Rencana awalnya sederhana: sebuah <video src=…> ke sampel video publik. Jaringan tempat aplikasi ini dibangun menjawab HTTP 403 untuk berkas itu, jadi halamannya hanya menampilkan kotak hitam.

Gantinya justru lebih dekat ke aslinya: halaman ini membuka dua RTCPeerConnection dan menyambungkannya satu sama lain di dalam tab. Kanvas menjadi sumber gambar, ditangkap dengan captureStream(), dikirim lewat peer lokal, diterima peer jauh, lalu dipasang ke video.srcObject. Tidak ada server dan tidak ada lalu lintas keluar, tapi negosiasi SDP, kandidat ICE, encoding video, dan semua angka di panel statistik itu nyata — panelnya membaca getStats() dari sisi penerima, bukan menampilkan teks tetap.

Yang menarik: memasang provider sungguhan berarti mengganti peer jauh dengan server mereka. Baris srcObject itu tidak berubah sama sekali. Klaim “kompleksitas frontend rendah” terbukti — inti transportnya selesai dalam satu hook.

Lalu penggantian itu benar-benar dilakukan. Rute ini memakai NavTalk, penyedia sungguhan dari kategori yang sama: mikrofon Anda naik ke server mereka, GPT-realtime menjawab, wajahnya dirender di GPU mereka, dan hasilnya turun sebagai track WebRTC. Baris video.srcObject yang di /video menerima peer lokal, di sini menerima peer mereka. Sisanya tidak berubah — ramalan di paragraf sebelumnya terbukti secara harfiah.

Yang akhirnya bisa diukur, bukan dikutip. Latensi balasan 155–250 ms dari saat penutur berhenti bicara sampai token teks pertama — klaim “sub-500 ms” mereka terbukti. Video datang 1080×1080. Dan halaman ini menampilkan penghitung ongkos yang berjalan pada tarif $0,20 per menit: satu-satunya angka biaya di seluruh aplikasi ini yang berasal dari tagihan sungguhan.

Yang tidak mereka iklankan: menyambung pertama kali butuh 9–16 detik sampai bingkai pertama muncul. Yang cepat adalah balasannya, bukan penyambungannya — jadi halamannya punya keadaan “menyiapkan” yang jujur, bukan spinner tanpa keterangan.

Tiga hal lain yang hanya kelihatan setelah dipakai. Video paket gratis membawa watermark NavTalk yang tidak disebut di halaman harga. Avatar bawaan navtalk.Zoe — yang dipakai contoh resmi mereka sendiri — rusak di sisi server, jadi daftar avatar diambil lewat API dan disambung memakai id, tidak pernah nama. Dan deteksi bahasa otomatis mereka gampang melompat: waktu aturan “selalu jawab dalam bahasa Indonesia” terkubur di kalimat kedua sebuah prompt panjang, balasannya keluar dalam bahasa Tagalog dan Inggris. Aturannya sekarang ada di kalimat pertama.

Paket npm resmi mereka sengaja tidak dipakai. Isinya Web Component yang memanggil customElements.define saat diimpor (mematikan render server), mengumumkan berkas tipe yang tidak ada di dalam paketnya, dan hanya memancarkan satu peristiwa keluar — tidak ada transkrip, jadi panel di sebelah kanan itu mustahil diisi. Protokol mentahnya justru cuma sekitar 300 baris, dan license-nya tetap aman di server: browser hanya menerima URL bertoken berumur pendek.

Penyedia kedua di kategori yang sama dipasang juga, dan ia mengubah gambarnya. HeyGen memindahkan avatar realtime-nya ke produk terpisah bernama LiveAvatar, yang dijual dalam dua bentuk: FULL (2 kredit per menit — mereka menjalankan STT, LLM, dan TTS) dan LITE (1 kredit per menit — Anda membawa otak sendiri, mereka hanya merender wajahnya).

Selisih setengah harga itu bukan diskon, melainkan keputusan arsitektur — dan ia menciptakan bentuk yang tidak disebut satu pun dokumen analisa: ASR dan LLM di GPU sendiri, wajah disewa. Kalimat pengguna tetap ditranskrip di dalam jaringan sendiri; yang keluar hanya teks jawaban yang perlu diucapkan.

Halaman ini hidup dalam Sandbox Mode yang tidak memakan kredit sama sekali — 1280×720, bingkai pertama sekitar 8,7 detik. Mode berbayar sengaja dikunci di sisi server. Bandingkan dengan /navtalk, yang setiap kali diuji menggerus saldo sungguhan.

Satu catatan tentang cara memasangnya. SDK resmi NavTalk ditolak karena tidak memancarkan transkrip sama sekali; SDK HeyGen dipakai karena memancarkan keduanya, dan berlisensi MIT. Perbandingan yang adil memakai jalur terbaik yang disediakan tiap vendor, bukan jalur yang sama untuk semuanya.

