Tavus Griffin vs. Kling 3: Eine Echtzeit-Konversation gegen einen Zehn-Sekunden-Clip

Die ehrliche Gestalt dieser Gegenüberstellung ist eine Routing-Asymmetrie. Kling 3 ist ein aufrufbares Modell mit einem Preis, einer Parameteroberfläche und einem Eintrag in unserem eigenen Katalog; Tavus Griffin ist eine Forschungsvorschau für ausgewählte vertrauenswürdige Tester hinter einem Anfrageformular, angekündigt am 1. Oktober 2026, ohne Kennung, ohne Endpunkt und ohne veröffentlichten Tarif. Kling 3.0 steht im OrcaRouter-Katalog als kling/kling-v3, bepreist mit 0,084 $ pro Anfrage, wobei der Listenpreis des Anbieters durchgereicht und nichts aufgeschlagen wird. Griffin ist nicht routbar, und das nicht, weil sich niemand darum gekümmert hätte – eine Echtzeit-Vollduplex-Sitzung, in der das Modell in 320-Millisekunden-Häppchen 720p generiert, während es zuhört, ist kein Request-Response-Aufruf, und sie würde nicht in dieselbe Form passen, selbst wenn Tavus morgen die Tore öffnete. Es handelt sich also nicht um einen Vergleich, den ein Käufer über den Preis entscheidet. Es ist ein Vergleich zweier Antworten auf die Frage, wofür ein generierter Mensch da ist.

Was Kling 3.0 tatsächlich ist

Kling 3.0 wurde am 5. Februar 2026 als Serie aus vier Modellen eingeführt — Video 3.0, Video 3.0 Omni, Image 3.0 und Image 3.0 Omni. Sein prägendes Merkmal ist die automatische Multi-Shot-Sequenzierung: Das Modell plant die Shot-Übergänge selbst, und in einem benutzerdefinierten Modus können Sie die Anzahl der Shots und die Dauer jedes einzelnen festlegen, wobei Tester von brauchbaren Sequenzen mit bis zu etwa sechs unterschiedlichen Shots aus einem einzigen Prompt berichten und Shot-Größe, Kamerabewegung und narrativer Beat pro Shot angegeben werden können. Die Obergrenze liegt bei 15 Sekunden pro Generierung, die Untergrenze bei drei Sekunden. Auf OrcaRouter-Seite erscheint es als Flaggschiff-Modell für Text-zu-Video und Bild-zu-Video mit Multi-Shot-, Motiv- und Bewegungskontrolle, 3–15-Sekunden-Clips und bis zu nativem 4K laut Angaben, bereitgestellt unter POST /v1/video/generations.

Audio wird im selben Durchgang nativ erzeugt. Kuaishous Version unterstützt Chinesisch, Englisch, Japanisch, Koreanisch und Spanisch, ermöglicht gemischtsprachige Dialoge innerhalb eines Clips, weist in Szenen mit mehreren Figuren jeder Figur eine eigene Stimme zu und bietet regionale Akzente – amerikanisches, britisches und indisches Englisch; nordostchinesische, Pekinger, taiwanesische, kantonesische und kantonesisch-chinesische Akzente. Die Konsistenz der Lippensynchronisation ist die am häufigsten beanstandete Schwäche in unabhängigen Hands-on-Tests; in einem Testbericht benötigten etwa zwei von fünf Dialogclips einen Retake, und es wurden Artefakte rund um Dialoge in lauten Umgebungen gemeldet, in denen Wasser- und Geräuschkulissen die Sprache gedämpft klingen lassen.

