การ์ดชื่อเรื่องที่สร้างขึ้นสำหรับบทความ 'Avatar 6 vs Realtime Venus' พร้อมข้อความคิกเกอร์ว่า 'การเปรียบเทียบโมเดล AVATAR' ชื่อเรื่องขนาดใหญ่ 'Avatar 6 vs Realtime Venus' คำบรรยายใต้ชื่อ 'ตัวเรนเดอร์และตัวฟังที่ถูกนำมาเปรียบเทียบโดยไม่ตั้งใจ' และการ์ดแบบเม็ดสามใบที่อ่านว่า 'วิดีโอ สูงสุด 2K', 'เสียงพูด, Apache-2.0' และ 'งานที่แตกต่างกัน'
Engineering & Research

Avatar 6 กับ Realtime Venus: ตัวเรนเดอร์กับตัวรับฟัง ที่ถูกนำมาเปรียบเทียบกันโดยพลาด

ผู้เขียน

Elias Hawthorne

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

นำAvatar 6และRealtime Venusมาไว้ในประโยคเดียวกัน สิ่งแรกที่ต้องบอกก็คือ หนึ่งในนั้นไม่สามารถแสดงใบหน้าให้คุณเห็นได้ Realtime Venus คือโมเดลการโต้ตอบแบบฟูลดูเพล็กซ์ของ Ant Group — ระบบขนาด 9B ที่ฟังในขณะที่พูด เข้าใจเสียงตามบริบทของสิ่งที่มองเห็น และมอบหมายงานให้ทำเบื้องหลังได้ ผลลัพธ์ของมันคือเสียงพูดและการตัดสินใจ มันไม่สร้างวิดีโอ ไม่เรนเดอร์ผู้ดำเนินรายการ และไม่มีแนวคิดเรื่องภาพอ้างอิง Avatar 6 ซึ่ง HeyGen เปิดตัวเมื่อวันที่ 17 พฤศจิกายน 2026 ทำเพียงสิ่งเดียว: ทำให้บุคคลเคลื่อนไหวจากภาพถ่ายหรือคลิปสั้น โดยขับเคลื่อนด้วยเสียงที่คุณจัดหาให้ และส่งออกวิดีโอความละเอียดสูงสุด 2K

ดังนั้นการเปรียบเทียบนี้จึงเป็นการเปรียบเทียบที่ผิดประเภท และรูปแบบที่มีประโยชน์ของมันคือคำถามด้านการออกแบบ หากคุณกำลังสร้างสิ่งที่มีมนุษย์ปรากฏอยู่บนหน้าจอและสามารถทำหน้าที่ของตนในการสนทนาได้อย่างสมบทบาท คุณจำเป็นต้องมีระบบทั้งสองแบบ และสิ่งที่ต้องตัดสินใจคือคุณเป็นเจ้าของส่วนใดของสแตก นั่นคือจุดที่สองสิ่งนี้แตกต่างกันอย่างชัดเจน — ตัวหนึ่งคุณดาวน์โหลดได้ ส่วนอีกตัวคุณเช่าใช้ได้เท่านั้น

หลักฐานสองชุด ทั้งคู่ยอมรับข้อจำกัดของตนเองอย่างตรงไปตรงมา

Realtime Venus มาถึงในแบบเดียวกับที่งานวิจัยเปิดมาถึง: รายงาน arXiv (2609.13814), น้ำหนัก Apache-2.0 บน Hugging Face ภายใต้ inclusionAI/Realtime-Venus ซึ่งมีเช็กพอยต์ขนาด 9B สองชุด และหน้าโปรเจกต์พร้อมเดโม ไม่มีโพสต์เปิดตัว ไม่มี API ไม่มีราคา และไม่มีเบนช์มาร์กใดที่บุคคลภายนอกทำซ้ำได้ ตัวเลขทุกตัวที่เกี่ยวข้องมาจากรายงานทางเทคนิคที่ผู้เขียนเขียนเกี่ยวกับโมเดลของตนเอง

