Echtzeit-KI-Avatar-Modelle im Vergleich: Latenz, Architektur und Kosten

Architektur, Latenzdefinitionen, Transport, Preise und eine wiederholbare Möglichkeit, diese selbst zu bewerten

Jeder Echtzeit-Avatar-Anbieter veröffentlicht eine Latenzzahl. Anam besagt, dass die Konversation weniger als 1 Sekunde dauert und die serverseitige Generierung etwa 150 ms beträgt. Tavus sagt unter 600 ms. Beyond Presence sagt unter 100 ms. Simli sagt unter 300 ms. LemonSlice sagt 471 ms. Ojin sagt unter 200 ms.

Keine dieser Zahlen ist eine Lüge. Fast keiner von ihnen misst das Gleiche.

Das ist das zentrale Problem bei der Auswahl eines Echtzeit-Avatar-Anbieters im Jahr 2026, und deshalb wählen Teams routinemäßig einen auf einem Datenblatt aus, integrieren ihn und stellen dann fest, dass sich das Erlebnis langsamer anfühlt als die versprochene Zahl. Dieser Artikel ist ein Versuch, das zu beheben: Was diese Systeme eigentlich sind, wie sich die Modelle architektonisch unterscheiden, was jede veröffentlichte Latenzzahl wirklich misst, was sie kosten, wenn man über die Schlagzeilenrate hinausblickt, und – was am nützlichsten ist – ein Testprotokoll, das Sie an einem Nachmittag selbst ausführen können.

Zwei Produkte mit demselben Namen

Bevor Sie etwas vergleichen, trennen Sie die Kategorie in zwei Teile. Fast jeder Anbieter verkauft eines oder beide der folgenden Produkte und sie sind keine Ersatzprodukte.

Die Agent-API. Der Anbieter besitzt den gesamten Stack: Spracherkennung, das Sprachmodell, Text-to-Speech, das Rendering, den Transport und normalerweise ein Dashboard mit einem Eingabeaufforderungsfeld und einer Wissensdatenbank. Sie konfigurieren eine Persona und legen ein Widget auf einer Seite ab. Schneller Versand, minimale Kontrolle und Ihre Gesprächsqualität wird durch die Modellauswahl des Anbieters begrenzt.

Die Audio-zu-Video-API. Die Aufgaben des Anbieters beschränken sich auf eine einzige Aufgabe: Nehmen Sie die Audiodaten des Agenten auf und senden Sie einen lippensynchronen Videostream in Echtzeit zurück. Sie bringen Ihre eigene Speech-to-Text, Ihr eigenes LLM, Ihre eigene Stimme und Ihre eigene Orchestrierung mit – normalerweise Pipecat oder LiveKit-Agenten. Dabei handelt es sich um das „Face-Layer“-Modell, das von den meisten Teams, die ein seriöses Produkt entwickeln, am Ende verwendet wird, da der Avatar zu einer optionalen Schnittstellenschicht auf einem bereits funktionierenden Sprachagenten wird.

Die Unterscheidung ist auch kommerziell von Bedeutung. Beyond Presence kostet für den Agentenmodus genau das Doppelte im Vergleich zum Speech-to-Video-Modus. Der Lite-Modus (Sie bringen das Gehirn mit) des HeyGen ist etwa halb so teuer wie der Vollmodus.

Eine nützliche Regel: Erstellen Sie zuerst den Sprachagenten und machen Sie ihn fertig, und fügen Sie dann das Gesicht hinzu. Teams, die mit dem Avatar beginnen, neigen dazu, am Ende ein schönes System zu haben, das nicht hilfreiche Dinge sagt.

Wie diese Modelle tatsächlich funktionieren

Derzeit sind drei grundlegend unterschiedliche Rendering-Ansätze in der Produktion, und die Unterschiede zeigen sich auf wichtige Weise.

Pixelraumdiffusion

Der vorherrschende Ansatz. Ein Diffusionsmodell generiert Videobilder direkt, abhängig vom treibenden Audio und einer Referenzidentität. Tavus beschreibt Phoenix-4 als ein Gaußsches Diffusionsmodell; LemonSlice verwendet einen Diffusionstransformator. Da das Modell Pixel erzeugt, anstatt ein Rig anzutreiben, kann es Ausdrücke, Mikrobewegungen und Handgesten erzeugen, für die kein manipuliertes Modell entwickelt wurde. Es handelt sich außerdem um den rechenintensivsten Ansatz, weshalb es sich in dieser Kategorie um Minutenpreise handelt.