Was Griffin tatsächlich ist, in einem Absatz

Griffin ist kein Videogenerator mit einem Konversationsmodus. Es sind zwei Engines, die gleichzeitig laufen. Eine Continuous-Conversational-Modeling-Engine nimmt Audio und Video einer Person auf, bewertet den Austausch in Subsekunden-Intervallen neu und entscheidet bei jedem davon, ob sie schweigen, signalisieren, einen Backchannel senden oder den Turn übernehmen soll – wobei sie expressive Steuerungssignale ausgibt, die Timing, Haltung, Mimik und Gestik transportieren, nicht nur Wörter. Eine audiovisuelle Generierungs-Engine verwandelt diese Steuerungssignale in Klang und Pixel zugleich: ein autoregressiver Diffusions-Transformer, der Sprache in latenten Chunks nacheinander aus einem kodierten Sprecher-Präfix erzeugt, und ein autoregressiver Few-Step-Videogenerator, der 720p in 320-ms-Chunks bei 25 fps aus einem einzigen Referenzfoto erzeugt. Es gibt keinen Prompt, keine Clip-Länge und keine Datei. Für Audio meldet es 0,43 Sekunden echte Audio-zu-Video-Latenz auf H100s im Vergleich zu vier veröffentlichten Streaming-Diffusions-Baselines, was Tavus als halb so viel wie bei der nächstschnellsten Methode beschreibt.

Preis und der einseitige Tisch

Kling 3.0s Preisgestaltung ist die einzige Stelle in diesem Artikel, an der auf beiden Seiten eines Vergleichs eine konkrete Zahl steht und eine Seite leer ist.

• Kling 3.0 auf OrcaRouter — 0,084 $ pro Anfrage, Listenpreis des Anbieters wird mit 0 % Aufschlag weitergegeben, sodass eine Kuaishou-Preisänderung oder eine Aktionspreissenkung hier noch am selben Tag live ist und nicht erst nach einem Vertragszyklus.

• Kling 3.0 in der unabhängigen Arena – das Text-zu-Video-mit-Audio-Board mit Stand vom 2. Oktober 2026 führt die 1080p-Pro-Stufe mit 10,08 $/Min. und die Omni-1080p-Pro-Stufe mit 8,40 $/Min. auf. Dasselbe Board bewertet die vier Stufen von Kling 3.0 mit vier verschiedenen Preisen, sodass „der Preis von Kling 3.0“ keine einzelne Zahl ist.

• Griffin — kein Preis. Griffin-Lite ist als Research Preview für ausgewählte vertrauenswürdige Tester verfügbar, befindet sich nicht auf der Tavus-Plattform, und die eigene Ankündigung besagt, dass es derzeit nicht für die Kundennutzung verfügbar sein wird. Es gibt keinen Preis pro Anfrage, keinen Preis pro Sekunde und keine kostenlose Stufe, die man nennen könnte, und das Modell wird erst erscheinen, nachdem Tavus geklärt hat, wie es sicher veröffentlicht werden kann.

Das ist der gesamte Abschnitt, und es ist ehrlich, es dabei zu belassen, statt eine Pro-Schätzung des Compute-Footprints zu erfinden.

Die Scoreboards messen unterschiedliche Dinge und stimmen nicht überein.

Beide Modelle wurden von jemand anderem als ihrem Anbieter anhand von Instrumenten bewertet, die nicht vergleichbar sind.

Kling 3.0 steht in der Video-Arena von Artificial Analysis, wo Elo aus blinden paarweisen menschlichen Präferenzen bei kurzen Clips stammt. Zwei Lesarten am selben Tag erzählen unterschiedliche Geschichten – das ist die Falle, die es wert ist, benannt zu werden: Auf dem Text-zu-Video-mit-Audio-Board liegen die Kling-Stufen im Mittelfeld, während sie auf dem Image-zu-Video-mit-Audio-Board deutlich höher platziert sind – doch nicht alle Kling-Stufen sind auf beiden vertreten. Nur die Pro- und Omni Pro 1080p-Builds sind überhaupt auf dem Text-Board; die 720p-Standard-Stufe wird bei Image-zu-Video bewertet und nirgendwo sonst.

• Kling 3.0 bei Text-zu-Video (mit Audio) — 1080p Pro auf Platz 16, Elo 1.000 bei 4.844 Stimmen, 10,08 $/Min.; Omni 1080p Pro auf Platz 16, Elo 987 bei 2.741 Stimmen, 6,90 $/Min. Die teurere der beiden Stufen erzielt eine niedrigere Punktzahl, was dasselbe Nicht-Ergebnis ist, das die Stufenspanne überall sonst auf diesem Board zeigt.

