Porównanie modeli awatarów AI działających w czasie rzeczywistym: opóźnienie, architektura i koszt

Architektura, definicje opóźnień, transport, ceny i powtarzalny sposób ich samodzielnej oceny

Każdy dostawca awatarów działających w czasie rzeczywistym publikuje liczbę opóźnień. Anam mówi, że rozmowa trwa mniej niż 1 sekundę i jest generowane po stronie serwera ~150 ms. Tavus mówi poniżej 600 ms. Beyond Presence mówi poniżej 100 ms. Simli mówi poniżej 300 ms. LemonSlice mówi 471 ms. Ojin mówi poniżej 200 ms.

Żadna z tych liczb nie jest kłamstwem. Prawie żaden z nich nie mierzy tego samego.

To jest główny problem związany z wyborem dostawcy awatarów działających w czasie rzeczywistym w 2026 r. i dlatego zespoły rutynowo wybierają jednego z arkuszy specyfikacji, integrują go, a następnie odkrywają, że działanie jest wolniejsze niż obiecano. W tym artykule podjęto próbę naprawienia tego problemu: czym właściwie są te systemy, czym różnią się modele pod względem architektury, co tak naprawdę mierzy każda z opublikowanych wartości opóźnień, ile kosztują, gdy spojrzymy poza nagłówkową stawkę, oraz — co jest najbardziej przydatne — protokół testowy, który można uruchomić samodzielnie w jedno popołudnie.

Dwa produkty o tej samej nazwie

Zanim cokolwiek porównasz, podziel kategorię na dwie części. Prawie każdy dostawca sprzedaje jeden lub oba z poniższych produktów i nie są one substytutami.

Interfejs API agenta. Dostawca jest właścicielem całego stosu: rozpoznawania mowy, modelu języka, zamiany tekstu na mowę, renderowania, transportu i zwykle pulpitu nawigacyjnego z polem podpowiedzi i bazą wiedzy. Konfigurujesz osobę i upuszczasz widżet na stronę. Szybka wysyłka, minimalna kontrola, a jakość rozmowy jest ograniczona wyborem modeli przez dostawcę.

Interfejs API audio-wideo. Zakres dostawcy ogranicza się do jednego zadania: odbierania dźwięku agenta i zwracania strumienia wideo zsynchronizowanego z ruchem warg w czasie rzeczywistym. Przynosisz własną zamianę mowy na tekst, własny LLM, własny głos i własną orkiestrację – zazwyczaj Pipecat lub agentów LiveKit. Jest to model „warstwy twarzy” i z niego właśnie korzysta większość zespołów tworzących poważny produkt, ponieważ awatar staje się opcjonalną warstwą interfejsu nałożoną na już działającego agenta głosowego.

To rozróżnienie ma znaczenie także komercyjne. Beyond Presence pobiera dokładnie podwójną opłatę za tryb agenta w porównaniu z trybem mowy na wideo. Tryb Lite HeyGen (przynosisz mózg) jest mniej więcej o połowę tańszy niż tryb Pełny.

Przydatna zasada: najpierw zbuduj agenta głosowego i opracuj go dobrze, a następnie dodaj twarz. Zespoły, które zaczynają od awatara, zwykle kończą z pięknym systemem, który mówi nieprzydatne rzeczy.

Jak te modele faktycznie działają

Obecnie w fazie produkcji znajdują się trzy zasadniczo różne podejścia do renderowania, a różnice są widoczne w istotny sposób.

Dyfuzja w przestrzeni pikseli

Dominujące podejście. Model dyfuzyjny generuje klatki wideo bezpośrednio, uwarunkowane dźwiękiem sterującym i tożsamością odniesienia. Tavus opisuje Phoenix-4 jako model dyfuzji Gaussa; LemonSlice wykorzystuje transformator dyfuzyjny. Ponieważ model generuje piksele, a nie napędza platformę, może generować mimikę, mikroruchy i gesty dłoni, których nie posiadał żaden model z osprzętem. Jest to również podejście wymagające największych obliczeń i dlatego w tej kategorii obowiązują ceny za minutę.

