Một thẻ tiêu đề được tạo cho bài viết 'Avatar 6 vs Realtime Venus', với dòng nhãn ghi 'SO SÁNH MÔ HÌNH AVATAR', tiêu đề lớn 'Avatar 6 vs Realtime Venus', phụ đề 'Một trình kết xuất và một trình lắng nghe, bị so sánh nhầm', và ba thẻ dạng viên ghi 'video, tối đa 2K', 'giọng nói, Apache-2.0' và 'các công việc khác nhau'.
Engineering & Research

Avatar 6 vs Realtime Venus: Một Renderer và một Listener, bị đem ra so sánh nhầm

Tác giả

Elias Hawthorne

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Đặt Avatar 6 và Realtime Venus vào cùng một câu, và điều đầu tiên cần nói là một trong hai không thể hiển thị khuôn mặt cho bạn. Realtime Venus là mô hình tương tác song công toàn phần của Ant Group — một hệ thống 9B vừa nghe vừa nói, hiểu âm thanh trong ngữ cảnh những gì nó có thể thấy và giao việc xử lý chạy nền. Đầu ra của nó là giọng nói và các quyết định. Nó không tạo video, không kết xuất người dẫn chương trình và không có khái niệm về ảnh tham chiếu. Avatar 6, được HeyGen phát hành vào ngày 17 tháng 11 năm 2026, chỉ làm đúng một việc: tạo hoạt ảnh cho một người từ ảnh hoặc clip ngắn, được điều khiển bằng âm thanh do bạn cung cấp, và trả về video có độ phân giải tối đa 2K.

Vậy nên so sánh này là một lỗi phạm trù, và phiên bản hữu ích của nó là một câu hỏi thiết kế. Nếu bạn đang xây dựng thứ gì đó mà ở đó một con người xuất hiện trên màn hình và đảm nhận phần của mình trong cuộc trò chuyện, bạn cần cả hai loại hệ thống, và quyết định quan trọng là bạn sở hữu phía nào của stack. Đó là chỗ hai thứ này rẽ nhánh rõ rệt — một cái bạn có thể tải về, cái còn lại bạn chỉ có thể thuê.

Hai hồ sơ bằng chứng, cả hai đều trung thực về những giới hạn của mình

Realtime Venus xuất hiện theo cách nghiên cứu mở xuất hiện: một báo cáo arXiv (2609.13814), trọng số Apache-2.0 trên Hugging Face dưới inclusionAI/Realtime-Venus, hai checkpoint 9B và một trang dự án kèm demo. Không có bài đăng ra mắt, không có API, không có giá và không có benchmark nào được một bên ngoài tái tạo. Mọi con số gắn với nó đều đến từ báo cáo kỹ thuật mà các tác giả viết về mô hình của chính họ.

Avatar 6 đi kèm với bộ cơ chế ngược lại: một trang sản phẩm, hai định danh, một điểm cuối REST, một gói miễn phí và một báo cáo kỹ thuật mà các nghiên cứu sở thích của nó đều do HeyGen thực hiện trên chính những người đánh giá của HeyGen. Nó có một thứ mà Venus thiếu — một phép đo bên ngoài. Đấu trường mù của New Measure, công bố ngày 18 tháng 11, đã đưa nó lên vị trí đầu tiên trên cả hai bảng xếp hạng của mình với 1.197 và 1.237 Elo, trên các clip dài không quá 35 giây.

Hãy đọc cả hai con số tiêu đề như những tuyên bố thay vì phát hiện. Con số 84,4% của HeyGen là tỷ lệ thắng 42,2% khi so sánh song song được quy đổi theo mức cơ sở 50%; nghiên cứu một clip của chính họ đặt Avatar 6 ở mức 65,1% được đánh giá là thật so với 78,9% đối với đoạn phim chưa chỉnh sửa. Con số 97% tiếp tục backchannel của Venus đến từ Full-Duplex-Bench v1.5, một giao thức do chính các tác giả của nó lựa chọn. Không con số nào là gian dối, và cả hai đều chưa được nhân rộng bởi một bên không có gì để bán — mặc dù Avatar 6 ít nhất đã được những người xa lạ bỏ phiếu, trong khoảng nửa phút mỗi lần.

