
Avatar 6 กับ Realtime Venus: ตัวเรนเดอร์กับตัวรับฟัง ที่ถูกนำมาเปรียบเทียบกันโดยพลาด
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 180 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 223 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
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

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

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

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