Rozpryskiwanie Gaussa i wyuczone reprezentacje

Simli renderuje na podstawie reprezentacji rozprysków Gaussa, a nie generowania pełnej przestrzeni pikseli. Kompromis jest widoczny w obu kierunkach: koszt minuty Simli jest mniej więcej o rząd wielkości niższy od dostawców rozpraszania pikseli, a niezależni recenzenci konsekwentnie sygnalizują jego bezczynność — okrężne ruchy oczu, mechaniczne obracanie głowy, słabe przejścia między słuchaniem a mówieniem.

Renderowanie 3D

Uneeq tworzy wolumetryczne cyfrowe postacie w silniku Unreal Engine i dostarcza je poprzez WebRTC ze strumieniowaniem pikseli. Stos ACE firmy NVIDIA podąża powiązaną ścieżką: jego Audio2Face-3D mikrousługa konwertuje mowę do kształtów mieszanych ARKit, które sterują znakami 3D i jest dostarczana jako kontener NIM do samodzielnego hostowania w ramach licencji NVIDIA AI Enterprise. Żadnego z nich nie pomylisz ze zdjęciem. W zamian otrzymujesz pełną oprawę graficzną, deterministyczne zachowanie, stylizowane postacie inne niż ludzkie i — w przypadku usługi NVIDIA — jedyną opcję z naprawdę własnym hostingiem na najwyższym poziomie.

Tworzenie awatarów: zdjęcie kontra wideo

To po cichu stało się największym praktycznym wyróżnikiem. Dwa lata temu każdy dostawca wymagał dwuminutowego nagrania w studiu. Teraz Cara-4, Simli, LemonSlice, Hedra, Ojin i bitHuman firmy Anam mogą wygenerować awatara z pojedynczego zdjęcia, bez konieczności przeprowadzania etapu szkolenia. Tavus i HeyGen nadal tworzą swoje najwyższej jakości niestandardowe awatary na podstawie nagranego wideo, co zajmuje dni, a nie sekundy, ale rejestruje dane twarzy pod różnymi kątami, które muszą wywnioskować modele z jednym obrazem.

Kompromis jest prawdziwy. Generowanie pojedynczych zdjęć pozwala w ciągu jednego popołudnia zakręcić setką osób. Repliki wyszkolone za pomocą wideo nadal lepiej wytrzymują badanie, ponieważ model widział, jak osoba odwraca głowę.

Sześć różnych rzeczy zwanych „opóźnieniem”

Oto tabela, która powinna znajdować się na stronie cenowej każdego dostawcy, a jej nie ma.

Co się mierzy	Od → do	Typowy opublikowany zakres	Czy użytkownik to czuje?
Generowanie po stronie serwera	Nadchodzi fragment audio → wyprodukowano klatkę wideo	100–250 ms	Tylko jako część całości. Najmniejszy element.
Opóźnienie wnioskowania przesyłania strumieniowego	Tylko wewnątrz pętli renderowania	Poniżej 100 ms	Nie. Całkowicie wyklucza sieć.
Wnioskowanie TTFB	Żądanie → pierwszy bajt wyniku	Deklarowano ~470 ms	Częściowo. Nie obejmuje poprzedzających go LLM i TTS.
Globalne opóźnienie awatara	Obejmuje wyjście sieciowe do klienta	~250 ms	Bliżej. Nadal wyklucza stos rozumowania.
Opóźnienie rozmowy od końca do końca	Użytkownik przestaje mówić → awatar zaczyna mówić	600 ms – 1,5 s	Tak. To jest to, co ma znaczenie.
Przewidywanie podłóg / wykonywanie skrętów	Jak szybko system uzna, że skończyłeś	55–300 ms	Tak, i często jest to największy fragment do odzyskania.

Dostawca podający 100 ms i sprzedawca podający 1 sekundę mogą opisywać ten sam system. Pierwszym z nich jest pomiar pętli renderowania; drugi mierzy cały obrót konwersacyjny. Porównując dostawców, nalegaj na piąty wiersz, mierzony na podstawie nagrań audio i wideo na jednym zegarze – i poproś o p95, a nie tylko medianę.