Gaußsches Splatting und erlernte Darstellungen

Simli wird anhand einer Gaußschen Splatting-Darstellung und nicht anhand einer vollständigen Pixelraumgenerierung gerendert. Der Kompromiss ist in beide Richtungen sichtbar: Die Minutenkosten des Simli liegen etwa eine Größenordnung unter denen der Pixeldiffusionsanbieter, und unabhängige Gutachter haben immer wieder auf sein Leerlaufverhalten hingewiesen – kreisende Augenbewegungen, mechanische Kopfdrehung, schlechte Übergänge zwischen Zuhören und Sprechen.

3D-Rendering

Uneeq erstellt volumetrische digitale Menschen in der Unreal Engine und liefert sie über WebRTC mit Pixel-Streaming. Der ACE-Stack von NVIDIA geht einen ähnlichen Weg: seinen Audio2Face-3D Microservice wandelt Sprache in ARKit-Blendshapes um, die einen 3D-Charakter steuern, und wird als selbsthostbarer NIM-Container unter einer NVIDIA AI Enterprise-Lizenz geliefert. Sie werden beides nicht mit einem Foto verwechseln. Im Gegenzug erhalten Sie die volle künstlerische Leitung, deterministisches Verhalten, stilisierte nichtmenschliche Charaktere und – mit der NVIDIA-Route – die einzige wirklich selbst gehostete Option im oberen Preissegment.

Avatar-Erstellung: Foto versus Video

Dies hat sich in aller Stille zum größten praktischen Unterscheidungsmerkmal entwickelt. Vor zwei Jahren verlangte jeder Anbieter eine zweiminütige Studioaufnahme. Jetzt können Cara-4, Simli, LemonSlice, Hedra, Ojin und bitHuman von Tavus und HeyGen erstellen ihre qualitativ hochwertigsten benutzerdefinierten Avatare immer noch aus einem aufgezeichneten Video, was Tage statt Sekunden dauert, aber Gesichtsdaten aus mehreren Winkeln erfasst, die Einzelbildmodelle ableiten müssen.

Der Kompromiss ist real. Mit der Generierung einzelner Fotos können Sie an einem Nachmittag hundert Personas erstellen. Per Video trainierte Nachbildungen halten einer genaueren Betrachtung immer noch besser stand, da das Modell gesehen hat, wie sich der Kopf der Person tatsächlich dreht.

Die sechs verschiedenen Dinge, die „Latenz“ genannt werden

Hier ist die Tabelle, die auf der Preisseite jedes Anbieters vorhanden sein sollte, aber nicht vorhanden ist.

Was wird gemessen	Von → bis	Typischer veröffentlichter Bereich	Spürt der Benutzer es?
Serverseitige Generierung	Audio-Chunk kommt an → Video-Frame produziert	100–250 ms	Nur als Teil der Gesamtheit. Kleinste Komponente.
Streaming-Inferenzlatenz	Nur innerhalb der Renderschleife	Unter 100 ms	Nein. Das Netzwerk ist vollständig ausgeschlossen.
Inferenz TTFB	Anfrage → erstes Byte der Ausgabe	~470 ms beansprucht	Teilweise. Ausgenommen sind das LLM und das TTS davor.
Globale Avatar-Latenz	Beinhaltet den Netzwerkausgang zum Client	~250 ms	Näher. Schließt immer noch den Argumentationsstapel aus.
End-to-End-Konversationslatenz	Der Benutzer hört auf zu sprechen → Avatar beginnt zu sprechen	600 ms – 1,5 s	Ja. Das ist es, worauf es ankommt.
Etagenvorhersage / Turn-Taking	Wie schnell entscheidet das System, dass Sie fertig sind?	55–300 ms	Ja, und es ist oft der größte wiederherstellbare Teil.

