Tavus Griffin: نموذج التفاعل البشري، مشروحًا

Tavus Griffin هو نموذج التفاعل البشري — HIM، وهو اسم الفئة الذي اختاره البائع نفسه — وأكثر ما يفيد إرساؤه بشأنه أولًا هو ما ليس هو. فهو ليس مُولِّد فيديو. نموذج الفيديو يأخذ توجيهًا نصيًا أو إطارًا ثابتًا أو مقطعًا ويعيد ملفًا جاهزًا؛ والملف هو المنتج. Tavus Griffin يأخذ شخصًا جالسًا أمام كاميرا ويجري معه محادثة، مولِّدًا الوجه والصوت والسلوك غير اللفظي في اللحظة نفسها التي يستمع فيها ويقرر، على نحو متواصل، ما دام الاتصال مستمرًا. النسخة الوحيدة منه التي لمسها أي شخص خارج الشركة هي Griffin-Lite، معاينة بحثية تحمل صفحتها تاريخ 1 أكتوبر 2026، ومتاحة لمختبرين موثوقين مختارين عبر نموذج طلب، دون سعر منشور، ولا معرّف نموذج في توثيق API الخاص بـ Tavus، ولا نقطة نهاية. هذه الصفحة هي الجواب الدائم عن ماهية النموذج، وعلى ماذا يعمل، وما قيس فعليًا، ومن يستطيع استخدامه.

سؤال الصف، لأنه كان يُجاب عنه بشكل خاطئ.

ابحث عن Tavus Griffin وستجد أن القارئ من المحتمل بنفس القدر أن يصل إلى مقارنة مع نموذج تحويل النص إلى فيديو أو تحويل الصورة إلى فيديو كما هو الحال مع أي شيء عن المحادثة. يستحق هذا التأطير التصحيح بدلاً من الالتفاف حوله، لأن كل ما يترتب عليه — ما يصلح له النموذج، وماذا تعني درجاته، وما إذا كان زمن استجابته سريعًا أم بطيئًا — يعتمد على الفئة التي تصنفه تحتها. الفئتان ليستا تنويعات على لحن واحد. إنهما تقبلان أشياء مختلفة، وتنتجان أشياء مختلفة، وتُقاسان بأدوات مختلفة.

• نماذج توليد الفيديو — المدخل هو مُوجِّه نصي، أو صورة، أو مقطع؛ والمخرج ملف بطول ثابت؛ وينتهي التفاعل عند انتهاء التصيير. تُقيّم المعايير القياسية البكسلات.

• Tavus Griffin — المُدخَل هو شخص حقيقي، مع صوته وفيديوه، على نحوٍ متواصل؛ والمُخرَج تدفّق من الكلام والفيديو لا يتعين أن ينتهي أبدًا؛ التفاعل نفسه هو المنتج. وعلى المعايير أن تقيّم هذا التبادل.

Griffin أيضًا، في صياغة المورّد، رفضٌ للطريقة المعتادة التي يُجمَّع بها وكيل تفاعلي. وتقارنه Tavus صراحةً بأنظمة التتالي التي تُسلسل التعرف على الكلام، ونموذجًا لغويًا، وتركيب الكلام واحدًا تلو الآخر، منتظرةً أن ينتهي المستخدم من التحدث قبل أن تبدأ في الرد. ويوصَف Griffin بأنه ثنائي الاتجاه الكامل من فيديو إلى فيديو: الإدراك، والقرار بشأن متى وكيف يُردّ، وتوليد الرد، كلها تعمل في الوقت نفسه، وتستمر في العمل بينما يتحدث النموذج.

هناك إشارة في الصياغة التي يكتبها القراء فعلاً. أحد الاستعلامات المسجلة لهذا النموذج هو "tavus griffin human interaction model"، وهو باحث يصف الفئة قبل أن يجد صفحة تسميها. إنه الوصف الصحيح. صاغت Tavus المصطلح، وتختصره بـ HIM، وتعنون صفحة النموذج نفسه أول Human Interaction Model. إذن الإجابة المختصرة على ما هو Tavus Griffin: نظام أفاتار تحادثي في الوقت الفعلي، يصنفه صانعه ضمن Human Interaction Model، وهو فئة منتج مختلفة عن نموذج الفيديو وليس أفضل منه.