Jest jeszcze jeden numer, którego nikt nie publikuje, a który każdy powinien: czas do pierwszej klatki po dołączeniu do sesji. W kiosku lub kabinie różnica między osobą wchodzącą a pojawieniem się twarzy jest najpoważniejszym opóźnieniem w całym systemie, a niezależni recenzenci zauważyli, że kilku dostawców powoli przyłącza się, nawet jeśli ich opóźnienie w trakcie rozmowy jest dobre.

Które opóźnienie faktycznie przewiduje satysfakcję

Jedyna opublikowana do tej pory ślepa ocena tej kategorii przeprowadzona przez stronę trzecią objęła 178 uczestników i wykazała, że responsywność była najsilniejszym pojedynczym czynnikiem predykcyjnym ogólnego doświadczenia – korelacja Spearmana na poziomie 0,697 – przed jakością wizualną, która znalazła się na drugim miejscu. Warto przyswoić sobie ten wynik, zanim spędzisz tydzień na porównywaniu tekstury skóry. Użytkownicy nie rzetelnie zauważają, który model renderuje się lepiej. Natychmiast zauważają, który z nich odpowiada szybciej.

Dostawcy

Poniższe dane zostały opublikowane przez każdego dostawcę lub zgłoszone przez zewnętrznych recenzentów według stanu na sierpień 2026 r. Ceny awatarów w czasie rzeczywistym szybko się zmieniały i będą się zmieniać; traktuj każdą liczbę jako punkt wyjścia do własnego pomiaru, a nie specyfikację.

Anam

Anam to londyński spin-out założony w 2023 roku przez byłego pracownika Synthesia. Model Cara-4, wypuszczony na rynek w lipcu 2026 r., generuje awatara konwersacyjnego z jednego zdjęcia przy 25 kl./s, uzyskując rozdzielczość 1152 × 768 w poziomie i 768 × 1152 w pionie. Anam publikuje średnie opóźnienie konwersacji poniżej 1 sekundy przy generowaniu po stronie serwera około 150–180 ms, obsługuje ponad 70 języków, zapewnia własne LLM i wyświetla listę SOC 2 typu II, HIPAA i RODO przy zerowej retencji danych. Transport to WebRTC przez Pion. W badaniu, w którym wzięło udział 178 uczestników, zajął pierwsze miejsce pod względem jakości obrazu, synchronizacji warg, naturalności i szybkości reakcji.

Konsekwentna, niezależna krytyka nie dotyczy modelu — recenzenci opisują mikroekspresje Cara-4 jako najlepsze w swojej klasie — ale hydraulikę: powolne dołączanie do sesji i słabe zachowanie przy ograniczonej przepustowości. Integracja LiveKit w przeszłości wymagała obejścia.

Tavus

Laboratorium badawcze w San Francisco, absolwent YC, założone w 2020 r. Tavus sprzedaje w całości Konwersacyjny interfejs wideo zamiast warstwy renderującej zbudowanej z trzech zastrzeżonych modeli: Feniks-4 do renderowania, Kruk-1 dla percepcji (spojrzenie, ekspresja, kontekst środowiskowy) i Sparrow-1 dla przepływu konwersacji, który raportuje Tavus przy średnim opóźnieniu przewidywania minimalnego poziomu wynoszącym 55 ms. Publiczne roszczenia dotyczące opóźnień wynoszą mniej niż 600 ms. Transport odbywa się codziennie, WebRTC; był jednym z pierwszych, którzy dostarczyli wtyczkę awatara LiveKit. Niestandardowe repliki pochodzą z dwuminutowego nagrania i zajmują 3–5 dni w przypadku standardowych planów, 24 godziny w przypadku przedsiębiorstw.

Tavus to najbardziej zintegrowana pionowo opcja – percepcja, wykonywanie skrętów, renderowanie, LLM, TTS i WebRTC – wszystko wliczone w cenę za minutę – a także najdroższa. Ocena jednego z kupujących wykazała, że ​​generowanie niestandardowego awatara osiągnęło mniej więcej 66% ukończenia, zanim wystąpił błąd i wymagał ponownych prób.