Ein Anbieter, der 100 ms angibt, und ein Anbieter, der 1 Sekunde angibt, beschreiben möglicherweise dasselbe System. Die erste besteht darin, die Renderschleife zu messen. Die zweite besteht darin, eine ganze Gesprächsrunde zu messen. Bestehen Sie beim Vergleich von Anbietern auf der fünften Zeile, gemessen an aufgezeichneten Audio- und Videodaten auf einer einzigen Uhr – und verlangen Sie p95, nicht nur den Median.

Es gibt noch eine weitere Nummer, die niemand veröffentlicht und die jeder tun sollte: Zeit bis zum ersten Frame beim Sitzungsbeitritt. In einer Kiosk- oder Kabinenumgebung ist die Lücke zwischen dem Hereinkommen einer Person und dem Erscheinen des Gesichts die folgenreichste Latenz im gesamten System, und unabhängige Gutachter haben festgestellt, dass mehrere Anbieter nur langsam beitreten, selbst wenn ihre Latenz im Gespräch gut ist.

Welche Latenzzeit tatsächlich Zufriedenheit vorhersagt

Die einzige bisher veröffentlichte Blindbewertung dieser Kategorie durch Dritte umfasste 178 Teilnehmer und ergab, dass die Reaktionsfähigkeit der stärkste einzelne Prädiktor für das Gesamterlebnis war – eine Spearman-Korrelation von 0,697 – vor der visuellen Qualität, die den zweiten Platz belegte. Es lohnt sich, dieses Ergebnis zu verinnerlichen, bevor Sie eine Woche damit verbringen, die Hautstruktur zu vergleichen. Nutzer erkennen nicht zuverlässig, welches Modell besser rendert. Sie merken sofort, wer schneller antwortet.

Die Anbieter

Die nachstehenden Zahlen beziehen sich auf die von den einzelnen Anbietern veröffentlichten oder von externen Rezensenten gemeldeten Zahlen mit Stand August 2026. Die Preisgestaltung für Echtzeit-Avatare hat sich schnell verändert und wird sich auch weiterhin ändern; Betrachten Sie jede Zahl als Ausgangspunkt für Ihre eigene Messung, nicht als Spezifikation.

Anam

Anam ist ein Londoner Spin-out, das 2023 von ehemaligen Synthesia-Mitarbeitern gegründet wurde. Sein im Juli 2026 veröffentlichtes Cara-4-Modell generiert einen Konversations-Avatar aus einem einzelnen Foto mit 25 fps und gibt 1152 x 768 im Querformat und 768 x 1152 im Hochformat aus. Anam veröffentlicht eine mittlere Konversationslatenz von unter einer Sekunde mit etwa 150–180 ms serverseitiger Generierung, unterstützt mehr als 70 Sprachen, bringt Ihr eigenes LLM mit und listet SOC 2 Typ II, HIPAA und DSGVO-Abdeckung ohne Datenaufbewahrung auf. Transport ist WebRTC über Pion. In der Blindstudie mit 178 Teilnehmern belegte es den ersten Platz in den Bereichen visuelle Qualität, Lippensynchronisation, Natürlichkeit und Reaktionsfähigkeit.

Die konsequente unabhängige Kritik ist nicht das Modell – Rezensenten beschreiben die Mikroausdrücke von Cara-4 als die Besten ihrer Klasse –, sondern das System: langsamer Sitzungsbeitritt und schlechtes Verhalten bei eingeschränkter Bandbreite. Für die LiveKit-Integration war in der Vergangenheit eine Problemumgehung erforderlich.

Tavus

Ein Forschungslabor aus San Francisco, YC-Alumnus, gegründet 2020. Tavus verkauft eine volle Konversationsvideoschnittstelle anstelle einer Renderebene, aufgebaut aus drei proprietären Modellen: Phoenix-4 zum Rendern, Rabe-1 für die Wahrnehmung (Blick, Ausdruck, Umweltkontext) und Sparrow-1 für den Konversationsfluss, den Tavus mit einer mittleren Latenz zur Bodenvorhersage von 55 ms meldet. Öffentliche Latenzansprüche liegen unter 600 ms. Der Transport ist WebRTC über täglich; Es war eines der ersten, das ein LiveKit-Avatar-Plugin auslieferte. Benutzerdefinierte Replikate basieren auf einer zweiminütigen Aufzeichnung und dauern bei Standardplänen drei bis fünf Tage und bei Unternehmen 24 Stunden.

