Сгенерированная титульная карточка для статьи «Avatar 6 vs Realtime Venus» с надзаголовком «СРАВНЕНИЕ МОДЕЛЕЙ AVATAR», крупным заголовком «Avatar 6 vs Realtime Venus», подзаголовком «Рендерер и слушатель, сравнённые по ошибке» и тремя карточками-пилюлями с текстом «видео, до 2K», «речь, Apache-2.0» и «разные задачи».
Engineering & Research

Avatar 6 против Realtime Venus: рендерер и слушатель — ошибочное сравнение

Автор

Elias Hawthorne

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Поставьте Avatar 6 и Realtime Venus в одно предложение, и первое, что нужно сказать, — это то, что один из них не может показать вам лицо. Realtime Venus — полнодуплексная модель взаимодействия Ant Group: система на 9 млрд параметров, которая слушает, пока говорит, понимает звук в контексте того, что видит, и делегирует работу в фоновом режиме. На выходе у неё речь и решения. Она не генерирует видео, не рендерит ведущего и не имеет понятия референсного изображения. Avatar 6, выпущенный HeyGen 17 ноября 2026 года, делает ровно одну вещь: анимирует человека по фотографии или короткому клипу под аудио, которое вы предоставляете, и возвращает видео разрешением до 2K.

Итак, это сравнение — категориальная ошибка, а его полезная версия — вопрос проектирования. Если вы создаёте что-то, где человек появляется на экране и поддерживает свою сторону разговора, вам нужны оба типа систем, и решающее значение имеет то, какая сторона стека принадлежит вам. Именно здесь эти два варианта резко расходятся — один можно скачать, другой можно только арендовать.

Два портфеля доказательств, оба честно признают свои ограничения

Realtime Venus появляется так же, как появляются открытые исследования: отчёт arXiv (2609.13814), веса Apache-2.0 на Hugging Face под inclusionAI/Realtime-Venus, два 9B-чекпоинта и страница проекта с демонстрациями. Не было ни поста о запуске, ни API, ни цены, ни бенчмарка, который воспроизвела бы внешняя сторона. Все числа, связанные с ним, взяты из технического отчёта, который авторы написали о своей собственной модели.

Avatar 6 идёт с противоположным набором: страница продукта, два идентификатора, REST-эндпоинт, бесплатный тариф и технический отчёт, все исследования предпочтений в котором проводились HeyGen на оценщиках HeyGen. Но у него есть то, чего лишена Venus, — внешнее измерение. Слепая арена New Measure, опубликованная 18 ноября, поставила его на первое место в обеих своих таблицах с 1 197 и 1 237 Elo, на клипах длительностью не более 35 секунд.

Воспринимайте обе главные цифры как заявления, а не как результаты исследований. 84,4% у HeyGen — это 42,2% побед в попарном сравнении, пересчитанные относительно базового уровня 50%; в собственном исследовании с одним клипом Avatar 6 признают настоящим в 65,1% случаев против 78,9% для неотредактированного видео. 97% продолжения бэкченнелинга у Venus взяты из Full-Duplex-Bench v1.5 — протокола, который выбрали его авторы. Ни одна из этих цифр не является нечестной, и ни одну из них не воспроизвела сторона, которой нечего продавать, — хотя Avatar 6, по крайней мере, оценивали голосованием незнакомцы, по полминуты за раз.

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.'

Из чего состоит каждая система

• Бэкбон — Avatar 6: не раскрывается; HeyGen описывает его как свою самую умную модель аватара и не документирует архитектуру. Realtime Venus: омни-модель на 9B со зрительным компонентом SigLIP2, аудиокомпонентом Whisper-Medium и языковым бэкбоном Qwen3-8B, адаптированная на основе MiniCPM-o 4.5 согласно карточке модели.

• Входные модальности — Avatar 6: одно референсное изображение или одно референсное видео плюс речевая аудиодорожка. Realtime Venus: непрерывные аудио- и видеопотоки, а также контекст делегированной задачи.