HeyGen LiveAvatar

HeyGen przeszliśmy od tłumaczenia wideo do generowania awatarów i ustawiliśmy pasek wizualny dla tej kategorii. LiveAvatar zastępuje swój starszy produkt Interactive Avatar i oferuje zarówno interfejs API agenta, jak i interfejs API audio-wideo w wersji beta, poprzez WebSockets lub WebRTC w infrastrukturze LiveKit, z obsługą LiveKit, Pipecat i TEN. Do wymienionych klientów produkcyjnych należą Coursera, HP i Bosch.

Jego wyróżniającą cechą w niezależnej ocenie jest bezczynność – najbardziej naturalne mikroruchy i wzorce mrugania ze wszystkich testowanych dostawców – a także automatyczne przełączanie na głos lub tekst, jeśli awatar jest niedostępny, co jest naprawdę przemyślaną funkcją produkcyjną. Jej wyróżniającą słabością jest zasięg emocjonalny: twarz precyzyjnie wypowiada słowa, ale rejestr jest płaski.

Niestandardowe awatary wymagają dwuminutowego, nieobciętego nagrania plus a wideo zgodyoraz poza planami Enterprise, że zgoda musi zostać przechwycona na żywo za pomocą kamery internetowej.

Simli

Simli to firma YC 2023, która wyraźnie pozycjonuje się jako infrastruktura — warstwa wierzchnia dla agentów głosowych i nic więcej. Oferuje zarówno interfejsy API agenta, jak i audio-to-wideo, tworzenie awatarów z jednego obrazu, obsługę LiveKit i Pipecat, a także cenę, która nie jest zbliżona do nikogo innego: 0,009 USD za minutę w porównaniu z rynkiem, który przeważnie waha się od 8 do 35 centów. Roszczenia dotyczące opóźnień wynoszą mniej niż 300 ms.

Koszt wynika z architektury, a nie z dotacji, podobnie jak pułap jakości. Recenzenci wielokrotnie zaznaczają stan bezczynności — awatar „nigdy nie czuje się spokojny”. Jeśli twoja sesja jest krótka i obejmuje głównie mówienie, może to nie mieć znaczenia. Jeśli ktoś stanie przed nim w ciszy przez piętnaście sekund, tak się stanie.

Beyond Presence

Beyond Presence została założona w Niemczech w 2024 roku i koncentruje się na zarządzanych agentach sprzedaży, HR i coachingu, z modelem awatara Genesis. Publikuje wnioskowanie dotyczące strumieniowania poniżej 100 ms i globalne opóźnienie awatara ≤250 ms — dwa różne pomiary, co warto odnotować, biorąc pod uwagę powyższą sekcję. Transport to WebRTC na LiveKit, z obsługą zarówno LiveKit, jak i Pipecat oraz osadzeniem elementu iframe. Ceny mają niezwykłą i pożądaną właściwość: stawki wliczone w cenę i opłaty za nadwyżki są identyczne na każdym poziomie, więc nie ma klifu.

Niezależni recenzenci oceniają jakość wideo i dostosowanie przepustowości jako jedne z najlepszych w swojej kategorii. Krytyka ma charakter reprezentatywny: ponieważ koduje ze statycznego obrazu, w jednej z ocen opisano wynik jako mający twardy sufit i „czytający jako maskotka” do poważnych zastosowań B2B.

LemonSlice

LemonSlice — dawniej Infinity AI — wznowione w roku 2024/25 jako pionierskie laboratorium badawcze w zakresie interaktywnego wideo. Zbudowane na transformatorze dyfuzyjnym awatary pochodzą z jednego zdjęcia i – co wyjątkowe – dobrze radzą sobie ze stylizowanymi i niefotorealistycznymi postaciami, a nie tylko realistycznymi ludźmi. Recenzenci uznają jego gest i ruch dłoni za najbardziej wyrazisty z dostępnych. Transport odbywa się codziennie, WebRTC; dostępny jest widżet i interfejs API REST, a także obsługa samodzielnie zarządzanych potoków LiveKit, Pipecat lub Daily.