Avatar 6 มาพร้อมองค์ประกอบแบบตรงกันข้าม: หน้าสินค้า, ตัวระบุสองตัว, REST endpoint, แพ็กเกจฟรี และรายงานทางเทคนิคที่การศึกษาด้านความชอบทั้งหมดดำเนินการโดย HeyGen ด้วยผู้ให้คะแนนของ HeyGen เอง แต่มีสิ่งหนึ่งที่ Venus ไม่มี นั่นคือการวัดผลจากภายนอก สนามเปรียบเทียบแบบ blind ของ New Measure ซึ่งเผยแพร่เมื่อวันที่ 18 พฤศจิกายน จัดให้มันอยู่อันดับหนึ่งบนกระดานทั้งสองของตนด้วยคะแนน Elo 1,197 และ 1,237 จากคลิปที่มีความยาวไม่เกิน 35 วินาที

ให้อ่านตัวเลขพาดหัวทั้งสองค่าเป็นข้อกล่าวอ้าง ไม่ใช่ข้อค้นพบ ค่า 84.4% ของ HeyGen คือ{{1}}อัตราการชนะจากการเปรียบเทียบแบบเคียงข้าง 42.2%{{/1}}ที่ปรับสเกลเทียบกับค่าฐาน 50% การศึกษาคลิปเดี่ยวของบริษัทเองระบุว่า Avatar 6 อยู่ที่ 65.1% เมื่อถูกประเมินว่าเป็นของจริง เทียบกับ 78.9% สำหรับฟุตเทจที่ไม่ได้ตัดต่อ ค่า 97% ของ Venus ในการตอบสนองต่อเนื่องแบบ backchannel มาจาก Full-Duplex-Bench v1.5 ซึ่งเป็นโปรโตคอลที่ผู้เขียนเลือกเอง ตัวเลขทั้งสองไม่ใช่การโกหก และทั้งคู่ยังไม่ได้รับการยืนยันซ้ำโดยฝ่ายที่ไม่มีอะไรจะขาย — แม้ว่า Avatar 6 อย่างน้อยก็เคยถูกคนแปลกหน้าโหวต ครั้งละครึ่งนาที

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.'

แต่ละระบบประกอบด้วยอะไร

• แบ็กโบน — Avatar 6: ไม่เปิดเผย; HeyGen อธิบายว่าเป็นโมเดลอวตารที่ฉลาดที่สุดของตน และไม่มีการระบุสถาปัตยกรรมใด ๆ Realtime Venus: โมเดล omni ขนาด 9B ที่มีระบบการมองเห็น SigLIP2 ระบบเสียง Whisper-Medium และแบ็กโบนภาษาขนาด Qwen3-8B ซึ่งดัดแปลงมาจาก MiniCPM-o 4.5 ตามที่ระบุในโมเดลการ์ด

• รูปแบบอินพุต — Avatar 6: รูปภาพอ้างอิงหนึ่งรูป หรือวิดีโออ้างอิงหนึ่งวิดีโอพร้อมเสียงพูด Realtime Venus: สตรีมเสียงและวิดีโอแบบต่อเนื่อง พร้อมบริบทของงานที่ได้รับมอบหมาย

• เอาต์พุตแบบมอดัลลิตี — Avatar 6: วิดีโอพร้อมเสียงพูดที่ซิงก์กัน สูงสุด 2880×1620 ผ่าน Model API. Realtime Venus: เสียงพูด ข้อความ และสัญญาณควบคุม; ไม่มีพิกเซล

• ระยะเวลา — Avatar 6: ยาวเท่ากับเสียง โดยมีการสาธิตการเรนเดอร์ต่อเนื่อง 25–28 นาที Realtime Venus: เซสชันที่กำลังทำงาน ด้วยบริบท 40,960 โทเค็น และหน่วยความจำวิดีโอยาวแบบไม่ต้องฝึกที่จัดเก็บและเรียกคืนเฟรมที่เลือกไว้

• การผลัดกันพูด — Avatar 6: ไม่มี มันทำตามสคริปต์ ไม่มีใครให้ขัดจังหวะ Realtime Venus: ฟูลดูเพล็กซ์ พร้อมการตอบสนองต่อการขัดจังหวะอย่างพอเหมาะ และความสามารถในการพูดต่อไปในระหว่างที่มีสัญญาณแบ็กแชนเนล

• การเข้าถึง — Avatar 6: REST API, ต้องได้รับความยินยอมก่อน, คิดค่าบริการเป็นเครดิต HeyGen. Realtime Venus: weights บน Hugging Face และ ModelScope, ไม่มี hosted endpoint, ไม่มีราคา.