• Выходные модальности — Avatar 6: видео с синхронизированной речью, до 2880×1620 через Model API. Realtime Venus: речь, текст и управляющие сигналы; без пикселей.

• Длительность — Avatar 6: равна длительности аудио; продемонстрированы непрерывные рендеры длительностью 25–28 минут. Realtime Venus: непрерывный сеанс с контекстом в 40 960 токенов и памятью для длинных видео без обучения, которая сохраняет и извлекает выбранные кадры.

• Смена реплик — Avatar 6: отсутствует. Он выполняет скрипт; перебивать некого. Realtime Venus: полный дуплекс, с выверенной реакцией на перебивание и способностью продолжать говорить при фоновых репликах слушателя.

• Доступ — Avatar 6: REST API, только при наличии согласия, оплата кредитами HeyGen. Realtime Venus: веса на Hugging Face и ModelScope, хостингового эндпоинта нет, цена не указана.

• Лицензия — Avatar 6: коммерческие условия в рамках аккаунта HeyGen. Realtime Venus: Apache-2.0.

Эта последняя строка и есть то, что перестраивает всё сравнение. Avatar 6 — это сервис. Realtime Venus — это модель. Всё остальное следует из этого.

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.

Разница в закупках — это и есть настоящая разница.

Если вы хотите использовать Realtime Venus в продакшене, вы скачиваете её, выделяете GPU и берёте на себя задачу обслуживания. Два чекпоинта 9B, BF16, экспорт в ONNX вместе с safetensors, Android APK для экспериментов на устройстве и отдельный репозиторий-обвязка для цикла делегирования. Никто не выставит вам счёт и никто не объявит ваш эндпоинт устаревшим, но и задержку вам тоже никто не исправит. Для исследовательской команды это преимущество. Для продуктовой команды это квартал работы до первого полезного результата.

Если вы хотите запустить Avatar 6 в продакшене, зарегистрируйтесь, получите ключ и вызовите POST /v3/models/avatars с референсным изображением и URL аудио. В ответе 202 вы получите video_id, затем опрашивайте статус, и появится подписанный URL. Процесс получения согласия тяжелее, чем у большинства поставщиков: для реалистичного референсного видео с человеком требуется доступ Enterprise и заявление, записанное на камеру, содержащее одноразовый код для конкретной сессии, — но интеграция занимает полдня, а не квартал.

Что нельзя сделать с Avatar 6 — это назначить ему цену за единицу. HeyGen публикует $0.02 за секунду для HeyGen Video 1 и ничего аналогичного для Avatar 6; на публичной странице тарифов Creator продаётся за $29/мес за 600 кредитов, а Pro — за $49/мес за 1 000 кредитов, при этом преобразование кредитов в секунды не опубликовано. У Realtime Venus противоположная проблема: предельная стоимость вызова — это ваш счёт за электричество, а фиксированная стоимость — GPU, который вам придётся кому-то обосновывать.

Где эти двое на самом деле встретились бы

Представьте продукт, компонентами которого являются оба эти элемента: человек задаёт вопрос голосом, что-то решает, что сказать, и лицо произносит это в ответ с нужным выражением и жестом на важном слове. Realtime Venus отвечает за первые два этапа — она слышит вас, решает, когда говорить, и может продолжать слушать, пока говорит. Avatar 6 отвечает за последний этап и делает это лучше, чем что-либо ещё из доступного на рынке, согласно единственной независимой комиссии, которая это оценивала.

Проблема в стыке. Avatar 6 требует готовый аудиофайл — видео длится столько же, сколько переданное ему аудио, и у него нет потокового режима, нет подачи аудио частями, нет способа дописывать. Realtime Venus порождает речь постепенно, по мере развития разговора. Чтобы соединить их, нужно буферизовать вывод Venus в законченную реплику, отправить её в HeyGen, дождаться рендеринга, который, по замерам независимой арены, обычно занимает 175,6 секунды, и воспроизвести видео, сгенерированное уже после того, как момент прошёл. Это не разговор. Это разговор, заказанный по почте.