Tavus ist hier die am stärksten vertikal integrierte Option – Perception, Turn-Taking, Rendering, LLM, TTS und WebRTC sind alle im Minutenpreis enthalten – und auch die teuerste. Die Bewertung eines Käufers ergab, dass die Erstellung eines benutzerdefinierten Avatars zu etwa 66 % abgeschlossen war, bevor Fehler auftraten und Wiederholungsversuche erforderlich waren.

HeyGen LiveAvatar

HeyGen wechselte von der Videoübersetzung zur Avatar-Generierung und legte die visuelle Messlatte für die Kategorie fest. LiveAvatar ersetzt sein älteres Interactive Avatar-Produkt und bietet sowohl eine Agent-API als auch eine Audio-zu-Video-API in der Betaversion über WebSockets oder WebRTC auf der LiveKit-Infrastruktur mit Unterstützung für LiveKit, Zu den genannten Produktionskunden gehören Coursera, HP und Bosch.

Seine besondere Stärke in der unabhängigen Bewertung ist das Leerlaufverhalten – die natürlichsten Mikrobewegungen und Blinzelmuster aller getesteten Anbieter – sowie der automatische Rückgriff auf Sprache oder Text, wenn der Avatar nicht verfügbar ist, was ein wirklich durchdachtes Produktionsmerkmal darstellt. Seine charakteristische Schwäche ist die emotionale Reichweite: Das Gesicht gibt Worte präzise wieder, aber das Register ist flach.

Benutzerdefinierte Avatare erfordern eine zweiminütige ungeschnittene Aufnahme plus a Einwilligungsvideo, und außerhalb von Enterprise-Plänen muss die Einwilligung live per Webcam erfasst werden.

Simli

Simli ist ein YC-Unternehmen im Jahr 2023, das sich explizit als Infrastruktur positioniert – die Oberschicht für Sprachagenten, mehr nicht. Es bietet sowohl Agenten- als auch Audio-zu-Video-APIs, die Erstellung von Einzelbild-Avataren, LiveKit- und Latenzansprüche liegen unter 300 ms.

Die Kosten entstehen durch die Architektur, nicht durch Subventionen, ebenso wie durch die Qualitätsobergrenze. Rezensenten weisen immer wieder auf den Ruhezustand hin – der Avatar „fühlt sich nie in Ruhe“. Wenn Ihre Sitzung kurz ist und hauptsächlich gesprochen wird, spielt das möglicherweise keine Rolle. Wenn jemand fünfzehn Sekunden lang schweigend davor steht, wird es das tun.

Beyond Presence

Beyond Presence wurde 2024 in Deutschland gegründet und konzentriert sich auf Managed Agents für Vertrieb, HR und Coaching, mit einem Genesis-Avatar-Modell. Es veröffentlicht eine Streaming-Inferenz von unter 100 ms und eine globale Avatar-Latenz von ≤250 ms – zwei verschiedene Messungen, die angesichts des obigen Abschnitts erwähnenswert sind. Der Transport ist WebRTC auf LiveKit, mit Unterstützung für LiveKit und Pipecat und einer Iframe-Einbettung. Die Preisgestaltung hat eine ungewöhnliche und willkommene Eigenschaft: Inklusiv- und Zusatztarife sind auf jeder Stufe identisch, es gibt also keine Klippe.

Unabhängige Prüfer bewerten die Videoqualität und Bandbreitenanpassung als die besten in der Kategorie. Die Kritik ist gegenständlich: Da es sich um ein statisches Bild handelt, wurde in einer Bewertung beschrieben, dass die Ausgabe eine harte Obergrenze habe und „wie ein Maskottchen“ für den ernsthaften B2B-Einsatz lese.