LemonSlice publikuje czas reakcji 471 ms i nazywa go najszybszym ze wszystkich głównych dostawców. Należy zauważyć, że co najmniej jedna publiczna strona porównawcza konkurencji przypisuje identyczną wartość 471 ms modelowi HeyGen. Obydwa nie mogą opisywać tego samego pomiaru i żaden z nich nie jest niezależnie weryfikowany — i właśnie na tym polega problem, który ma zasygnalizować ten artykuł.

Ojin

Zbudowany przez Journee Technologies, Ojin prowadzi za sobą dwa modele twarzy jedno API: Portret dla skali i Obecność za ekspresję, oba napędzane przez model przetwarzania mowy na wideo Oris 1.0. Persony są tworzone z pojedynczego obrazu referencyjnego, bez etapu szkolenia. Ojin publikuje opóźnienia poniżej 200 ms i łączy się przez WebSocket, co ułatwia przejście do istniejącego potoku, ale oznacza, że ​​jesteś odpowiedzialny za transport po stronie klienta. Ceny zależą od liczby kredytów w warstwach Creator (8 USD/mies.), Studio (82 USD/mies.), Growth (232 USD/mies.) i Enterprise, z oddzielnymi limitami minut na modelowy interfejs API i dwa tryby agenta.

bitCzłowiek

bitCzłowiek to firma zajmująca się przetwarzaniem brzegowym, założona w 2023 roku w San Francisco, zbudowana w oparciu o założenie, że awatary nie będą wszechobecne, dopóki nie zostaną uruchomione na urządzeniu. Zawiera model „niezbędny”, który można hostować samodzielnie lub uruchamiać w chmurze, oraz model „ekspresyjny”, który działa tylko w chmurze. Zgłoszone ceny to około 0,04 USD/min w chmurze i 0,01 USD/min na własnym hostingu. Transport to WebRTC zamiast LiveKit, z bazą wiedzy, webhookami, analityką i zdarzeniami gestów po stronie klienta.

Jakość jest oceniana jako akceptowalna, a nie doskonała. Jest to jednak jedyny główny dostawca oferujący wdrożenia lokalne, co całkowicie zmienia kalkulację w przypadku kiosków offline, środowisk izolowanych i wszędzie tam, gdzie naliczanie minutowych rozliczeń w chmurze przy ośmiogodzinnej instalacji jest nie do utrzymania.

Hedra, D-ID i Uneeq

Hedra (2023, San Francisco) tworzy podstawowe modele postaci cyfrowych, skupiając się raczej na kreatywności, a nie na użyteczności. Awatary z jednym obrazem, WebRTC na LiveKit, około 0,07 USD/min. Niezależne testy wykazały niską rozdzielczość i przepływność oraz małe opóźnienia.

D-ID (Izrael, 2017) to weteran, znany publicznie z Deep Nostalgia, obecnie skupiający się na streamingu korporacyjnym. WebRTC przez Janus, bez obsługi frameworka i niskopoziomowego API bez SDK. Około 0,35 USD/min, z opóźnieniem ocenionym na powolne w niezależnych testach.

Uneq całkowicie poprzedza boom generatywny, dostarczając cyfrowych ludzi z Unreal Engine za pośrednictwem strumieniowego przesyłania pikseli w ramach licencji, a nie po cenach za minutę. Avatary są tworzone ręcznie przez Uneeq. Opóźnienie jest dobre; odporność pasma nie jest; i widać, że jest renderowany w 3D.

Synthesia, kategoria dominująca w zakresie asynchronicznego wideo korporacyjnego, przedstawiła ofertę na żywo, ale według najnowszego niezależnego badania nie udostępniła jej publicznie.

