos autores.
Comece com o MAI Realtime 1 se a interação for somente por voz, o volume for modesto, a integração já estiver no formato do OpenAI-Realtime e um centavo por minuto for o número que torna o projeto viável. Aceite, em troca, que você quase não consegue medir nada disso: um único número de precisão informado pelo fornecedor, uma latência P50 sem distribuição, nenhuma pontuação τ-Voice, nenhuma lista de idiomas e uma demonstração não comercial de dois minutos que se declarava indisponível quando verificamos.
E observe aquilo em que ambos estão apostando silenciosamente. Realtime Venus, MAI Realtime 1 e GPT Live 1 chegaram todos à conclusão de que um modelo de voz não deve pensar intensamente enquanto alguém espera. A diferença entre eles está apenas em onde vai o pensamento. Quem publicar primeiro uma taxa de conclusão de tarefas para a metade delegada resolverá um confronto que as taxas por minuto jamais conseguiriam.
Comparados neste artigo1
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