• Kling 3.0 bei Bild-zu-Video (mit Audio) — 1080p Pro auf Platz 18–20, Elo 1.055 (±6) bei 14.896 Stimmen, 20,16 $/min; 720p Standard auf Platz 18–20, Elo 1.051 (±6) bei 14.692 Stimmen, 15,60 $/min; Omni 1080p Pro auf Platz 21–22, Elo 1.044 (±8) bei 2.945 Stimmen, 16,80 $/min; Omni 720p Standard auf Platz 21–24, Elo 1.036, 13,44 $/min.

Die Lesart ist, dass Kling 3.0 stärker ist, wenn es von einem bereitgestellten Bild ausgeht, als wenn es von Text ausgeht, und die Bild-zu-Video-Rangliste weist die dreifache Stimmenzahl auf, sodass seine Platzierung dort die besser abgesicherte ist. Das ist außerdem der Modus, den die meisten kommerziellen Arbeiten verwenden. Beachten Sie, was die vier Stufen bieten: Innerhalb von Bild-zu-Video umfassen sie sechzehn Elo-Punkte über eine Preisspanne von 13,44 $ bis 20,16 $ pro Minute, und die günstigste der vier ist nicht die am niedrigsten platzierte. Mehr für Kling 3.0 zu zahlen, bringt es in dieser Rangliste nicht nach oben.

Griffins Bewertungen stammen aus NVIDIAs VideoFDB, das voll-duplexe audiovisuelle Gespräche in zwei Kategorien bewertet und von NVIDIA mit einem eigenen Judge anhand einer veröffentlichten Rubrik entwickelt und betrieben wurde. Griffin-Lite erzielte 3,83 von 5 bei der Generierung gegenüber einer menschlichen Referenz von 3,92 und 2,80 für das nächstbeste veröffentlichte System sowie 3,73 bei der Wahrnehmung gegenüber einer menschlichen Referenz von 4,20, mit einer Übernahmequoten-Ausrichtung von 62,8 % und 73,8 %. Diese Zahlen sagen nichts darüber aus, ob ein Clip bei 1080p richtig aussieht, und Klings Elo sagt nichts darüber aus, ob ein Modell mitten im Satz unterbrochen werden kann. Die einzige ehrliche Verwendung beider liegt innerhalb ihrer eigenen Frage.

Die Lücke, die niemand misst: Latenz gegenüber Länge

Hier gibt es einen echten technischen Kontrast, den keine der beiden Bestenlisten erfasst, und er ist das Nützlichste an diesem Vergleich für alle, die ein Produkt planen.

Kling 3.0 optimiert auf Länge und Struktur innerhalb einer begrenzten Generierung: bis zu fünfzehn Sekunden, bis zu etwa sechs geplante Einstellungen, Steuerung pro Einstellung. Seine Kosten skalieren mit der Ausgabedauer, und seine Qualität skaliert damit, wie spezifisch der Prompt ist. Nichts daran läuft, während der Nutzer noch spricht, und das ist kein Mangel – es ist die Form der Kategorie.

Griffin optimiert auf Latenz innerhalb einer unbegrenzten Sitzung: 320-Millisekunden-Chunks, 25 fps, eine Entscheidung, die in jedem untersekündlichen Intervall getroffen wird, kein Clip, der geplant werden muss, weil das Gespräch kein Ende hat. Seine Kosten, wie auch immer sie ausfallen mögen, würden mit der Gesprächsdauer statt mit gerenderten Sekunden skalieren, und seine Qualität skaliert damit, wie natürlich die Person am anderen Ende ist, statt mit dem Briefing. Die dreistufige Destillation in einen autoregressiven Generator, der auf seiner eigenen Historie trainiert wird, existiert genau deshalb, weil der Fehlermodus dieser Architektur das Abdriften über einen langen Rollout ist und nicht eine schlechte Aufnahme.