Tabela porównawcza

Dostawca	Kształt API	Renderowanie	Źródło awatara	Transportu	Ramy	Opublikowane opóźnienie
Anam	Agent	Dyfuzja (Cara-4)	Pojedyncze zdjęcie	WebRTC (Pion)	LiveKit (obejście)	Rozmowa Sub-1; Serwer ~150–180 ms
Tavus	Agent	Dyfuzja Gaussa (Phoenix-4)	2-minutowe wideo	WebRTC (codziennie)	LiveKit, Pipecat	Poniżej 600 ms; Przewidywanie progu 55 ms
HeyGen LiveAvatar	Agent + A2V	Zastrzeżone	2-minutowy film + zgoda	WebSocket lub WebRTC (LiveKit)	LiveKit, Pipecat, DZIESIĘĆ	~ 471 ms TTFB (sporne)
Simli	Agent + A2V	Rozpryski Gaussa	Pojedyncze zdjęcie	WebRTC (codziennie)	LiveKit, Pipecat	Poniżej 300 ms
Beyond Presence	Agent + A2V	Zastrzeżone (Geneza)	Krótki film	WebRTC (LiveKit)	LiveKit, Pipecat	Wnioskowanie <100 ms; ≤250 ms globalnie
LemonSlice	Agent	Transformator dyfuzyjny	Pojedyncze zdjęcie	WebRTC (codziennie)	Samodzielnie zarządzany	471 ms (zgłoszenie własne)
Ojin	Agent + model API	Oris 1.0 do przetwarzania mowy na wideo	Pojedynczy obraz	WebSocket	Niezależny od rurociągu	Poniżej 200 ms
bitCzłowiek	Agent lub lokalnie	Zastrzeżone	Obraz lub wideo	WebRTC (LiveKit)	LiveKit	Nieopublikowane
Hedra	Agent	Zastrzeżone	Pojedynczy obraz	WebRTC (LiveKit)	LiveKit (obejście)	Nieopublikowane
D-ID	Agent	Zastrzeżone	Obraz	WebRTC (styczeń)	Żadne	„Małe opóźnienie”, brak danych
Uneq	Agent	Unreal Engine 3D	Zbudowany przez Uneeq	WebRTC (strumieniowanie pikseli)	Żadne	Nieopublikowane

Co to kosztuje

Dwie trzecie tej kategorii obejmuje kwoty od 0,08 do 0,35 dolara za minutę. Wartości odstające warto zrozumieć, ponieważ są to wartości odstające ze względów strukturalnych.

Dostawca	Efektywne na minutę	Struktura	Uważaj na
Simli	$0.009	Płatność zgodnie z rzeczywistym użyciem, kredyt rejestracyjny o wartości 10 USD	Jakość w stanie bezczynności
bitCzłowiek	~0,01 USD na własnym serwerze / ~0,04 USD w chmurze	Na minutę lub lokalnie	Self-hosting oznacza, że jesteś właścicielem procesorów graficznych
Hedra	~$0.07	Na minutę	Rozdzielczość i bitrate
Beyond Presence	0,087–0,175 EUR (S2V) / 0,175–0,35 EUR (agent)	Kredyty; wliczony w cenę = stawka za nadwyżkę	Tryb agenta to dokładnie 2× S2V
HeyGen LiveAvatar	0,095 USD (Lite, Business) – 0,25 USD (Pełna wersja, Starter)	Kredyty, 100 $ = 1000	Mieszane jednostki cenowe; nadwyżka może przekroczyć koszt kredytu w planie
Anam	0,18–0,24 USD mieszane	Abonament + minuty	Minuty wygasają co miesiąc; Poziom 999 USD ma gorszą stawkę za minutę niż poziom 299 USD
LemonSlice	~$0.21	Abonament + przedpłata za sesję	Model wstępnego ładowania oparty na sesji
Tavus	0,32 USD mieszane (wzrost) / 0,59 USD (starter)	Abonament + minuty	Zaokrąglanie 6 sekund, minimum 30 sekund, najwyższe przekroczenie w kategorii
D-ID	~$0.35	Subskrypcja + kredyty	Brak pakietu SDK; koszt integracji jest kosztem rzeczywistym

