
Avatar 6 與 Realtime Venus:渲染器與監聽器,一場搞錯對象的比較
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 180 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 98 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 114 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
把 Avatar 6與Realtime Venus放在同一個句子裡,首先必須說明的是,其中一個無法讓你看到臉。Realtime Venus 是 Ant Group 的全雙工互動模型——一個 9B 系統,能在說話時同時聆聽,並結合它所見的內容來理解聲音,還能在背景中委派工作。它的輸出是語音與決策。它不生成影片、不渲染主播,也沒有參考圖像的概念。HeyGen 於 2026 年 11 月 17 日發布的 Avatar 6 只做一件事:根據你提供的音訊,讓照片或短片裡的人物動起來,並回傳最高 2K 的影片。
所以這個比較是範疇上的錯誤,而它有用的版本是一個設計問題。如果你正在打造某個東西,讓真人出現在螢幕上、並撐起對話中屬於他的那一半,那你兩種系統都需要,而真正關鍵的決定是:堆疊的哪一側是由你掌握的。這正是這兩者急遽分歧的地方——一個你可以下載,另一個你只能租用。
兩套證據資料,兩者都坦誠面對自身的局限
Realtime Venus 的登場方式,就如同開放研究登場的方式:一份 arXiv 報告(2609.13814)、在 Hugging Face 上以 Apache-2.0 釋出、位於 inclusionAI/Realtime-Venus 的權重、兩個 9B 檢查點,以及一個附有示範的專案頁面。沒有發布貼文、沒有 API、沒有價格,也沒有任何由外部第三方重現過的基準測試。所有附在它身上的數字,都來自作者針對自家模型所寫的技術報告。
Avatar 6 配備的卻是截然相反的一套機制:產品頁面、兩個識別碼、一個 REST 端點、一個免費方案,以及一份技術報告,而其偏好研究全由 HeyGen 使用 HeyGen 自家的評分員執行。它確實具備 Venus 缺少的一項東西——外部量測。New Measure 的盲測競技場於 11 月 18 日發布,讓它在兩個排行榜上都名列第一,Elo 分別為 1,197 與 1,237,評測片段長度不超過 35 秒。
請把這兩個頭條數字都視為主張,而非研究發現。HeyGen 的 84.4% 是 42.2% 的並排比較勝率以 50% 基準重新換算而來;其自家單一片段研究顯示,Avatar 6 有 65.1% 被判定為真實,而未經編輯的影片素材則為 78.9%。Venus 的 97% 附和式續接率來自 Full-Duplex-Bench v1.5,這是其作者自行選擇的協定。這兩個數字都算不上不誠實,也都尚未被任何沒有商業利益可圖的第三方重現——不過 Avatar 6 至少曾被陌生人投票,每次半分鐘。

每個系統由什麼組成
• 骨幹 — Avatar 6:未披露;HeyGen 將其描述為最聰明的虛擬人模型,且未記載任何架構。Realtime Venus:一個 9B 全模態模型,配備 SigLIP2 視覺、Whisper-Medium 音訊與 Qwen3-8B 語言骨幹,依據模型卡改編自 MiniCPM-o 4.5。
• 輸入模態 — Avatar 6:一張參考圖像,或一段參考影片加上語音音訊。Realtime Venus:連續的音訊與視訊串流,加上委派任務脈絡。
• 輸出模態 — Avatar 6:具同步語音的影片,透過 Model API 最高可達 2880×1620。Realtime Venus:語音、文字與控制訊號;無像素。
• 時長 — Avatar 6:與音訊等長,已展示 25 至 28 分鐘的連續渲染。Realtime Venus:可持續運行的會話,具備 40,960 個 token 的上下文,以及免訓練的長影片記憶,能儲存並擷取選定的影格。
• 輪流發言 — Avatar 6:無。它只是執行腳本;沒有任何人可以打斷。Realtime Venus:全雙工,具備經過調校的打斷回應,並且能在對方發出反饋訊號(backchannel)時繼續說話。
• 存取 — Avatar 6:REST API,須經同意授權,以 HeyGen 點數計費。Realtime Venus:權重置於 Hugging Face 與 ModelScope,無託管端點,亦無定價。
• 授權 — Avatar 6:依 HeyGen 帳戶之商業條款。Realtime Venus:Apache-2.0。
最後那一列才是重新整理比較的關鍵。{{1}}Avatar 6{{/1}}是一項服務。{{2}}Realtime Venus{{/2}}是一個模型。其餘的一切都由此而來。

採購差異才是真正的差異
如果你想在生產環境中使用 Realtime Venus,就得自行下載它、配置 GPU,並自行承擔服務問題。兩個 9B checkpoint、BF16、與 safetensors 並列的 ONNX 匯出、用於裝置端實驗的 Android APK,以及用於委派迴圈的獨立 harness 儲存庫。沒有人會向你收費,也沒有人會淘汰你的端點,但同樣沒有人會幫你修正延遲。對研究團隊而言,這是一項特性。對產品團隊而言,這是在產生第一個有用輸出之前的一季工作量。
若想在正式環境中導入 Avatar 6,你需要註冊、取得金鑰,並附上參考圖片和音訊 URL 呼叫POST /v3/models/avatars。你會收到一個 video_id,回應碼為 202;接著輪詢,就會出現已簽署的 URL。同意流程比多數廠商要求的更繁重——逼真的人類參考影片需要 Enterprise 存取權,以及一段包含特定工作階段一次性代碼的鏡頭前聲明——但整合只需一個下午,不是一季。
Avatar 6 做不到的事,就是按單位計價。HeyGen 公布 HeyGen Video 1 為每秒 0.02 美元,卻沒有公布 Avatar 6 的等效價格;公開定價頁面以每月 29 美元販售含 600 點數的 Creator,並以每月 49 美元販售含 1,000 點數的 Pro,且未公布點數與秒數的換算方式。Realtime Venus 則有相反的問題:每次通話的邊際成本是你的電費帳單,而固定成本是一張你必須向某人交代的 GPU。
兩者實際上會在哪裡交會
想像一下這兩者共同組成的那個產品:一個人用語音提出問題,某個東西決定該說什麼,然後一張臉帶著正確的表情、並在重點詞上配上手勢把它說回來。Realtime Venus 涵蓋前兩個步驟——它聽得見你、決定何時開口,而且能在說話時繼續聆聽。Avatar 6 涵蓋最後一個步驟,而且根據目前唯一檢視過它的獨立評測榜,它做得比市面上任何其他可買到的東西都好。
問題出在接縫處。Avatar 6 需要一個完整的音訊檔案——影片長度會等於你交給它的音訊長度,而且沒有串流模式、沒有部分音訊輸入、也無法追加。Realtime Venus 會隨著對話推進逐步產生語音。要把它們接起來,就意味著要把 Venus 的輸出緩衝成一句完整話語,送到 HeyGen,等一輪由獨立評測場測得通常要 175.6 秒的渲染完成,然後播放一段在當下時刻早已過去之後才生成的影片。那不算對話。那是郵購式對話。
至於即時版本,你需要一個能在語音陸續送達時同步生成影片的渲染器,而那是另一種產品。Meta 的 Muse Realtime Avatar 是最接近的已推出範例;處於研究預覽階段的 Tavus Griffin 則是另一個。Avatar 6 並不是那樣的東西,而 HeyGen 也從未聲稱它是——它的延遲預算是一種批次處理預算,而競技場的數據也印證了這點:HeyGen 的個人化分身渲染中,每十次就有一次耗時超過九分半鐘。
金星能測量到、而這裡其他任何東西都測量不到的事物
Venus 報告上那些有趣的數字不是品質分數。它們是行為方面的數字,而它們描述的是一個 Avatar 6 沒有的問題,因為 Avatar 6 並沒有在聽。
Full-Duplex-Bench v1.5 在使用者附和時給出 97% 的接續率,對他人說話時為 88%,背景語音時為 86%,而對真正打斷另有 75% 的回應率。這四個數字合在一起的意義是:模型能區分「嗯哼」和「等等,停」,對前者會繼續進行,對後者則會讓出。理解結果在 StreamingBench 上為 70.2%,在 OVO-Bench 上為 64.7%,在 Daily-Omni 上為 81.3%,在 MMAU 音訊上為 78.0%。團隊內部基準上的委派準確率,Omni 檢查點為 75.93%,Audio 檢查點為 68.89%,這衡量的是模型是否正確決定將任務交派出去,而不是任務是否成功。
對任何打造對話代理的人來說,這些都是有用的工程目標,而且它們尚未被重現。誠實的解讀是:Venus 是全雙工行為的一個可信開放基準,並隨其權重一併發布,以便檢驗該主張;而除了 Ant Group 和 Tsinghua 之外,沒有人發表過檢驗。
OrcaRouter 所在的位置
這兩者都不是我們能賣的。Realtime Venus 是權重加上一篇論文,背後沒有任何服務在運作;Avatar 6 是 HeyGen 的渲染器,受 HeyGen 的同意流程把關,並以 HeyGen 點數付費。任何模糊這兩條界線的路由提案都會是謊言,而且是那種會在你第一個衝刺週期浮現、而不是在銷售簡報裡浮現的謊言。
我們真正提供服務的,是這兩種架構都依賴的委派推理環節。Venus 本身的設計會把背景任務導向多模態模型、通用模型或已註冊技能;Avatar 6 的腳本也必須由某個東西來撰寫。而這個環節,正是用一把金鑰橫跨 200 多個模型,依供應商定價且不加價,並具備自動容錯移轉,才真正減少工作量——因為在兩套流程中,這是唯一能讓你選擇供應商的部分。

經得起路線圖考驗的解讀
If your problem is "we need a presenter on screen saying our words, at scale, this quarter," Avatar 6 is the answer and Realtime Venus is not in the conversation. Accept the three unknowns — no published per-second price, no independent test beyond 35 seconds, and a typical render time measured in minutes — and pilot it.
如果你的問題是「我們需要一個能進行口語對話並決定何時開口說話的東西」,Realtime Venus 是一個認真的開放基線,而 Avatar 6 則無關緊要,因為它沒有耳朵。採用 Apache-2.0 授權的權重,為服務成本做好規劃,並且在有人重現之前,把每一項回報的分數都視為作者自己的說法。
如果你的問題是「兩者兼具」——一張能對話的臉——那麼這兩者都不是那個產品,而它們之間的落差,正是未來十二個月這個類別要爭奪的戰場。能串流、由負責決策的監聽器驅動、且價格可讓你建模的渲染器:目前還沒有人推出。等有人推出時,這個頁面就需要重寫。
