
Avatar 6 vs Realtime Venus: En renderare och en lyssnare, jämförda av misstag
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 180 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 223 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 98 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Sätter man Avatar 6 och Realtime Venus i samma mening är det första som måste sägas att en av dem inte kan visa dig ett ansikte. Realtime Venus är Ant Groups full-duplex-interaktionsmodell – ett 9B-system som lyssnar medan det talar, förstår ljud i kontexten av det det kan se och delegerar arbete i bakgrunden. Dess utdata är tal och beslut. Det genererar ingen video, renderar ingen presentatör och har inget begrepp om en referensbild. Avatar 6, som HeyGen släppte den 17 november 2026, gör exakt en sak: den animerar en person från ett foto eller ett kort klipp, med hjälp av ljud som du tillhandahåller, och returnerar video upp till 2K.
Så jämförelsen är ett kategorimisstag, och den användbara versionen av den är en designfråga. Om du bygger något där en människa syns på skärmen och håller sin del av en konversation, behöver du båda typerna av system, och det beslut som spelar roll är vilken sida av stacken du äger. Det är där dessa två skiljer sig kraftigt – den ena kan du ladda ner, den andra kan du bara hyra.
Två portföljer med underlag, båda ärliga om sina begränsningar
Realtime Venus anländer på samma sätt som öppen forskning anländer: en arXiv-rapport (2609.13814), Apache-2.0-vikter på Hugging Face under inclusionAI/Realtime-Venus, två 9B-checkpoints och en projektsida med demos. Det fanns inget lanseringsinlägg, inget API, inget pris och ingen benchmark som en utomstående part har reproducerat. Varje siffra som kopplas till den kommer från den tekniska rapport som författarna skrev om sin egen modell.
Avatar 6 levereras med den motsatta uppsättningen: en produktsida, två identifierare, en REST-endpoint, en gratisnivå och en teknisk rapport vars preferensstudier alla kördes av HeyGen på HeyGens egna bedömare. Det har dock en sak som Venus saknar – en extern mätning. New Measures blinda arena, publicerad 18 november, placerade den först på båda sina resultattavlor med 1 197 respektive 1 237 Elo, på klipp som inte är längre än 35 sekunder.
Läs båda siffrorna i rubrikerna som påståenden, inte som resultat. HeyGens 84,4 % är en vinstfrekvens på 42,2 % i direkt jämförelse, omräknad mot en baslinje på 50 %; deras egen studie med ett enda klipp anger att Avatar 6 bedöms som äkta i 65,1 % av fallen, mot 78,9 % för oredigerat material. Venus 97-procentiga backchannel-fortsättning kommer från Full-Duplex-Bench v1.5, ett protokoll som författarna själva valde. Inget av siffrorna är ohederligt, och inget av dem har replikerats av en aktör utan något att sälja — även om Avatar 6 åtminstone har blivit bedömd genom röster från främlingar, en halv minut i taget.

Vad varje system består av
• Backbone – Avatar 6: ej offentliggjord; HeyGen beskriver den som sin smartaste avatarmodell och dokumenterar ingen arkitektur. Realtime Venus: en 9B omnimodell med SigLIP2-vision, Whisper-Medium-ljud och en Qwen3-8B-språkbackbone, anpassad från MiniCPM-o 4.5 enligt modellkortet.
• Modalitet in — Avatar 6: en referensbild eller en referensvideo plus talat ljud. Realtime Venus: kontinuerliga ljud- och videoströmmar, plus delegerad uppgiftskontext.
• Modalitet ut — Avatar 6: video med synkroniserat tal, upp till 2880×1620 via Model API. Realtime Venus: tal, text och styrsignaler; inga pixlar.
• Varaktighet – Avatar 6: så länge som ljudet, med kontinuerliga renderingar på 25–28 minuter demonstrerade. Realtime Venus: en pågående session, med en kontext på 40 960 token och träningsfritt långvideominne som lagrar och hämtar utvalda bildrutor.