ما يستقبله وما ينتجه، مباشرةً

المدخلات هي الصوت والفيديو لشخص حي، بالإضافة إلى مُوجِّه نظام، وسجل المحادثة، وصورة مرجعية ومقطع صوتي مرجعي، والقدرة على استدعاء أداة أثناء المحادثة. وعلى جانب المُخرجات، لا يُصدر نموذج المحادثة نصًا فقط: بل يُصدر نصًا مع مجموعة من إشارات التحكم التي توجّه مُولِّدات الكلام والفيديو، وهكذا تبقى النبرة والموقف وتعبير الوجه والإيماءة مرتبطة بالقرار الذي أنتجها.

على جانب التوليد، تقول Tavus إن البنية تُنتج فيديو بدقة 720p في الوقت الحقيقي، بتمثيل كامن واحد في كل مرة، وتقبل عناصر تحكم التدفق بحيث يستطيع نموذج المحادثة توجيه السلوك غير اللفظي مثل الإيماء أو النظر بعيدًا أو تغيير النبرة العاطفية. أما جانب الكلام فيُصدر حزمًا صوتية يبلغ أصغرها 10 ms، ويمكن استنساخ صوت من نحو عشر ثوانٍ من الصوت المرجعي. كل رقم من هذه الأرقام هو وصف المورّد نفسه لنظامه الخاص، على صفحته الخاصة.

زمن الاستجابة هو الرقم الوحيد في تلك المجموعة الذي ينشره المورّد كقياس لا كهدف تصميمي. وبالمقارنة مع أربعة نماذج انتشار متدفقة منشورة، في سياق تحويل الصوت إلى الفيديو حيث يُمنح كل نظام كلامًا وصورة مرجعية وعليه أن ينتج وجهًا متحدثًا، تفيد Tavus بأن Griffin-Lite يحقق في المتوسط 0.43 ثانية من زمن الاستجابة الحقيقي من الصوت إلى الفيديو على H100s، بأفضل حالة 0.27 ث وأسوأ حالة 0.59 ث. وللمقارنة، يبلغ متوسط أرقام المورّد نفسه لأسرع طريقة تالية في تلك المقارنة 0.86 ث، ويبلغ متوسط أبطأ طريقة 1.45 ث. أجرت Tavus تلك المقارنة مقابل خطوط أساس اختارتها Tavus، لذا تعامل معه كرقم أبلغ عنه المورّد ومرفق ببروتوكول محدد، وليس كتصنيف محايد.

ثمة أمر لا ينشره المورّد، وهو هندسة الإطارات لمولّد الفيديو. لا يوجد على الصفحة رقم للإطارات في الثانية، ولا بيان لعدد إطارات الفيديو التي يغطيها كامن واحد، ما يعني أن أي مدة محددة للمقطع رأيت أنها منسوبة إلى Griffin — 320 مللي ثانية، أو كامن من ثمانية إطارات، أو نسبة ضغط معلنة — ليست موجودة على صفحة Tavus اليوم، ولا ينبغي تكرارها كما لو كانت كذلك. المذكور هو دقة 720p، وكامن واحد في المرة، ومتوسط زمن الانتقال من الصوت إلى الفيديو البالغ 0.43 ثانية.

ما الذي يتكوّن منه خط الأنابيب في الواقع

يصف Tavus نظام Griffin بأنه نظام مكوَّن من جزأين، وكلا الجزأين موثّق بتفصيل كافٍ للتحقّق منه.