Dwa punkty strukturalne, które mają większe znaczenie niż podstawowa stawka:

Współbieżność jest ukrytym ograniczeniem. Ceny za minutę oznaczają, że można skalować, ale plany ograniczają liczbę jednoczesnych sesji, a ograniczenia są niskie. Jedna z opublikowanych ocen wykazała, że ​​Tavus umożliwia 15 równoczesnych sesji w planie za 395 USD miesięcznie, Anam umożliwia 5 w planie za ~ 299 USD, a HeyGen umożliwia 20 w warstwie Essential. Jeśli umieszczasz awatar przed publicznością konferencyjną lub prowadzisz kampanię marketingową, tak naprawdę kupujesz współbieżność, a nie minuty. Zapytaj o to, zanim zapytasz o cenę.

Zestaw w porównaniu z produktami przyniesionymi na własność całkowicie zmienia porównanie. Stawka za minutę Tavus obejmuje percepcję, wykonywanie skrętów, renderowanie, LLM, TTS i WebRTC. Cena 0,009 USD za Simli obejmuje renderowanie i nic więcej — nadal płacisz osobno za STT, LLM, TTS i transport. Porównaj podobne z podobnym, w przeciwnym razie tania opcja będzie wyglądać 35 razy taniej niż jest.

Zgoda, podobieństwo i zasady obowiązujące obecnie

Każdy dostawca wymaga zgody na utworzenie awatara prawdziwej osoby, a mechanizmy różnią się na tyle, że wpływają na przepływ pracy. HeyGen wymaga nagrania wideo zawierającego zgodę przedstawionej osoby, a poza planami Enterprise zgoda ta musi zostać uchwycona na żywo za pomocą kamery internetowej — co oznacza, że ​​w przypadku standardowego planu nie można tworzyć zbiorczo awatarów z zarchiwizowanych materiałów filmowych.

Odrębnie od 2 sierpnia 2026 r. obowiązuje art. 50 unijnej ustawy o sztucznej inteligencji. Systemy mające bezpośrednią interakcję z ludźmi muszą jasno informować, że interakcja odbywa się ze sztuczną inteligencją, a treści syntetyczne lub zmanipulowane muszą być ujawniane w sposób wyraźny i przy pierwszym kontakcie. Fotorealistyczny awatar człowieka wpisuje się w oba obowiązki. Praktyczne implikacje są proste: ujawnij już w pierwszej wymianie zdań i zaprojektuj ujawnienie w ramach doświadczenia, a nie wkręcaj je w stopkę.

Jak je ocenić samodzielnie

Dema dostawców są dostrojone. Liczby dostawców są nieporównywalne. Oto protokół, który zajmuje około jednego dnia i generuje dane, które można faktycznie porównać.

1. Test biegu jałowego

Rozpocznij sesję i nie mów nic przez piętnaście sekund. Obserwuj twarz. Jest to najbardziej uczciwy sygnał jakości renderowania, ponieważ nie ma dźwięku, za którym można by się ukryć – i to właśnie tutaj większość dostawców zawodzi w pierwszej kolejności. Zwróć uwagę na częstotliwość mrugania, oddech, ruchy mikrogłowy i przejście między słuchaniem a mówieniem. Powtórz z 30 sekundami. W przypadku wdrożenia kiosku awatar spędza większość swojego życia w tym stanie.

2. Test zegara

Nagraj obie strony interakcji na jednym zegarze — wejście mikrofonu i wyrenderowany sygnał wyjściowy, przechwycone razem. Nie korzystaj z czasów podanych przez dostawcę. Odmierz czas od końca swojej wypowiedzi do pierwszego słyszalnego słowa odpowiedzi na przestrzeni co najmniej 30 tur i oddzielnie podaj p50 i p95. Spodziewaj się, że p95 będzie znacznie gorszy od wersji demonstracyjnej i spodziewaj się, że właśnie takiej liczby doświadczą Twoi użytkownicy.