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.'

Mỗi hệ thống được làm từ gì

• Backbone — Avatar 6: không được tiết lộ; HeyGen mô tả đây là mô hình avatar thông minh nhất của mình và không ghi chép kiến trúc nào. Realtime Venus: một mô hình omni 9B với thị giác SigLIP2, âm thanh Whisper-Medium và backbone ngôn ngữ Qwen3-8B, được chuyển thể từ MiniCPM-o 4.5 theo thẻ mô hình.

• Phương thức đầu vào — Avatar 6: một ảnh tham chiếu hoặc một video tham chiếu kèm âm thanh giọng nói. Realtime Venus: luồng âm thanh và video liên tục, cùng ngữ cảnh tác vụ được ủy quyền.

• Đầu ra phương thức — Avatar 6: video có lời nói đồng bộ, lên đến 2880×1620 thông qua Model API. Realtime Venus: lời nói, văn bản và tín hiệu điều khiển; không có pixel.

• Thời lượng — Avatar 6: dài bằng âm thanh, với các lần render liên tục 25–28 phút đã được minh họa. Realtime Venus: một phiên đang chạy, với ngữ cảnh 40.960 token và bộ nhớ video dài không cần huấn luyện, lưu trữ và truy xuất các khung hình được chọn.

• Chuyển lượt nói — Avatar 6: không có. Nó thực hiện theo một kịch bản; không có ai để ngắt lời. Realtime Venus: song công hoàn toàn, với phản hồi khi bị ngắt có chừng mực và khả năng tiếp tục nói trong khi vẫn đáp lại qua kênh phụ.

• Truy cập — Avatar 6: REST API, yêu cầu sự đồng ý, tính phí bằng tín dụng HeyGen. Realtime Venus: trọng số trên Hugging Face và ModelScope, không có endpoint được lưu trữ sẵn, không có giá.

• Giấy phép — Avatar 6: điều khoản thương mại theo tài khoản HeyGen. Realtime Venus: Apache-2.0.

Dòng cuối cùng đó chính là dòng sắp xếp lại toàn bộ phép so sánh. Avatar 6 là một dịch vụ. Realtime Venus là một mô hình. Mọi thứ còn lại đều suy ra từ đó.

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.

Sự khác biệt trong mua sắm mới là sự khác biệt thực sự.

Nếu bạn muốn đưa Realtime Venus vào production, bạn tải nó về, cấp phát GPU và tự gánh bài toán serving. Hai checkpoint 9B, BF16, một bản export ONNX bên cạnh safetensors, một APK Android để thử nghiệm on-device, và một repository harness riêng cho vòng lặp delegation. Sẽ không ai gửi hóa đơn cho bạn và không ai deprecate endpoint của bạn, nhưng cũng không ai sửa độ trễ cho bạn. Với một nhóm nghiên cứu, đó là một điểm cộng. Với một nhóm sản phẩm, đó là một quý công việc trước khi có đầu ra hữu ích đầu tiên.

Nếu bạn muốn đưa Avatar 6 vào vận hành thực tế, bạn đăng ký, lấy khóa và gọi POST /v3/models/avatars với ảnh tham chiếu và URL âm thanh. Bạn nhận được video_id trả về trong phản hồi 202, bạn thăm dò định kỳ, và một URL đã ký xuất hiện. Luồng đồng thuận nặng nề hơn so với hầu hết nhà cung cấp áp đặt — video tham chiếu người thật chân thực cần quyền truy cập Enterprise và một tuyên bố trước camera có chứa mã dùng một lần riêng cho từng phiên — nhưng việc tích hợp chỉ mất một buổi chiều, không phải một quý.