الأول هو النمذجة الحوارية المستمرة، وهو محرك يدرك الصوت والفيديو الواردين، ويقرر متى وكيف يستجيب، ويصدر النص وإشارات التحكم. نقطة التصميم هي الفاصل الزمني: فهو يتخذ قرارات حوارية على فترات منتظمة دون الثانية بدلاً من مرة واحدة لكل دور، وهو ما يسميه المورد الأدوار المصغرة. في كل واحد منها يقيّم حالة المحادثة ويمكنه أن يأخذ الدور، أو يحتفظ به، أو يتنازل عنه، أو يشارك بإشارات خلفية دون مقاطعة، أو يتوقف عند المقاطعة. ولأن القرار مستمر وليس مدفوعًا بحدود الدور، فإن وقفة التفكير لا تُعتبر نهاية الدور. كما يدرك Griffin الفيديو حيث تدرك معظم الأنظمة التفاعلية الصوت وحده، وهو ما يمنحه القدرة على رصد النظرات، وتعبيرات الوجه، وبيئة المستخدم، وأي شيء يرفعه المستخدم أو يشاركه مع الكاميرا.

الثاني هو توليد الصوت والصورة محرّك، وهو بحد ذاته معماريتان — توليد الكلام المتدفق وتوليد الفيديو المتدفق — تحوّلان إشارات التحكم تلك إلى صوت وبكسلات. نموذج الكلام هو محوّل انتشار انحداري ذاتي سريع يأخذ مقطعًا مرجعيًا مشفّرًا كبادئة ويولّد كلامًا جديدًا تدريجيًا، قطعة كامنة واحدة في كل مرة، مع وصول زيادات الإخراج والتحكم، بدلًا من انتظار تجميع الكلام المنطوق بأكمله قبل أن يبدأ التحدث.

تحت جانب الكلام يوجد برنامج ترميز تسميه الشركة Tavec v1.7، وهنا تصبح الأرقام المنشورة محددة. إنه مشفر تلقائي تلافيفي يحوّل صوتًا بتردد 48 كيلوهرتز إلى تمثيل كامن متصل من 40 قيمة لكل إطار عند 100 إطار في الثانية، بدون كتب ترميز. فك التشفير الخاص به سببي بالكامل، لذا يحتفظ بالحالة عبر القطع وينتج موجة واحدة سلسة من التمثيلات الكامنة المتدفقة. الهدف هو الإحكام: دقيقة من الكلام تعادل 6,000 إطار كامن مقابل 2.88 مليون عينة من الصوت الخام، وهذا ما يجعل التسلسل قصيرًا بما يكفي ليتنبأ به محوّل انحداري ذاتي أسرع من الزمن الحقيقي. وتفيد Tavus بفك تشفير بسرعة 2,193× من الزمن الحقيقي، وViSQOL MOS-LQO قدره 4.242، و28.42 مليون معامل فك تشفير، مع قياس الإنتاجية على H100. جميعها مبلّغ عنها من المورد.

يصل الجانب المرئي إلى النقطة ذاتها من الاتجاه المعاكس. اعتمدت نماذج Tavus الأقدم على مُسبقات ثلاثية الأبعاد واسعة النطاق، مما حدّ من ما يمكنها التعبير عنه؛ تتمثل المتطلبات المعلنة للمورّد لمولّد الفيديو Griffin في الاستجابة السريعة لكل مقطع صوتي وارد، والتحمّل لعناصر تحكم تتغير بسرعة، والهوية المستقرة، ومزامنة الشفاه، والجودة البصرية على مدى عمليات توليد طويلة. كان الطريق إلى هناك تقطيرًا على ثلاث مراحل لمعلم انتشار كبير ثنائي الاتجاه متعدد الخطوات. أنتج Distribution Matching Distillation طالبًا قليل الخطوات كان سريعًا لكنه ظل يولّد الفيديو بأكمله في قطعة واحدة. حوّل Teacher forcing ذلك الطالب إلى نموذج انحداري ذاتي ينتج تمثيلًا كامنًا واحدًا في كل مرة. ثم درّب Self-Forcing النموذج على تاريخه المولّد ذاتيًا، مع آلية إضافية تعمل على إطارات التاريخ، بحيث لا تنحرف عمليات التوليد الطويلة — وهو نمط الفشل الذي تعاني منه هذه الفئة من النماذج عادةً، وجه يتدهور أو خلفية تتجول خلال محادثة تمتد لدقائق.