Для версии в реальном времени нужен рендерер, который генерирует видео по мере поступления речи, и это другой продукт. Ближайший доступный пример — Muse Realtime Avatar от Meta; другой — Tavus Griffin, находящийся в исследовательском превью. Avatar 6 — это не то, и HeyGen никогда не утверждала обратного: её бюджет задержки — это бюджет пакетной обработки, и данные арены это подтверждают: один из десяти рендеров персонального аватара HeyGen занимал более девяти с половиной минут.

Что Venus измеряет такого, чего не измеряет здесь ничто другое

Интересные цифры в отчёте Venus — это не оценки качества. Это поведенческие показатели, и они описывают проблему, которой у Avatar 6 нет, потому что Avatar 6 не слушает.

Full-Duplex-Bench v1.5 показывает долю продолжения 97% для поддакиваний пользователя, 88% для речи, адресованной другим, и 86% для фоновой речи, а также отдельную долю ответов на настоящие перебивания — 75%. Смысл этих четырёх чисел вместе в том, что модель отличает «мм-хм» от «подожди, стоп» — она продолжает при первом и уступает второму. Результаты понимания составляют 70,2% на StreamingBench, 64,7% на OVO-Bench, 81,3% на Daily-Omni и 78,0% на MMAU audio. Точность делегирования на внутреннем бенчмарке команды составляет 75,93% для чекпойнта Omni и 68,89% для Audio; этот показатель измеряет, правильно ли модель решает передать задачу, а не то, успешно ли она выполнена.

Эти инженерные ориентиры полезны для любого, кто создаёт разговорного агента, и они не воспроизведены. Честная интерпретация такова: Venus — это правдоподобная открытая базовая модель для полнодуплексного поведения, опубликованная вместе с весами, чтобы её утверждение можно было проверить, и никто за пределами Ant Group и Tsinghua не опубликовал проверку.

Где находится OrcaRouter

Ни то, ни другое не принадлежит нам и не подлежит продаже. Realtime Venus — это веса и статья, за которыми нет никакого работающего сервиса; Avatar 6 — это рендерер HeyGen, доступ к которому открывается через процедуру согласия HeyGen и оплачивается кредитами HeyGen. Питч о маршрутизации, размывающий любую из этих границ, был бы ложью — и именно такой ложью, которая всплывает в первом спринте, а не в коммерческой презентации.

То, что мы предоставляем, — это этап делегированных рассуждений, от которого зависят обе архитектуры. Собственная архитектура Venus направляет фоновые задачи в мультимодальную модель, универсальную модель или зарегистрированный навык; сценарий Avatar 6 должен быть кем-то написан. Именно на этом уровне единый ключ к более чем 200 моделям по прейскурантной цене провайдера без наценки, а также автоматическое переключение при сбоях действительно избавляет от работы — потому что это единственная часть любого из этих двух конвейеров, где у вас есть выбор поставщика.

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.

Трактовка, которая выживает при соприкосновении с дорожной картой

Если ваша проблема — «нам нужен ведущий на экране, произносящий наши слова, в масштабе, в этом квартале», то ответ — Avatar 6, а Realtime Venus в этом разговоре не участвует. Примите три неизвестных — отсутствие опубликованной цены за секунду, отсутствие независимых тестов дольше 35 секунд и типичное время рендеринга, измеряемое минутами, — и запустите пилот.

Если ваша задача — «нам нужно что-то, что может поддерживать голосовой разговор и решать, когда говорить», то Realtime Venus — серьёзная открытая базовая модель, а Avatar 6 не имеет значения, потому что у него нет ушей. Берите веса под Apache-2.0, планируйте стоимость обслуживания и считайте любую заявленную оценку собственной оценкой авторов, пока кто-нибудь не воспроизведёт её.

Если ваша проблема — «и то и другое» — лицо, которое ведёт беседу, то ни один из них не является продуктом, и разрыв между ними — это место, где будут разворачиваться следующие двенадцать месяцев борьбы в этой категории. Рендерер, который передаёт поток, управляемый слушателем, который принимает решения, по цене, которую можно рассчитать: никто ещё такого не выпускал. Когда кто-то выпустит, эту страницу придётся переписать.