Điều bạn không thể làm với Avatar 6 là định giá nó theo từng đơn vị. HeyGen công bố mức $0,02 mỗi giây cho HeyGen Video 1 và không có mức tương đương nào cho Avatar 6; trang giá công khai bán gói Creator với giá $29/tháng cho 600 credit và gói Pro với giá $49/tháng cho 1.000 credit, nhưng không công bố quy đổi từ credit sang giây. Realtime Venus gặp vấn đề ngược lại: chi phí biên của một cuộc gọi chính là hóa đơn tiền điện của bạn, còn chi phí cố định là một GPU mà bạn phải giải trình với ai đó.

Nơi cả hai thực sự sẽ gặp nhau

Hãy hình dung sản phẩm mà cả hai đều là thành phần của nó: một người đặt câu hỏi bằng giọng nói, một thứ gì đó quyết định sẽ nói gì, và một khuôn mặt nói lại điều đó với biểu cảm phù hợp cùng một cử chỉ ở từ quan trọng. Realtime Venus đảm nhận hai bước đầu — nó nghe bạn, quyết định khi nào nên nói, và có thể tiếp tục lắng nghe trong khi nói. Avatar 6 đảm nhận bước cuối cùng, và làm việc đó tốt hơn bất cứ thứ gì hiện đang có thể mua được, theo tổ chức đánh giá độc lập duy nhất đã xem xét.

Vấn đề nằm ở mối nối. Avatar 6 cần một tệp âm thanh hoàn chỉnh — video có độ dài bằng đoạn âm thanh bạn đưa vào, và không có chế độ truyền phát trực tiếp, không có đầu vào âm thanh một phần, không có cách nào để nối thêm. Realtime Venus tạo giọng nói dần dần, theo diễn biến cuộc trò chuyện. Kết nối chúng lại nghĩa là đệm đầu ra của Venus thành một phát ngôn hoàn chỉnh, gửi nó đến HeyGen, chờ một lần kết xuất mà đấu trường độc lập đo được trung bình là 175.6 giây, rồi phát lại một video được tạo ra sau khi thời điểm đó đã trôi qua. Đó không phải là một cuộc trò chuyện. Đó là một cuộc trò chuyện đặt hàng qua thư.

Đối với phiên bản thời gian thực, bạn cần một trình kết xuất tạo video ngay khi lời nói đến, và đó là một sản phẩm khác. Muse Realtime Avatar của Meta là ví dụ đang phát hành gần nhất; Tavus Griffin, đang trong giai đoạn xem trước nghiên cứu, là một ví dụ khác. Avatar 6 không phải như vậy, và HeyGen chưa bao giờ tuyên bố đó là như vậy — ngân sách độ trễ của nó là ngân sách xử lý theo lô, và dữ liệu của arena xác nhận điều đó: một trong mười lần kết xuất avatar cá nhân của HeyGen mất hơn chín phút rưỡi.

Venus đo được điều gì mà không thứ gì khác ở đây làm được

Những con số thú vị trên báo cáo Venus không phải là điểm chất lượng. Chúng là những con số về hành vi, và chúng mô tả một vấn đề mà Avatar 6 không gặp phải vì Avatar 6 không lắng nghe.

Full-Duplex-Bench v1.5 đạt tỷ lệ tiếp tục 97% đối với backchannel của người dùng, 88% đối với lời nói hướng tới người khác và 86% đối với lời nói nền, cùng với tỷ lệ phản hồi riêng là 75% đối với các ngắt lời thực sự. Ý nghĩa của bốn con số đó khi đặt cùng nhau là mô hình phân biệt được “mm-hm” với “wait, stop” — mô hình tiếp tục qua trường hợp đầu và nhường lại ở trường hợp thứ hai. Kết quả hiểu đạt 70,2% trên StreamingBench, 64,7% trên OVO-Bench, 81,3% trên Daily-Omni và 78,0% trên MMAU audio. Độ chính xác ủy thác trên bộ đánh giá nội bộ của nhóm là 75,93% đối với checkpoint Omni và 68,89% đối với checkpoint Audio, chỉ số này đo việc mô hình có quyết định chuyển giao một tác vụ một cách đúng đắn hay không, chứ không đo việc tác vụ đó có thành công hay không.