ما الذي تم قياسه، ومن قام بقياسه؟

تكاد كل الأرقام الواردة أعلاه تكون Tavus وهي تقيس Tavus. والاستثناء، وهو السبب في أنه يحمل وزنًا، هو VideoFDB من NVIDIA — معيار قياس للمحادثة السمعية البصرية كاملة الازدواجية، بنته NVIDIA، وتؤكد NVIDIA أنها تجريه بشكل مستقل باستخدام المقاييس المنشورة وحكمها الخاص. وهو يمنح نموذجًا درجات على مسارين، التوليد والإدراك، لكل منهما معيار تقييم خاص به ولوحة صدارة خاصة به، على مقياس من صفر إلى خمسة.

• التوليد — ما أنتجه الوكيل، من صوت وفيديو معًا، استجابةً لحدث ديناميكي في بث المستخدم. سجّل Griffin-Lite ‏3.83 مقابل مرجع الحقيقة الأرضية البشري البالغ 3.92؛ وسجّل النظام الأعلى التالي 2.80. كانت محاذاة معدل أخذ الدور، التي تقيس مدى تطابق قرارات النموذج بشأن وقت التحدث مع التوقيت في المحادثات المرجعية، 62.8% لـ Griffin-Lite و78% للمرجع البشري، مع قيمة توقيت تبلغ 1,892 مللي ثانية.

• الإدراك — مدخلات سمعية بصرية، ومخرجات صوتية، مع تقييم ما إذا كان الوكيل قد قرأ اللحظة بشكل صحيح. سجّل Griffin-Lite نتيجة 3.73 مقابل مرجع بشري قدره 4.20، مع توافق في معدل الاستحواذ بلغ 73.8% وتوقيت مقداره 2,232 مللي ثانية. يصفه Tavus بأنه النموذج الأكثر إدراكًا في المعيار من بين النماذج الـ15 التي جرى تقييمها.

ثمة تحذيران يجب أن يُرفقا بتلك الأرقام قبل أن يكرّرها أي أحد. أقرب خط أساس في مسار الإدراك مُدرَج باسم MiniCPM-o 4.5 عند 3.44 — لكن ذلك صف الصوت فقط (A2A)؛ أما الصف السمعي-البصري الكامل للنظام نفسه فهو 3.40. يقرأ Griffin الفيديو، لذا فالمقارنة الأمينة تكون مع الصفوف السمعية-البصرية، وهذا يضع الفجوة عند 0.33 بدلًا من 0.29، وجزء مما تقيسه الفجوة هو ببساطة قيمة امتلاك عينين. وفجوة مقدارها 0.09 نقطة أمام مرجع بشري على مقياس من خمس نقاط يقيّمه نموذج لغوي، الأفضل قراءتها على أنها «قريب من مستوى البشر وفق هذا المعيار» لا «عند مستوى البشر».

الرقم الرئيسي الآخر هو رقم Tavus نفسه. في دراسة أجرتها الشركة، أُخبر المشاركون الذين جُندوا عبر منصة بحثية مستقلة بأنه سيتم مطابقتهم مع مشارك آخر لمكالمة فيديو مدتها دقيقة واحدة؛ وكان شريكهم عبارة عن PAL يعمل بتقنية Griffin-Lite. من بين 54 مشاركًا، اعتقد 26 — أي 48% — أن شريكهم شخص حقيقي. وفي البروتوكول نفسه، أنتجت المنظومة السابقة للشركة المبنية من Phoenix-4.5 وRaven-1 وSparrow-2 نسبة 2.4%، أو مشاركًا واحدًا من 41. كانت المجموعتان واثقتين: 79% بين الذين قالوا إنه حقيقي، و81% بين الذين قالوا إنه ذكاء اصطناعي. قال أكثر من النصف إن الاحتمال لم يخطر ببالهم على الإطلاق، أما الذين شكّوا فعلًا فقد فعلوا ذلك في الغالب خلال أول عشرين ثانية. على مقياس من سبع نقاط، حصل النموذج في المتوسط على 5.4 من حيث الظهور بشكل طبيعي، و5.6 من حيث الجدارة بالثقة، و5.8 من حيث الرغبة في التحدث مرة أخرى، و5.5 من حيث الشعور بأنه يُستمع إليه، و4.9 — وهي الأدنى من بين الخمسة — من حيث ما إذا كانت المحادثة تتدفق بشكل طبيعي.