• Turtagning — Avatar 6: ingen. Den följer ett manus; det finns ingen att avbryta. Realtime Venus: full duplex, med avvägd avbrottsrespons och förmågan att fortsätta tala genom en backchannel.
• Åtkomst – Avatar 6: REST API, samtyckesstyrd, debiteras i HeyGen-krediter. Realtime Venus: vikter på Hugging Face och ModelScope, ingen hostad slutpunkt, inget pris.
• Licens — Avatar 6: kommersiella villkor under HeyGens konto. Realtime Venus: Apache-2.0.
Den sista raden är den som omorganiserar jämförelsen. Avatar 6 är en tjänst. Realtime Venus är en modell. Allt annat följer av det.

Upphandlingsskillnaden är den verkliga skillnaden
Om du vill ha Realtime Venus i produktion laddar du ner det, provisionerar GPU:er och äger serveringsproblemet. Två 9B-checkpoints, BF16, en ONNX-export bredvid safetensors, en Android APK för experiment på enheten och ett separat harness-repository för delegationsloopen. Ingen skickar någon faktura till dig och ingen avvecklar din endpoint, men ingen åtgärdar din latens heller. För ett forskningsteam är det en fördel. För ett produktteam är det ett kvartals arbete innan den första användbara utdatan.
Om du vill ha Avatar 6 i produktion registrerar du dig, hämtar en nyckel och anropar POST /v3/models/avatars med en referensbild och en ljud-URL. Du får ett video_id tillbaka i ett 202-svar, du pollar, och en signerad URL dyker upp. Samtyckesflödet är tyngre än vad de flesta leverantörer kräver – en realistisk mänsklig referensvideo kräver Enterprise-åtkomst och ett uttalande framför kameran som innehåller en sessionsspecifik engångskod – men integrationen tar en eftermiddag, inte ett kvartal.
Det du inte kan göra med Avatar 6 är att prissätta den per enhet. HeyGen publicerar 0,02 USD per sekund för HeyGen Video 1 och inget motsvarande för Avatar 6; den offentliga prissidan säljer Creator för 29 USD/månad för 600 credits och Pro för 49 USD/månad för 1 000 credits, utan att någon omvandling från credits till sekunder publiceras. Realtime Venus har det motsatta problemet: marginalkostnaden för ett samtal är din elräkning, och den fasta kostnaden är en GPU som du måste motivera för någon.
Där de två faktiskt skulle mötas
Föreställ dig produkten som båda dessa är komponenter i: en person ställer en fråga med rösten, något avgör vad som ska sägas, och ett ansikte säger det tillbaka med rätt uttryck och en gest på det viktiga ordet. Realtime Venus täcker de två första stegen – den hör dig, avgör när den ska tala och kan fortsätta lyssna medan den pratar. Avatar 6 täcker det sista och gör det bättre än något annat som går att köpa i dag, enligt den enda oberoende nämnd som har tittat på saken.
Problemet är skarven. Avatar 6 vill ha en fullständig ljudfil – videon har samma längd som ljudet du ger den, och det finns inget strömmande läge, ingen inmatning av delljud, inget sätt att lägga till i efterhand. Realtime Venus producerar tal stegvis, i takt med att samtalet fortskrider. Att koppla ihop dem innebär att buffra Venus utdata till ett färdigt yttrande, skicka det till HeyGen, vänta ut en rendering som den oberoende arenan uppmätte till typiskt 175,6 sekunder, och spela upp en video som genererades efter att ögonblicket hade passerat. Det är inte ett samtal. Det är ett samtal på postorder.