Stellt man die beiden nebeneinander, ist die praktische Konsequenz, dass sie in entgegengesetzte Richtungen versagen. Kling 3.0 versagt sichtbar und früh – ein grenzwertiger Take, den man für ein paar Cent löschen und neu generieren kann, wobei das Retake-Budget fest im Workflow verankert ist. Griffin würde, wenn es wie berichtet funktionieren würde, unsichtbar und spät versagen, indem es nicht das ist, was es zu sein scheint, was der Grund dafür ist, dass Tavus es zurückhält.

Wo ein Router wirklich hilft – und wo nicht

Kling 3.0 ist im OrcaRouter-Katalog als kling/kling-v3 für 0,084 $ pro Anfrage gelistet – mit demselben Schlüssel und demselben OpenAI-kompatiblen Endpoint wie über 200 andere Modelle. Das ist ein echter Unterschied dazu, ein Kuaishou-Konto plus eine separate Integration für das Textmodell, das Ihre Pipeline benötigt, vorhalten zu müssen: Weil wir nichts auf den Anbieterpreis aufschlagen, ist eine Preisänderung von Kuaishou am selben Tag auf unserer Seite aktiv, und wenn der vorgelagerte Anbieter schwächelt oder drosselt, verschiebt ein automatisches Failover die Anfrage noch vor Beginn der Antwort, statt einen Fehler an Ihre Anwendung zurückzugeben. Für eine Video-Pipeline, in der ein einziger Aufruf mehr als tausend Textaufrufe kosten kann, ist es mehr wert, dass die Anfrage eine schlechte Minute beim Anbieter übersteht, als der Aufschlag, den Sie nicht zahlen.

Griffin ist nicht in unserem Katalog, ist in niemandes Katalog und kann es auch nicht sein – ein Vollduplex-Sitzungsmodell ist keine geroutete Anfrage. Es ist nur über das Einreichen einer Zugriffsanfrage erreichbar. Dass Tavus angehende Entwickler selbst eher auf seine älteren Modelle als auf Griffin verweist, ist der verräterische Hinweis: Die drei Vorgänger betreiben die PALs, die 150.000 Entwickler und Unternehmen bereits nutzen, und Griffin ist nicht darunter.

Welches, wofür

• Wählen Sie Kling 3.0 für geplante Multi-Shot-Sequenzen aus einem einzigen Prompt, für Image-to-Video-Arbeiten, bei denen seine Platzierung in der Arena ohne Audio stark ist und viele Stimmen erhält, für mehrsprachigen Dialog mit Stimmbindung pro Charakter über fünf Sprachen hinweg, für Elementkonsistenz über Kamerabewegungen hinweg und für 4K, wenn Sie die Stufe schriftlich bestätigen — Kuaishous eigene Dokumentation beansprucht natives 4K, während die Benutzeranleitung nur 720p und 1080p auflistet, und die Credit-Sätze von Drittanbietern für 4K variieren je nach Quelle um mehr als das Doppelte.

• Teste Kling 3.0 zuerst bei der Lippensynchronisation, wenn es auf Dialog ankommt, denn genau dort versagt es laut unabhängigen Praxistests, und das ist der Fehler, der die meisten Wiederholungsaufnahmen kostet.

• Planen Sie nicht um Griffin herum. Fordern Sie Zugang an, wenn die Frage, die Sie beantwortet haben müssen, lautet, ob eine Person einen generierten Menschen in einem einminütigen Anruf von einem echten unterscheiden kann, oder ob das Wissen darüber, wohin die Interaktionsschicht sich entwickelt, beeinflussen sollte, was Sie jetzt auf der Clip-Schicht aufbauen.

• Behalte zwei Dinge im Auge, nicht nur eines. Auf der Kling-Seite: ob die Tarifspanne beginnt, dem Preis zu folgen, denn die vier Tarife liegen derzeit bei Image-to-Video innerhalb von neunzehn Elo-Punkten zueinander, während sie sich im Preis um die Hälfte unterscheiden, und der günstigste Tarif ist nicht der am schlechtesten platzierte. Auf der Griffin-Seite: ob ein Offenlegungsmechanismus und eine Modellkarte kommen; wenn ja, hört der Vergleich auf, ein Design-Essay zu sein, und wird zu einer Beschaffungsentscheidung, und dieser Artikel muss neu geschrieben werden.