تلك الدراسة هي دراسة أجراها مورّد مع بروتوكول موصوف وحجم عينة معلن، وهو أكثر مما تقدمه معظم عمليات إطلاق النماذج وأقل من تكرار مستقل. لم يُعِد أي طرف ثالث إنتاج البروتوكول وجهًا لوجه، ولا يوجد لـ Tavus Griffin أي إدخال في لوحة صدارة مستقلة لنماذج الفيديو. درجتا مسار VideoFDB هما الرقمان الوحيدان في هذه الصفحة اللذان أنتجتهما مؤسسة غير Tavus.

الوصول والسعر: ما هو موجود اليوم

هذا أقصر قسم في الصفحة لأنه لا يوجد فيه أي شيء تقريبًا. وما نُشر، استنادًا إلى مواد المورّد نفسه:

• الحالة — Griffin-Lite هو معاينة بحثية، وتذكر Tavus أنه لن يكون متاحًا لاستخدام العملاء في الوقت الحالي، رغم أنه متاح لمختبرين موثوقين مختارين.

• الوصول — عبر نموذج طلب، مع إتاحة أوسع لنموذج أكثر قدرة يُوصف كما يلي.

• المنصة — تقول الجملة الختامية للمورّد نفسه إن Griffin ليس على منصة Tavus بعد، وسيأتي بمجرد أن تتوصل الشركة إلى كيفية إطلاقه بأمان.

• السعر — لم يُنشر أي سعر. تغطي صفحة أسعار Tavus منتج PAL ومجموعة Phoenix وRaven وSparrow؛ ولا تذكر شيئًا عن Griffin، ولا يوجد أي رقم لكل دقيقة أو لكل ثانية أو لكل طلب في أي مكان على موقع البائع.

• نقطة النهاية والمعرِّف — لا شيء. لا يظهر Griffin في فهرس توثيق واجهة برمجة تطبيقات Tavus، الذي توثِّق صفحة النماذج فيه Phoenix لتصيير الوجه، وRaven للإدراك، وSparrow لتناوب الأدوار. ولا يوجد أي نص تعريفي للنموذج يمكن استدعاؤه.

تفيد الشركة الموردة أنها تتوقع إطلاق Griffin قريبًا جدًا بعد معالجة أعمال السلامة التي تصفها. ذلك نية معلنة، وليس موعدًا، وهو البيان الاستشرافي الوحيد بشأن هذا الموضوع.

ما لا يصلح له Tavus Griffin

الفجوة بين نتيجة المعيار وحالة الإصدار هي المضمون العملي لهذه الصفحة، لذا يجدر بنا أن نكون صريحين بشأن الأمور التي لا يمكن استخدام النموذج فيها حالياً.

ليس شيئًا يمكن بناء مسار موجّه للعملاء عليه في هذا الربع. فالنشر يحتاج إلى معرّف نموذج، وسعر، وحدّ لمعدل الاستخدام، وسرد للمنطقة، وشكل من أشكال الالتزام بالتوافر، ولا شيء من ذلك موجود. والفريق الذي يخطط على أساس Griffin اليوم إنما يخطط على أساس نموذج طلب.