LemonSlice

LemonSlice – ehemals Infinity AI – wurde 2024/25 als Pionierforschungslabor für interaktives Video neu gestartet. Avatare basieren auf einem Diffusionstransformator und stammen aus einem einzigen Foto. Und – einzigartig – es kommt gut mit stilisierten und nicht fotorealistischen Charakteren zurecht, nicht nur mit realistischen Menschen. Die Rezensenten bezeichnen seine Gestik und Handbewegung als die ausdrucksstärksten, die es gibt. Der Transport ist WebRTC über täglich; Es gibt ein Widget und eine REST-API sowie Unterstützung für selbstverwaltete LiveKit-, Pipecat- oder Daily-Pipelines.

LemonSlice gibt eine Reaktionszeit von 471 ms an und bezeichnet sie als die schnellste aller großen Anbieter. Beachten Sie, dass die öffentliche Vergleichsseite mindestens eines Mitbewerbers HeyGen einen identischen Wert von 471 ms zuschreibt. Beide können nicht die gleiche Messung beschreiben und keines ist unabhängig verifiziert – und genau das ist das Problem, auf das dieser Artikel hinweisen soll.

Ojin

Gebaut von Journee Technologies, Ojin läuft zwei Gesichtsmodelle hinterher eine API: Porträt für Maßstab und Präsenz für Ausdruckskraft, beides angetrieben durch das Speech-to-Video-Modell Oris 1.0. Personas werden aus einem einzigen Referenzbild ohne Schulungsschritt erstellt. Ojin veröffentlicht eine Latenzzeit von weniger als 200 ms und verbindet sich über Die Preise basieren auf Guthaben in den Stufen Creator (8 USD/Monat), Studio (82 USD/Monat), Growth (232 USD/Monat) und Enterprise, mit separaten Minutenkontingenten für die Modell-API und die beiden Agent-Modi.

bitMensch

bitMensch ist der Edge-Computing-Einsteiger, der 2023 in San Francisco gegründet wurde und auf der Prämisse basiert, dass Avatare erst dann allgegenwärtig sein werden, wenn sie auf dem Gerät ausgeführt werden. Es bietet ein „essentielles“ Modell, das selbst gehostet oder in der Cloud ausgeführt werden kann, und ein „expressives“ Modell, das nur in der Cloud verfügbar ist. Der angegebene Preis liegt bei etwa 0,04 $/Minute in der Cloud und 0,01 $/Minute bei selbstgehosteten Diensten. Der Transport ist WebRTC über LiveKit, mit Wissensdatenbank, Webhooks, Analysen und clientseitigen Gestenereignissen.

Die Qualität wird eher als akzeptabel denn als ausgezeichnet bewertet. Aber es ist der einzige Mainstream-Anbieter, der eine lokale Bereitstellung anbietet, was die Kalkulation für Offline-Kioske, Air-Gap-Umgebungen und alles, wo eine Cloud-Abrechnung pro Minute bei einer achtstündigen Installation unhaltbar ist, völlig ändert.

Hedra, D-ID und Uneeq

Hedra (2023, San Francisco) erstellt Grundmodelle für digitale Charaktere mit einem kreativen und nicht einem nützlichen Fokus. Einzelbild-Avatare, WebRTC auf LiveKit, ungefähr 0,07 $/Min. Unabhängige Tests weisen auf eine niedrige Auflösung und Bitrate sowie eine langsame Latenz hin.

D-ID (Israel, 2017) ist der Veteran, der öffentlich für Deep Nostalgia bekannt ist und sich jetzt auf Enterprise-Streaming konzentriert. WebRTC über Janus, keine Framework-Unterstützung und eine Low-Level-API ohne SDK. Ungefähr 0,35 $/Minute, wobei die Latenz in unabhängigen Tests als langsam eingestuft wurde.

Uneeq ist vollständig älter als der generative Boom und liefert digitale Menschen der Unreal Engine über Pixel-Streaming unter einer Lizenz und nicht zu Minutenpreisen. Avatare werden von Uneeq manuell erstellt. Die Latenz ist gut; Bandbreitenresilienz ist es nicht; und man erkennt, dass es sich um ein 3D-Rendering handelt.

Synthesia, die etablierte Kategorie für asynchrone Unternehmensvideos, hat ein Live-Angebot vorgestellt, es jedoch zum Zeitpunkt der letzten unabhängigen Umfrage noch nicht öffentlich zugänglich gemacht.