Đó là những mục tiêu kỹ thuật hữu ích cho bất kỳ ai xây dựng một tác nhân hội thoại, và chúng chưa được tái lập. Cách diễn giải trung thực là Venus là một đường cơ sở mở đáng tin cậy cho hành vi song công toàn phần, được công bố kèm trọng số để có thể kiểm chứng tuyên bố đó, và rằng chưa ai ngoài Ant Group và Tsinghua công bố một kiểm chứng.

OrcaRouter nằm ở đâu

Cả hai thứ này đều không phải của chúng ta để bán. Realtime Venus là weights và một bài báo, không có gì đứng sau lắng nghe cả; Avatar 6 là renderer của HeyGen, bị kiểm soát bởi luồng đồng ý của HeyGen và được thanh toán bằng tín dụng HeyGen. Một bài chào về định tuyến mà làm mờ một trong hai ranh giới đó sẽ là lời nói dối, và đó là kiểu lời nói dối lộ ra ngay trong sprint đầu tiên chứ không phải trong một bản chào bán.

Điều chúng tôi thực sự cung cấp là chặng suy luận được ủy thác mà cả hai kiến trúc đều phụ thuộc vào. Thiết kế của chính Venus định tuyến các tác vụ nền tới một mô hình đa phương thức, một mô hình tổng quát hoặc một kỹ năng đã đăng ký; kịch bản của Avatar 6 phải do một thứ gì đó viết ra. Lớp đó chính là nơi một khóa duy nhất cho hơn 200 mô hình, theo giá niêm yết của nhà cung cấp mà không có phụ phí, và với chuyển đổi dự phòng tự động, thực sự loại bỏ công việc — bởi vì đó là phần duy nhất trong cả hai quy trình mà ở đó bạn có quyền lựa chọn nhà cung cấp.

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.

Bài đọc vẫn trụ vững khi tiếp xúc với lộ trình

Nếu vấn đề của bạn là “chúng tôi cần một người dẫn chương trình trên màn hình nói đúng lời của chúng tôi, ở quy mô lớn, trong quý này”, thì Avatar 6 là câu trả lời và Realtime Venus không nằm trong cuộc thảo luận. Hãy chấp nhận ba ẩn số — không có giá công bố theo giây, không có bài kiểm tra độc lập nào vượt quá 35 giây, và thời gian kết xuất điển hình tính bằng phút — và chạy thử nó.

Nếu vấn đề của bạn là “chúng ta cần một thứ có thể duy trì một cuộc hội thoại bằng lời nói và quyết định khi nào nên nói,” thì Realtime Venus là một baseline mở nghiêm túc còn Avatar 6 không liên quan, vì nó không có tai. Hãy lấy các trọng số Apache-2.0, tính toán chi phí phục vụ, và coi mọi điểm số được báo cáo là của chính các tác giả cho đến khi có ai đó tái lập được nó.

Nếu vấn đề của bạn là “cả hai” — một gương mặt biết trò chuyện — thì không cái nào trong hai thứ này là sản phẩm, và khoảng trống giữa chúng chính là nơi mười hai tháng tới của phân khúc này sẽ diễn ra cuộc chiến. Trình kết xuất truyền phát, được điều khiển bởi một bộ lắng nghe đưa ra quyết định, ở mức giá bạn có thể mô hình hóa: chưa ai tung ra thị trường cái đó. Khi có ai làm được, trang này sẽ cần được viết lại.