Tavus Griffin: El Modelo de Interacción Humana, Explicado

Tavus Griffin es un Modelo de Interacción Humana — HIM, el nombre de categoría del propio proveedor — y lo más útil que se puede establecer sobre él en primer lugar es lo que no es. No es un generador de vídeo. