為文章《Avatar 6 vs Realtime Venus》生成的一張標題卡,附有引題「AVATAR 模型比較」、大標題「Avatar 6 vs Realtime Venus」、副標題「一個渲染器與一個監聽器,被錯誤地拿來比較」,以及三張膠囊卡片,分別寫著「影片,最高 2K」、「語音,Apache-2.0」和「不同用途」。
Engineering & Research

Avatar 6 與 Realtime Venus:渲染器與監聽器,一場搞錯對象的比較

作者

Elias Hawthorne

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

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。

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。

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.

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。

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.

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。