ليس مولّد فيديو، ولا ينبغي إقحامه في خط معالجة المقاطع استنادًا إلى قوة الأرقام. تأتي درجاته من منظومة اختبار محادثة ثنائية الاتجاه كاملة لها معاييرها الخاصة ومحكّمها الخاص؛ بينما تقيّم لوحات صدارة نماذج الفيديو المقاطع القصيرة عبر التفضيل الثنائي وفق المطالبات. والأداتان لا تنتجان أرقامًا قابلة للمقارنة، ما يعني أن Tavus Griffin لم يخضع لاختبار مقارنة مباشر مع أي نموذج فيديو عند جهد ومنظومة اختبار متطابقين، ولا ينبغي استنتاج أي ترتيب بينهما مما نُشر.

ليس آمنًا، بحسب ما يقر به المورّد نفسه، إطلاقه علنًا بعد. تكتب Tavus أن الخصائص ذاتها التي تجعل Human Interaction Model واجهة أفضل تجعله أيضًا أكثر قدرة على خداع الشخص ليعتقد أنه ليس ذكاءً اصطناعيًا، وأن مزيدًا من العمل على المواءمة والسلامة مطلوب، وأن ميزات الإفصاح وتقييمات السلامة الخارجية قيد الإنجاز. وبما أن ما يقرب من نصف عينة حية لم تستطع التمييز، وأن المشاركين الذين استطاعوا ذلك تمكنوا في الغالب من اكتشافه خلال عشرين ثانية، فإن مسألة الإفصاح ليست حاشية على النموذج، بل هي البوابة التي يتوقف عليها.

ما يمكن شراؤه اليوم هو بقية المكدس المحيط به. خط أنابيب الفيديو الحواري سلسلة — التعرف على الكلام، ونموذج لغوي، وتركيب الكلام، ثم طبقة العرض التي تجعله وجهًا — والثلاثة الأولى سلع أساسية، قابلة للتبادل، وقابلة للتوجيه بالفعل. تعمل هذه خلف نقطة نهاية واحدة متوافقة مع OpenAI لدى OrcaRouter، مع أكثر من مئتي نموذج على مفتاح واحد، سعر قائمة المزوّد يُمرَّر بهامش ربح 0% حتى يصل تغيير سعر المورّد في اليوم نفسه بدلًا من بعد دورة تعاقدية، وتجاوز فشل تلقائي يعيد التوجيه عندما يتدهور أداء مزوّد — وهو أمر يهم أكثر في مكالمة مباشرة مما يهم في مهمة دفعية، لأن الفشل مسموع — بالإضافة إلى لغة DSL للتوجيه للتعبير عن النموذج الذي ينبغي أن يتولى ماذا، ودمج النماذج لدمج المخرجات. طبقة التوليد هي الجزء الذي لا يزال في مرحلة معاينة بحثية؛ أما الطبقات التي فوقها فهي الجزء الذي يمكن للفريق تجميعه الآن. لا يظهر Tavus Griffin في قائمة النماذج المباشرة لدى OrcaRouter، وهو ما يتسق مع نموذج ليس له نقطة نهاية منشورة ولا معرّف للتوجيه إليه.

ما الذي سيغيّر هذه الصفحة؟

ثلاثة أشياء، وهي محددة بما يكفي لأن نترقبها. بطاقة نموذج تحمل سلسلة نموذج وسعراً ستنقل Tavus Griffin من نتيجة بحثية إلى سؤال شرائي. ونسخة مستقلة مكررة من بروتوكول وجهاً لوجه — مختبر ثانٍ يُجري المكالمة نفسها التي تستغرق دقيقة واحدة مع مشاركيه — ستفعل من أجل نسبة 48% أكثر مما يمكن لأي دراسة إضافية من البائع أن تفعله. وتقرير جلسة طويلة من شخص خارج Tavus سيختبر الادعاء الوحيد الذي بُنيت عليه البنية ولا يغطيه أي معيار أداء: أن Self-Forcing وآلية إطار السجل تحافظان فعلاً على الوجه والخلفية معاً خلال محادثة تمتد دقائق لا ثوانٍ. وإلى أن يتحقق أحد هذه الأمور، فإن مساري VideoFDB هما أقوى الأدلة المتاحة، ويأتيان بفارق 0.09 نقطة عن البشر في التوليد و0.47 في الإدراك.