• สัญญาอนุญาต — Avatar 6: เงื่อนไขเชิงพาณิชย์ภายใต้บัญชีของ HeyGen Realtime Venus: Apache-2.0

แถวสุดท้ายนั้นคือแถวที่จัดระเบียบการเปรียบเทียบใหม่ Avatar 6 เป็นบริการ ส่วน Realtime Venus เป็นโมเดล สิ่งอื่น ๆ ทั้งหมดล้วนเป็นผลสืบเนื่องมาจากข้อนี้

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.

ความแตกต่างด้านการจัดซื้อคือความแตกต่างที่แท้จริง

ถ้าคุณต้องการใช้ Realtime Venus ในโปรดักชัน คุณต้องดาวน์โหลดมัน จัดเตรียม GPU และรับผิดชอบปัญหาเรื่องการเสิร์ฟโมเดลเอง มีเช็กพอยต์ขนาด 9B สองตัว เป็น BF16 มีไฟล์ส่งออก ONNX ควบคู่กับ safetensors มี Android APK สำหรับการทดลองบนอุปกรณ์ และมีรีโพซิทอรีฮาร์เนสแยกต่างหากสำหรับลูปการมอบหมายงาน จะไม่มีใครส่งบิลมาให้คุณ และจะไม่มีใครเลิกใช้งานเอนด์พอยต์ของคุณ แต่ก็จะไม่มีใครแก้ปัญหาความหน่วงให้คุณเช่นกัน สำหรับทีมวิจัย นี่คือฟีเจอร์ที่ดี สำหรับทีมผลิตภัณฑ์ นี่คืองานหนึ่งไตรมาสก่อนจะได้ผลลัพธ์ที่มีประโยชน์ชิ้นแรก

หากคุณต้องการใช้ Avatar 6 ในการผลิตจริง คุณต้องสมัคร รับคีย์ และเรียก POST /v3/models/avatarsด้วยภาพอ้างอิงและ URL เสียง คุณจะได้รับ video_idกลับมาใน 202 จากนั้นคุณโพลล์ และ URL ที่ลงนามแล้วจะปรากฏขึ้น กระบวนการยินยอมนั้นยุ่งยากกว่าที่ผู้ขายส่วนใหญ่กำหนด — วิดีโออ้างอิงบุคคลจริงที่สมจริงต้องมีการเข้าถึงระดับ Enterprise และคำแถลงต่อหน้ากล้องที่มีรหัสใช้ครั้งเดียวเฉพาะเซสชัน — แต่การเชื่อมต่อใช้เวลาบ่ายเดียว ไม่ใช่หนึ่งไตรมาส

สิ่งที่คุณทำไม่ได้กับ Avatar 6 คือการคิดราคาเป็นรายหน่วย HeyGen ประกาศราคา $0.02 ต่อวินาทีสำหรับ HeyGen Video 1 และไม่มีอะไรเทียบเท่ากันสำหรับ Avatar 6 หน้าเว็บราคาที่เปิดเผยต่อสาธารณะขาย Creator ในราคา $29/เดือนสำหรับ 600 เครดิต และ Pro ในราคา $49/เดือนสำหรับ 1,000 เครดิต โดยไม่มีการเผยแพร่อัตราแปลงเครดิตเป็นวินาที Realtime Venus มีปัญหาตรงกันข้าม: ต้นทุนส่วนเพิ่มของการเรียกหนึ่งครั้งคือค่าไฟฟ้าของคุณ และต้นทุนคงที่คือ GPU ที่คุณต้องอธิบายเหตุผลให้ใครสักคน

ในจุดที่ทั้งสองจะได้พบกันจริง ๆ

ลองนึกภาพผลิตภัณฑ์ที่ทั้งสองสิ่งนี้เป็นองค์ประกอบ: คนหนึ่งถามคำถามด้วยเสียง มีบางอย่างตัดสินใจว่าจะพูดอะไร แล้วใบหน้าก็พูดกลับด้วยสีหน้าที่เหมาะสมและมีท่าทางประกอบคำสำคัญ Realtime Venus ครอบคลุมสองขั้นตอนแรก — มันได้ยินคุณ ตัดสินใจว่าจะพูดเมื่อไร และสามารถฟังต่อไปได้ขณะที่มันพูด Avatar 6 ครอบคลุมขั้นตอนสุดท้าย และทำได้ดีกว่าสิ่งอื่นใดที่ซื้อได้ในปัจจุบัน ตามข้อมูลจากคณะกรรมการอิสระเพียงคณะเดียวที่ได้ตรวจสอบ