Die Vergleichstabelle

Anbieter	API-Form	Rendern	Avatar-Quelle	Transport	Rahmenwerke	Veröffentlichte Latenz
Anam	Agent	Verbreitung (Cara-4)	Einzelfoto	WebRTC (Pion)	LiveKit (Problemumgehung)	Gespräch von Sub-1; ~150–180 ms Server
Tavus	Agent	Gaußsche Diffusion (Phoenix-4)	2-minütiges Video	WebRTC (Täglich)	LiveKit, Pipecat	Unter 600 ms; 55-ms-Bodenvorhersage
HeyGen LiveAvatar	Agent + A2V	Proprietär	2-minütiges Video + Einwilligung	WebSocket oder WebRTC (LiveKit)	LiveKit, Pipecat, ZEHN	~471 ms TTFB (umstritten)
Simli	Agent + A2V	Gaußsches Splatting	Einzelfoto	WebRTC (Täglich)	LiveKit, Pipecat	Unter 300 ms
Beyond Presence	Agent + A2V	Proprietär (Genesis)	Kurzes Video	WebRTC (LiveKit)	LiveKit, Pipecat	<100 ms-Inferenz; ≤250 ms global
LemonSlice	Agent	Diffusionstransformator	Einzelfoto	WebRTC (Täglich)	Selbstverwaltet	471 ms (selbst angegeben)
Ojin	Agent + Modell-API	Oris 1.0 Speech-to-Video	Einzelbild	WebSocket	Pipeline-unabhängig	Unter 200 ms
bitMensch	Agent oder lokal	Proprietär	Bild oder Video	WebRTC (LiveKit)	LiveKit	Nicht veröffentlicht
Hedra	Agent	Proprietär	Einzelbild	WebRTC (LiveKit)	LiveKit (Problemumgehung)	Nicht veröffentlicht
D-ID	Agent	Proprietär	Bild	WebRTC (Janus)	Keine	„Geringe Latenz“, keine Angabe
Uneeq	Agent	Unreal Engine 3D	Gebaut von Uneeq	WebRTC (Pixel-Streaming)	Keine	Nicht veröffentlicht

Was es kostet

Zwei Drittel dieser Kategorie liegen zwischen 0,08 und 0,35 US-Dollar pro Minute. Die Ausreißer sind verständnisvoll, da sie aus strukturellen Gründen Ausreißer sind.

Anbieter	Effektiv pro Minute	Struktur	Achten Sie auf
Simli	$0.009	Pay-as-you-go, Anmeldeguthaben von 10 $	Qualität im Ruhezustand
bitMensch	~0,01 $ selbst gehostet / ~0,04 $ Cloud	Pro Minute oder lokal	Selbsthosting bedeutet, dass Sie Eigentümer der GPUs sind
Hedra	~$0.07	Pro Minute	Auflösung und Bitrate
Beyond Presence	0,087–0,175 € (S2V) / 0,175–0,35 € (Agent)	Credits; inbegriffen = Überschreitungssatz	Der Agentenmodus beträgt genau 2× S2V
HeyGen LiveAvatar	0,095 $ (Lite, Business) – 0,25 $ (Vollversion, Starter)	Credits, 100 $ = 1.000	Gemischte Preiseinheiten; Die Überschreitung kann die Kreditkosten des Plans übersteigen
Anam	0,18–0,24 $ gemischt	Abonnement + Minuten	Minuten verfallen monatlich; Die 999-Dollar-Stufe hat einen schlechteren Minutentarif als die 299-Dollar-Stufe
LemonSlice	~$0.21	Abonnement + Sitzungsvorgebühr	Sitzungsbasiertes Vorlademodell
Tavus	0,32 $ gemischt (Wachstum) / 0,59 $ (Starter)	Abonnement + Minuten	6-Sekunden-Rundung, mindestens 30 Sekunden, höchste Überschreitung in der Kategorie
D-ID	~$0.35	Abonnement + Credits	Kein SDK; Die Integrationskosten sind die tatsächlichen Kosten

Zwei strukturelle Punkte, die wichtiger sind als die Schlagzeilenrate:

Parallelität ist die versteckte Einschränkung. Die Preisgestaltung pro Minute bedeutet, dass Sie skalieren können, aber die Pläne begrenzen gleichzeitige Sitzungen und die Obergrenzen sind niedrig. Eine veröffentlichte Bewertung ergab, dass Tavus 15 gleichzeitige Sitzungen bei einem Plan für 395 $/Monat zulässt, Anam 5 bei einem Plan für etwa 299 $ und HeyGen 20 bei der Essential-Stufe. Wenn Sie einem Konferenzpublikum oder einer Marketingkampagne einen Avatar vorführen, kaufen Sie in Wirklichkeit Parallelität – und nicht Minuten. Fragen Sie danach, bevor Sie nach dem Preis fragen.

Gebündelt versus Bring-Your-Own ändert den Vergleich völlig. Der Minutentarif von Tavus umfasst Perception, Turn-Taking, Rendering, LLM, TTS und WebRTC. Die 0,009 US-Dollar von Simli beinhalten Rendering und sonst nichts – Sie zahlen weiterhin separat für STT, LLM, TTS und Transport. Vergleichen Sie Gleiches mit Gleichem, sonst sieht die günstige Variante 35-mal billiger aus, als sie ist.

Einwilligung, Ähnlichkeit und die jetzt geltenden Regeln

Jeder Anbieter benötigt die Zustimmung, um einen Avatar einer realen Person zu erstellen, und die Mechanismen sind so unterschiedlich, dass sie sich auf Ihren Arbeitsablauf auswirken. Für HeyGen ist ein aufgezeichnetes Einwilligungsvideo der abgebildeten Person erforderlich. Außerhalb von Enterprise-Plänen muss diese Einwilligung live per Webcam erfasst werden. Dies bedeutet, dass Sie bei einem Standardplan keine Batch-Erstellung von Avataren aus archiviertem Filmmaterial durchführen können.

Separat gilt seit dem 2. August 2026 Artikel 50 des EU-KI-Gesetzes. Systeme, die direkt mit Menschen interagieren, müssen deutlich machen, dass es sich um eine Interaktion mit KI handelt, und synthetische oder manipulierte Inhalte müssen deutlich und bei der ersten Offenlegung offengelegt werden. Ein fotorealistischer Avatar eines Menschen erfüllt beide Anforderungen. Die praktische Implikation ist einfach: Offenlegen Sie es im ersten Austausch und integrieren Sie die Offenlegung in die Erfahrung, anstatt sie in eine Fußzeile zu stecken.

So bewerten Sie diese selbst

Die Demos der Anbieter sind optimiert. Die Anbieterzahlen sind unvergleichlich. Hier ist ein Protokoll, das etwa einen Tag dauert und tatsächlich vergleichbare Zahlen liefert.

1. Der Leerlauftest

Starten Sie eine Sitzung und sagen Sie fünfzehn Sekunden lang nichts. Beobachten Sie das Gesicht. Dies ist das ehrlichste Signal für die Renderqualität, denn es gibt keinen Ton, hinter dem man sich verstecken kann – und hier scheitern die meisten Anbieter zuerst. Achten Sie auf Blinzelfrequenz, Atmung, Mikrokopfbewegungen und den Übergang zwischen Zuhören und Sprechen. Wiederholen Sie dies mit 30 Sekunden. Bei einer Kiosk-Bereitstellung verbringt der Avatar die meiste Zeit seines Lebens in diesem Zustand.

2. Der Uhrentest

Zeichnen Sie beide Seiten der Interaktion auf einer Uhr auf – Ihren Mikrofoneingang und den gerenderten Ausgang, zusammen erfasst. Verwenden Sie nicht die vom Anbieter angegebenen Zeitvorgaben. Messen Sie vom Ende Ihrer Rede bis zum ersten hörbaren Wort der Antwort über mindestens 30 Runden und geben Sie p50 und p95 getrennt an. Erwarten Sie, dass das p95 erheblich schlechter ist als die Demoversion, und gehen Sie davon aus, dass dies die Zahl ist, die Ihre Benutzer erleben.

3. Der Join-Test

Starten Sie eine Sitzung zwanzigmal kalt und messen Sie die Zeit vom Beginn bis zum ersten gerenderten Bild. Niemand veröffentlicht dies und es dominiert den ersten Eindruck in begehbaren Umgebungen.