För realtidsversionen behöver du en renderare som genererar video i takt med att talet anländer, och det är en annan produkt. Metas Muse Realtime Avatar är det närmaste exemplet som finns i produktion; Tavus Griffin, i forskningsförhandsvisning, är ett annat. Avatar 6 är inte det, och HeyGen har aldrig hävdat att det var det — dess latensbudget är en batchbudget, och arenans data bekräftar det: en av tio HeyGen-renderingar av personliga avatarer tog mer än nio och en halv minut.
Vad Venus mäter som inget annat här gör
De intressanta siffrorna i Venus-rapporten är inte kvalitetspoäng. De är beteendemässiga, och de beskriver ett problem som Avatar 6 inte har eftersom Avatar 6 inte lyssnar.
I Full-Duplex-Bench v1.5 ligger fortsättningen på 97 % för användarens lyssnarsignaler, 88 % för tal riktat till andra och 86 % för bakgrundstal, med en separat svarsfrekvens på 75 % för genuina avbrott. Poängen med dessa fyra siffror tillsammans är att modellen skiljer på ”mm-hm” och ”vänta, sluta” – den fortsätter igenom det första och ger vika för det andra. Förståelseresultaten ligger på 70,2 % på StreamingBench, 64,7 % på OVO-Bench, 81,3 % på Daily-Omni och 78,0 % på MMAU audio. Delegeringsnoggrannheten på teamets interna benchmark är 75,93 % för Omni-checkpointen och 68,89 % för Audio-checkpointen, vilket mäter huruvida modellen korrekt beslutar att lämna över en uppgift, inte huruvida uppgiften lyckas.
Dessa är användbara tekniska mål för alla som bygger en konversationsagent, och de är inte reproducerade. Den ärliga tolkningen är att Venus är en trovärdig öppen baslinje för full-duplexbeteende, publicerad med sina vikter så att påståendet kan kontrolleras, och att ingen utanför Ant Group och Tsinghua har publicerat någon kontroll.
Var OrcaRouter befinner sig
Inget av dessa är vårt att sälja. Realtime Venus är vikter och ett papper utan något som lyssnar bakom dem; Avatar 6 är HeyGens renderare, villkorad av HeyGens samtyckesflöde och betald med HeyGen-krediter. Ett routingförslag som suddade ut någon av gränserna skulle vara en lögn, och det är den sortens lögn som dyker upp under er första sprint snarare än i en säljpresentation.
Det vi faktiskt tillhandahåller är det delegerade resonemangsbenet som båda arkitekturerna är beroende av. Venus egen design dirigerar bakgrundsuppgifter till en multimodal modell, en allmän modell eller en registrerad färdighet; Avatar 6:s skript måste skrivas av något. Det lagret är där en enda nyckel för 200+ modeller, till leverantörens listpris utan påslag, och med automatisk failover, faktiskt tar bort arbete — eftersom det är den enda delen i någon av pipelinerna där du har ett val av leverantör.

Den läsning som överlever kontakten med en färdplan
Om ditt problem är "vi behöver en programledare på skärmen som säger våra ord, i stor skala, det här kvartalet", är Avatar 6 svaret och Realtime Venus är inte med i diskussionen. Acceptera de tre okända faktorerna – inget publicerat pris per sekund, inget oberoende test längre än 35 sekunder och en typisk renderingstid mätt i minuter – och kör en pilot på det.
Om ditt problem är "vi behöver något som kan föra ett talat samtal och avgöra när det ska tala" är Realtime Venus en seriös öppen baslinje och Avatar 6 irrelevant, eftersom den inte har några öron. Ta Apache-2.0-vikterna, planera för serveringskostnaden och behandla varje rapporterad poäng som författarnas egen tills någon reproducerar den.
Om ditt problem är "både" — ett ansikte som samtalar — är ingen av dessa produkten, och gapet mellan dem är där de kommande tolv månaderna i den här kategorin kommer att utkämpas. Renderaren som strömmar, driven av en lyssnare som beslutar, till ett pris du kan modellera: ingen har levererat det ännu. När någon gör det kommer den här sidan att behöva skrivas om.
