为文章《Avatar 6 vs Realtime Venus》生成的一张标题卡,眉题为“AVATAR 模型对比”,大标题为“Avatar 6 vs Realtime Venus”,副标题为“一个渲染器和一个监听器,被误拿来比较”,还有三张胶囊形卡片,分别写着“视频,最高 2K”“语音,Apache-2.0”和“不同的工作”。
Engineering & Research

Avatar 6 与 Realtime Venus:一个渲染器和一个监听器,被错误地拿来比较

作者

Elias Hawthorne

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

把 Avatar 6 和 Realtime Venus放在同一句话里,首先要说的是,它们当中有一个无法向你展示人脸。Realtime Venus 是 Ant Group 的全双工交互模型——一个 9B 系统,能边说边听,结合它所看到的内容来理解声音,并在后台分派任务。它的输出是语音和决策。它不生成视频,不渲染主持人,也没有参考图像的概念。Avatar 6 由 HeyGen 于 2026 年 11 月 17 日发布,只做一件事:根据你提供的音频,用一张照片或一段短片让一个人动起来,并返回最高 2K 的视频。

因此,这种比较是范畴错误,而它有用的版本是一个设计问题。如果你正在构建某种人类出现在屏幕上并承担对话中自己那一方的系统,那么两类系统你都需要,而真正重要的决策是你拥有技术栈的哪一侧。这正是这两者急剧分化之处——一个可以下载,另一个只能租用。

两份证据集,都坦承各自的局限

Realtime Venus 的到来方式,正如开放研究一贯的到来方式:一份 arXiv 报告(2609.13814)、在 Hugging Face 上以 Apache-2.0 许可发布的权重,托管在 inclusionAI/Realtime-Venus,另有两个 9B 检查点,以及一个包含演示的项目页面。没有发布文章,没有 API,没有定价,也没有任何由外部方复现过的基准测试。所有与它相关的数字,都来自作者为自己模型撰写的技术报告。

Avatar 6 配备的却是另一套东西:一个产品页面、两个标识符、一个 REST 端点、一个免费套餐,以及一份技术报告,其中的偏好研究全部由 HeyGen 使用自家评分员完成。它确实有一项 Venus 所缺少的东西——一项外部测量。New Measure 于 11 月 18 日发布的盲测竞技场,让它在自己的两个榜单上都位列第一,Elo 分别为 1,197 和 1,237,评测片段均不超过 35 秒。

请把这两个头条数字视为宣称,而非研究发现。HeyGen 的 84.4% 是将 42.2% 的并排对比胜率以 50% 为基线重新换算后的结果;其自家的单片段研究显示,Avatar 6 被判定为真实的比例为 65.1%,而未剪辑素材为 78.9%。Venus 的 97% 反馈性回应延续率来自 Full-Duplex-Bench v1.5,而这是其作者自行选择的协议。这两个数字都不算不诚实,也都尚未由无利益可图的第三方复现——不过 Avatar 6 至少被陌生人投过票,每次半分钟。

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.'

每个系统由什么构成

• 主干 — Avatar 6:未披露;HeyGen 将其描述为其最智能的虚拟形象模型,且未记录任何架构。Realtime Venus:一个 9B 全模态模型,采用 SigLIP2 视觉、Whisper-Medium 音频和 Qwen3-8B 语言主干,根据模型卡改编自 MiniCPM-o 4.5。

• 输入模态 — Avatar 6:一张参考图像或一段参考视频加语音音频。Realtime Venus:连续的音频流和视频流,外加委派的任务上下文。

• 输出模态 — Avatar 6:带同步语音的视频,通过 Model API 最高支持 2880×1620。Realtime Venus:语音、文本和控制信号;无像素。

• 时长——Avatar 6:与音频等长,已演示 25 至 28 分钟的连续渲染。Realtime Venus:一个运行中的会话,具有 40,960 个 token 的上下文和免训练的长视频记忆,可存储并检索选定帧。

• 话轮转换——Avatar 6:无。它只是执行脚本,没有人可以打断它。Realtime Venus:全双工,具备可量化的打断响应,并能在对方发出应声时继续说话。

• 访问方式 — Avatar 6:REST API,需经同意授权,按 HeyGen 积分计费。Realtime Venus:权重发布于 Hugging Face 和 ModelScope,无托管端点,无定价。

• 许可 — Avatar 6:适用 HeyGen 账户下的商业条款。Realtime Venus:Apache-2.0。

最后一行才是重新梳理这项比较的关键。Avatar 6 是一项服务。Realtime Venus 是一个模型。其余一切都由此而来。

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.