4. Der Barge-In-Test

Unterbrechen Sie am Anfang, in der Mitte und am Ende des Satzes des Avatars. Testen Sie separat einen Rückkanal („mm-hm“), eine echte Korrektur („nein, Freitag“) und reines Hintergrundrauschen. Überprüfen Sie drei Dinge: Stoppt es, wenn es sollte, funktioniert es nicht stoppt, wenn es nicht sollte, und wird mit intaktem Kontext fortgesetzt.

5. Der Bandbreitentest

Drosselung auf 1,5 Mbit/s, dann 500 ms zusätzlicher Jitter, dann 500 Kbit/s. Hier trennen sich die Anbieter am deutlichsten und sind bei einem Büroanschluss unsichtbar. Unabhängige Tests ergaben, dass mehrere Anbieter beim Einfrieren oder Trennen von Glasfaserkabeln bei eingeschränkter Bandbreite eine hervorragende Leistung erbringen – und das ist genau das, was ein Konferenz-WLAN-Netzwerk ausmacht.

6. Der Blindtest

Stellen Sie zwei oder drei Kandidaten vor zehn Personen, die nicht wissen, wer welcher ist, und bitten Sie sie, die Erfahrung und nicht das Aussehen zu bewerten. Angesichts der Tatsache, dass die Reaktionsfähigkeit einen stärkeren Einfluss auf die Zufriedenheit hat als die visuelle Qualität, sollten Sie sich nicht wundern, wenn das hübscheste Modell verliert.

So wählen Sie aus

Komprimiert auf die tatsächlich verzweigenden Entscheidungen:

• Sie verfügen bereits über einen funktionierenden Sprachagenten. Kaufen Sie eine Audio-to-Video-API, keine Agent-API. Beyond Presence,
• Sie benötigen höchste visuelle und ausdrucksstarke Qualität. Der Cara-4 von Anam und der Phoenix-4 von Tavus führen unabhängige Bewertungen an und liegen im oberen Preissegment. Budget für Parallelität, nicht nur für Minuten.
• Sie benötigen ein hohes Volumen zu geringen Kosten. Simli, eine echte Größenordnung unter dem Feld – vorausgesetzt, Sie haben den Ruhezustand anhand Ihres tatsächlichen Sitzungsmusters validiert.
• Sie benötigen Offline-, Air-Gap- oder ganztägige Installationsökonomie. Das lokale Modell von bitHuman oder NVIDIA ACE mit Audio2Face-3D, wenn Sie die 3D-Pipeline tragen können.
• Sie benötigen einen stilisierten oder nichtmenschlichen Charakter. LemonSlice für generierte Stile; Uneeq oder NVIDIA ACE für erstelltes 3D.
• Sie müssen es diese Woche in ein Produkt integrieren. Eine Agent-API mit einem Widget. Akzeptieren Sie die Obergrenze und planen Sie die Migration auf eine Renderebene für den Fall, dass die Gesprächsqualität zur verbindlichen Einschränkung wird.

Das Fazit

Die Modelle in dieser Kategorie nähern sich schneller an als das Marketing um sie herum. Unabhängige Gutachter, die zehn Anbieter nebeneinander bewerteten, kamen zu dem Schluss, dass die Qualitätsunterschiede zwischen ihnen real, aber nicht groß sind, dass die Technologie für Schulungs-, Rekrutierungs- und Vertriebsanwendungsfälle geeignet ist und dass sich die Kosten in einem 35-fachen Bereich bewegen, der sich schnell ändert.

Was nicht konvergiert, ist die Messung. Bis jemand einen gemeinsamen Benchmark veröffentlicht, den alle Anbieter verwenden – End-to-End-Konversationslatenz, p50 und p95, aus aufgezeichnetem Audio, bei realistischer Bandbreite – ist die einzige Zahl, der Sie vertrauen können, die, die Sie selbst gemessen haben.

Verbringen Sie den Tag. Führen Sie die sechs Tests durch. Die Ergebnisse stimmen nicht mit den Datenblättern überein, und die Lücke ist der springende Punkt.