ปัญหาคือรอยต่อ Avatar 6 ต้องการไฟล์เสียงที่สมบูรณ์ — วิดีโอจะยาวเท่ากับเสียงที่คุณส่งให้ และไม่มีโหมดสตรีมมิง ไม่มีการป้อนเสียงบางส่วน ไม่มีวิธีต่อท้าย Realtime Venus สร้างเสียงพูดทีละส่วนขณะบทสนทนาดำเนินไป การเชื่อมทั้งสองเข้าด้วยกันหมายถึงการบัฟเฟอร์เอาต์พุตของ Venus ให้เป็นคำพูดที่เสร็จสมบูรณ์ ส่งไปยัง HeyGen รอการเรนเดอร์ที่อารีนาอิสระวัดได้โดยทั่วไปที่ 175.6 วินาที และเล่นวิดีโอที่ถูกสร้างขึ้นหลังจากช่วงเวลานั้นผ่านไปแล้ว นั่นไม่ใช่บทสนทนา มันคือบทสนทนาแบบสั่งซื้อทางไปรษณีย์

สำหรับเวอร์ชันเรียลไทม์ คุณต้องใช้เรนเดอร์เรอร์ที่สร้างวิดีโอขณะเสียงพูดถูกส่งมา และนั่นเป็นผลิตภัณฑ์อีกประเภทหนึ่ง Muse Realtime Avatar ของ Meta คือตัวอย่างที่วางจำหน่ายจริงและใกล้เคียงที่สุด ส่วน Tavus Griffin ซึ่งอยู่ในช่วงพรีวิวเชิงวิจัยก็เป็นอีกตัวอย่างหนึ่ง Avatar 6 ไม่ใช่แบบนั้น และ HeyGen ก็ไม่เคยอ้างว่าเป็นเช่นนั้น — งบความหน่วงของมันเป็นงบสำหรับงานแบบแบตช์ และข้อมูลจากอารีนาก็ยืนยันเรื่องนี้: หนึ่งในสิบของการเรนเดอร์อวาตาร์ส่วนบุคคลของ HeyGen ใช้เวลามากกว่าเก้านาทีครึ่ง

สิ่งที่ Venus วัดได้ซึ่งไม่มีสิ่งอื่นใดในที่นี้ทำได้

ตัวเลขที่น่าสนใจในรายงาน Venus ไม่ใช่คะแนนคุณภาพ แต่เป็นตัวเลขเชิงพฤติกรรม และตัวเลขเหล่านั้นอธิบายถึงปัญหาที่ Avatar 6 ไม่มี เพราะ Avatar 6 ไม่ได้ฟัง

Full-Duplex-Bench v1.5 ให้อัตราการทำต่อที่ 97% สำหรับแบ็กแชนเนลของผู้ใช้, 88% สำหรับคำพูดที่มุ่งไปยังผู้อื่น และ 86% สำหรับเสียงพูดพื้นหลัง โดยมีอัตราการตอบสนองแยกต่างหาก 75% ต่อการขัดจังหวะจริง ประเด็นของตัวเลขทั้งสี่นี้เมื่ออยู่ด้วยกันคือ โมเดลแยกแยะ "mm-hm" ออกจาก "wait, stop" ได้ — มันทำต่อเมื่อเจอแบบแรกและยอมหยุดเมื่อเจอแบบหลัง ผลลัพธ์ด้านความเข้าใจอยู่ที่ 70.2% บน StreamingBench, 64.7% บน OVO-Bench, 81.3% บน Daily-Omni และ 78.0% บน MMAU audio ความแม่นยำในการมอบหมายงานบน benchmark ภายในของทีมอยู่ที่ 75.93% สำหรับ checkpoint Omni และ 68.89% สำหรับ checkpoint Audio ซึ่งวัดว่าโมเดลตัดสินใจส่งต่องานอย่างถูกต้องหรือไม่ ไม่ใช่ว่างานนั้นสำเร็จหรือไม่