3. Test połączenia

Uruchom sesję na zimno dwadzieścia razy i zmierz czas zegara ściennego od inicjacji do pierwszej wyrenderowanej klatki. Nikt tego nie publikuje i to dominuje w pierwszych wrażeniach w ustawieniach typu walk-up.

4. Próba wciągnięcia

Przerywaj na początku, w środku i na końcu zdania awatara. Oddzielnie przetestuj kanał tylny („mm-hm”), prawdziwą korekcję („nie, piątek”) i czysty szum tła. Sprawdź trzy rzeczy: czy zatrzymuje się wtedy, kiedy powinien, czy robi to nie zatrzymuje się, gdy nie powinno, i czy wznawia z nienaruszonym kontekstem.

5. Test przepustowości

Zwiększ prędkość do 1,5 Mb/s, następnie 500 ms dodatkowego jittera, a następnie 500 kb/s. W tym miejscu dostawcy rozdzielają się najbardziej i jest to niewidoczne w przypadku połączenia biurowego. Niezależne testy wykazały, że kilku dostawców radzi sobie doskonale z zawieszaniem się lub rozłączaniem włókien przy ograniczonej przepustowości — czyli dokładnie tym, czym jest konferencyjna sieć Wi-Fi.

6. Ślepy test

Postaw dwóch lub trzech kandydatów przed dziesięcioma osobami, które nie wiedzą, który jest który, i poproś ich, aby ocenili doświadczenie, a nie wygląd. Biorąc pod uwagę, że responsywność silniej przewiduje satysfakcję niż jakość wizualną, nie zdziw się, gdy najładniejszy model przegra.

Jak wybrać

Skompresowane do decyzji, które faktycznie rozgałęziają się:

• Masz już działającego agenta głosowego. Kup interfejs API audio-wideo, a nie interfejs API agenta. Beyond Presence, Simli i HeyGen sprzedają samą warstwę renderującą, a ty zachowujesz kontrolę nad tym, co decyduje o tym, czy rozmowa jest dobra.
• Potrzebujesz najwyższej jakości wizualnej i wyrazistej. Cara-4 Anam i Phoenix-4 Tavus prowadzą niezależne oceny, plasując się na najwyższym poziomie cenowym. Budżet na współbieżność, a nie tylko minuty.
• Potrzebujesz dużej objętości przy niskich kosztach. Simli, o rzeczywisty rząd wielkości poniżej pola — pod warunkiem, że sprawdziłeś stan bezczynności względem rzeczywistego wzorca sesji.
• Potrzebujesz ekonomiki instalacji w trybie offline, w izolacji powietrznej lub na cały dzień. lokalny model bitHumana lub NVIDIA ACE z Audio2Face-3D, jeśli możesz przenieść potok 3D.
• Potrzebujesz stylizowanej lub nieludzkiej postaci. LemonSlice dla wygenerowanych stylów; Uneeq lub NVIDIA ACE dla autorskiego 3D.
• Potrzebujesz go wbudowanego w produkt w tym tygodniu. Interfejs API agenta z widżetem. Zaakceptuj pułap i zaplanuj migrację do warstwy renderowania, gdy jakość konwersacji stanie się wiążącym ograniczeniem.

Konkluzja

Modele w tej kategorii konwergują szybciej niż otaczający je marketing. Niezależni recenzenci oceniający obok siebie dziesięciu dostawców doszli do wniosku, że różnice w jakości między nimi są realne, ale niewielkie, że technologia jest gotowa do zastosowań szkoleniowych, rekrutacyjnych i sprzedażowych, a koszty obejmują 35-krotny zakres, który szybko się zmienia.

To, co nie jest zbieżne, to pomiar. Dopóki ktoś nie opublikuje wspólnego testu porównawczego przeprowadzanego przez wszystkich dostawców — kompleksowe opóźnienia konwersacji, p50 i p95, z nagranego dźwięku, przy realistycznej przepustowości — jedyną liczbą, której możesz zaufać, jest ta, którą sam zmierzyłeś.

Spędź dzień. Przeprowadź sześć testów. Wyniki nie będą zgodne z arkuszami specyfikacji, a o tę lukę chodzi.