Ready Player Me adalah pilihan pertama dan langsung gugur: domainnya tidak resolve dari jaringan ini, jadi bukan cuma tooling yang buntu — browser pengguna pun tak akan bisa memuat CDN mereka. Penggantinya sebuah kepala hasil pindai manusia dengan 52 blendshape ARKit, disimpan lokal di dalam repo, sehingga halamannya berjalan sepenuhnya offline.

Dan di sinilah “biaya development tinggi” berhenti jadi kalimat di tabel. Empat kegagalan render terjadi berturut-turut, dan keempatnya lolos dari build yang hijau bersih:

• Loader tekstur terkompresi harus terpasang sebelum model dimuat — kalau tidak, modelnya mati tanpa pesan yang berarti.
• Mipmap pada tekstur wajah wajib dimatikan. Skala UV model ini membuat GPU memilih mip terkecil dan hanya mengambil warna rata-rata atlas: wajahnya jadi abu-abu polos, persis seperti tekstur yang gagal dimuat.
• Model itu ternyata membawa klip rekaman gerak wajah bawaan, dan klip itu menimpa lipsync setiap frame — mulutnya diam total tanpa satu pun galat.
• Klip idle harus dipilih berdasarkan namanya. Ambil klip pertama begitu saja, dan model akan memutar take sembarang begitu dibuka.

Tidak satu pun tertangkap oleh type check, dan sebagian bahkan tidak memunculkan pesan di console. Semuanya baru ketahuan setelah halamannya dibuka dan dipotret. Itulah wujud konkret dari baris “kompleksitas frontend: tinggi”.

Ada satu biaya lagi yang tidak muncul di tabel mana pun: asetnya sendiri. Avatar 3D yang layak tayang harus diproduksi — concept art, generasi model, pembersihan mesh, rig, lalu pembuatan blendshape wajah yang jadi penentu bagus-tidaknya lipsync. Perkiraan realistisnya satu sampai dua minggu kerja dan $100–600 perkakas. Karena itulah aplikasi ini punya rute /inspect: seret satu berkas model ke sana dan halamannya langsung menilai apakah aset itu siap dipakai untuk bicara, tanpa menunggu berhari-hari kerja Blender lebih dulu.

Halaman ini sengaja tidak punya wajah sama sekali — hanya visualizer yang bereaksi saat AI berbicara, plus log koneksi. Dan justru itu poinnya: halaman ini yang paling ringan dari ketiganya, karena kerumitan pendekatan ini memang tidak berada di tempat yang bisa ditunjukkan sebuah halaman web.

Yang tidak ditiru di sini juga perlu disebut jujur: tidak ada speech-to-text sungguhan, tidak ada penanganan interupsi, tidak ada manajemen buffer. Tombol mikrofonnya murni antarmuka. Bagian yang sulit dari pendekatan ini ada di sisi yang tidak dibangun PoC ini.

Lalu bagian yang tidak dibangun itu akhirnya dibangun. Rute ini memakai speech-to-text sungguhan — Parakeet CTC 0,6B Indonesia berjalan di GPU server sendiri — disambung ke model bahasa lokal, lalu suaranya disintesis di browser pengunjung dan menggerakkan wajah 3D yang sama dengan /webgl.

Terukur di situs publik: finalisasi transkrip sekitar 1.015 ms, model bahasa 555 ms, jeda yang benar-benar dirasakan sekitar 1.570 ms — dan nol biaya per menit, berapa pun lama Anda bicara. Bandingkan dengan /navtalk yang menjawab dalam ~200 ms seharga $0,20 per menit. Vendor menang delapan kali lipat dalam kecepatan; jalur ini menang mutlak dalam biaya dan kerahasiaan. Untuk data yang tidak boleh keluar kantor, dua hal terakhir itu bukan penghematan melainkan syarat.

Rute ini juga membayar utang lama repo ini. Mesin viseme di halaman 3D selama ini digerakkan penanda kata dari teks kalengan; di sini yang menggerakkannya kalimat yang benar-benar diucapkan orang, ditranskrip mesin sendiri, dijawab model sendiri.

Pilihan nomor 9 di daftar berikut ini dijalankan sungguhan: SFU LiveKit berjalan di server sendiri, tokennya ditandatangani sendiri, dan mikrofon benar-benar dipublikasikan ke sana. Terukur dari internet: tersambung 4–7 detik, transport TCP, RTT 6–9 ms.

Dan itu memperbaiki satu kesimpulan di daftar ini. LiveKit dicantumkan sejajar dengan para penyedia avatar, seolah pilihan yang saling menggantikan. Ternyata bukan — SDK resmi HeyGen berdiri di atas pustaka klien LiveKit. LiveKit bukan pesaing mereka, ia pipa yang mereka pakai. Menjalankannya sendiri berarti pipa itu milik kita.

Konsekuensinya menarik: dari empat lapisan sebuah avatar — transport, mendengar, berpikir, dan wajah — tiga sudah bisa dimiliki sendiri dengan nol biaya per menit, dan ketiganya sudah berjalan di server yang sama. Yang tersisa untuk dibeli hanya wajahnya.