采购上的差异才是真正的差异

如果你想在生产环境中使用 Realtime Venus,就需要自行下载、配置 GPU,并自行承担服务化难题。两个 9B 检查点、BF16、与 safetensors 一同提供的 ONNX 导出、用于设备端实验的 Android APK,以及用于委派循环的独立 harness 仓库。没有人会给你寄账单,也没有人会弃用你的端点,但同样没有人会帮你解决延迟问题。对研究团队来说,这是一项特性。对产品团队来说,这意味着在获得第一个有用输出之前,要先投入一个季度的工作量。

如果你想在生产环境中使用 Avatar 6,就注册、获取密钥,并调用 POST /v3/models/avatars,传入参考图像和音频 URL。你会收到一个 video_id,它会随 202 响应返回;然后进行轮询,签名 URL 就会出现。同意流程比大多数供应商要求的更繁重——逼真的真人参考视频需要 Enterprise 访问权限,以及一段包含会话专属一次性代码的镜头前声明——但集成只需一个下午,而不是一个季度。

对于 {{1}}Avatar 6{{/1}},你无法做到的是按单位定价。HeyGen 公布 HeyGen Video 1 为每秒 0.02 美元,而 Avatar 6 没有对应的价格;公开定价页面上,Creator 为每月 29 美元、包含 600 个积分,Pro 为每月 49 美元、包含 1,000 个积分,且未公布积分与秒数的换算。Realtime Venus 的问题正好相反:一次调用的边际成本是你的电费,而固定成本是一块你还得向某人解释其必要性的 GPU。

两者实际会相遇的地方

设想一下这两者共同构成的产品:一个人用语音提问,某个东西决定该说什么,然后一张脸用恰当的表情把话说回来,并在关键词上配一个手势。Realtime Venus 覆盖前两步——它听见你,决定何时开口,并且能在说话时继续聆听。Avatar 6 覆盖最后一步,而且根据唯一对其进行过评估的独立评审机构,它做得比目前市面上能买到的任何东西都好。

问题出在接缝处。Avatar 6 需要一个完整的音频文件——视频时长取决于你交给它的音频有多长,而且它没有流式模式,不支持部分音频输入,也无法追加。Realtime Venus 则会随着对话推进逐步生成语音。要把两者接起来,就意味着得把 Venus 的输出缓冲成一段完整话语,发送给 HeyGen,等待一次渲染——独立评测机构测得其典型耗时为 175.6 秒——然后再播放一段在时机早已过去之后才生成的视频。那不是对话。那是邮购式对话。

对于实时版本,你需要一个能在语音到达时生成视频的渲染器,而那是另一种产品。Meta 的 Muse Realtime Avatar 是最接近的已上市示例;处于研究预览阶段的 Tavus Griffin 是另一个。Avatar 6 并非如此,HeyGen 也从未声称它是——它的延迟预算是批处理预算,而竞技场的数据也印证了这一点:HeyGen 每十次个人头像渲染中就有一次耗时超过九分半钟。

金星测量到的、这里其他任何事物都测不到的东西

Venus 报告上值得关注的数字并不是质量评分。它们是与行为有关的数字,描述的是 Avatar 6 并不存在的问题,因为 Avatar 6 根本没有在听。

Full-Duplex-Bench v1.5 在用户附和语上的续接率为 97%,针对他人说的话为 88%,背景语音为 86%,另有对真实打断的 75% 响应率。这四个数字放在一起说明,模型能区分“嗯哼”和“等等,停下”——它会越过前者继续,而对后者让出话轮。理解测试结果在 StreamingBench 上为 70.2%,在 OVO-Bench 上为 64.7%,在 Daily-Omni 上为 81.3%,在 MMAU 音频上为 78.0%。团队内部基准上的委派准确率,Omni 检查点为 75.93%,Audio 检查点为 68.89%;该指标衡量的是模型是否正确决定将任务移交出去,而不是任务是否成功。

对于任何构建对话智能体的人来说,这些都是有用的工程目标,而且它们尚未被复现。诚实的解读是:Venus 是全双工行为的一个可信的开放基线,其权重已随发布公开,因此该主张可以被检验;而在蚂蚁集团和清华大学之外,还没有人发表过检验结果。

OrcaRouter 位于何处

这两者都不是我们可以出售的。Realtime Venus 是权重和一篇论文,背后没有任何在监听的服务;Avatar 6 是 HeyGen 的渲染器,受 HeyGen 的同意流程约束,并用 HeyGen 积分付费。任何模糊这两条界线的路由方案都是谎言,而且这种谎言会在你的第一个冲刺中暴露,而不是在销售演示中。

我们真正提供的,是两种架构都依赖的委托推理环节。Venus 自身的设计会将后台任务路由到多模态模型、通用模型或已注册技能;Avatar 6 的脚本也得由某种东西来编写。这一层正是用一个密钥覆盖 200+ 模型、按供应商标价且无加价,并具备自动故障转移,从而真正减少工作量的地方——因为它是这两条流水线中唯一可以让你选择供应商的部分。

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.

经得起路线图检验的解读

如果你的问题是“我们需要一个能在屏幕上说出我们的话的虚拟形象,而且要规模化、就在本季度”,那么 Avatar 6 就是答案,Realtime Venus 根本不在讨论范围内。接受这三个未知因素——没有公布每秒钟的价格、没有超过 35 秒的独立测试、典型渲染时间以分钟计——然后先做试点。

如果你的问题是“我们需要一个能进行语音对话并决定何时说话的东西”,那么 Realtime Venus 是一个严肃的开源基线,而 Avatar 6 则无关紧要,因为它没有耳朵。采用 Apache-2.0 权重,为服务成本做好规划,并且在有人复现之前,把每一个报告的分数都视为作者自己的结果。

如果你的问题是“两者都要”——一张能对话的脸——那么这两者都不是产品,而它们之间的空白,正是未来十二个月这个品类将展开争夺的地方。由负责判断的监听器驱动、以可建模的价格进行流式渲染的渲染器:还没有人把它做出来并交付。等有人做到了,这一页就需要重写。