เป้าหมายทางวิศวกรรมเหล่านี้มีประโยชน์สำหรับใครก็ตามที่สร้าง conversational agent และยังไม่มีการทำซ้ำผลลัพธ์ การตีความอย่างตรงไปตรงมาคือ Venus เป็นฐานอ้างอิงเปิดที่น่าเชื่อถือสำหรับพฤติกรรมแบบ full-duplex ซึ่งเผยแพร่พร้อมน้ำหนักโมเดลเพื่อให้ตรวจสอบข้อกล่าวอ้างได้ และไม่มีใครนอก Ant Group และ Tsinghua ที่เผยแพร่ผลการตรวจสอบ

OrcaRouter อยู่ตรงไหน

ทั้งสองอย่างนี้ไม่ใช่ของที่เรามีสิทธิ์ขาย Realtime Venus คือเวตโมเดลกับเปเปอร์ โดยไม่มีอะไรคอยรองรับอยู่เบื้องหลัง ส่วน Avatar 6 คือตัวเรนเดอร์ของ HeyGen ซึ่งถูกควบคุมด้วยขั้นตอนการขอความยินยอมของ HeyGen และจ่ายด้วยเครดิตของ HeyGen ข้อเสนอเรื่องการจัดเส้นทางที่ไม่แยกเส้นแบ่งสองข้อนี้ให้ชัดจะเป็นคำโกหก และเป็นคำโกหกแบบที่จะโผล่ในสปรินต์แรกของคุณ ไม่ใช่ในสไลด์ขาย

สิ่งที่เรานำเสนอบริการจริง ๆ คือส่วนของการใช้เหตุผลแบบมอบหมาย (delegated reasoning) ที่ทั้งสองสถาปัตยกรรมต้องพึ่งพา การออกแบบของ Venus เองกำหนดเส้นทางงานเบื้องหลังไปยังโมเดลมัลติมอดัล โมเดลทั่วไป หรือสกิลที่ลงทะเบียนไว้ ส่วนสคริปต์ของ Avatar 6 ก็ต้องมีบางสิ่งเป็นตัวเขียน ชั้นนี้คือจุดที่ คีย์เดียวใช้ได้กับโมเดล 200+ โมเดล ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม และด้วย การสลับเมื่อเกิดความล้มเหลวโดยอัตโนมัติ ช่วยลดภาระงานได้จริง — เพราะเป็นส่วนเดียวในทั้งสองไปป์ไลน์ที่คุณมีทางเลือกของผู้ให้บริการ

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.

การตีความที่ยังคงใช้ได้เมื่อนำไปเทียบกับแผนงาน

หากปัญหาของคุณคือ “เราต้องการผู้ดำเนินรายการบนหน้าจอที่พูดข้อความของเรา ในวงกว้าง ภายในไตรมาสนี้” Avatar 6 คือคำตอบ และ Realtime Venus ไม่ใช่ตัวเลือกที่ต้องนำมาพิจารณา ยอมรับความไม่ทราบสามข้อ — ไม่มีราคาต่อวินาทีที่เผยแพร่ ไม่มีการทดสอบอิสระเกิน 35 วินาที และเวลาการเรนเดอร์โดยทั่วไปอยู่ในระดับนาที — แล้วนำไปทดลองใช้แบบไพลอต

หากปัญหาของคุณคือ “เราต้องการบางสิ่งที่จะสนทนาด้วยเสียงได้และตัดสินใจได้ว่าเมื่อไรควรพูด” Realtime Venus คือ baseline แบบเปิดที่จริงจัง และ Avatar 6 ไม่เกี่ยวข้อง เพราะมันไม่มีหู ให้นำเวต Apache-2.0 ไปใช้ วางแผนรับมือต้นทุนการให้บริการ และถือว่าคะแนนที่รายงานมาทุกค่ามาจากผู้เขียนเอง จนกว่าจะมีคนทำซ้ำได้

ถ้าปัญหาของคุณคือ “ทั้งสองอย่าง” — ใบหน้าที่สนทนาได้ — ไม่มีสิ่งใดในสองสิ่งนี้ที่เป็นผลิตภัณฑ์ และช่องว่างระหว่างทั้งสองคือสนามที่จะถูกช่วงชิงกันในสิบสองเดือนข้างหน้าของหมวดหมู่นี้ เรนเดอร์เรอร์ที่สตรีม ขับเคลื่อนด้วยตัวรับฟังที่ตัดสินใจ ในราคาที่คุณจำลองได้: ยังไม่มีใครส่งมอบสิ่งนั้นออกมา เมื่อมีคนทำได้ หน้านี้จะต้องถูกเขียนใหม่

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube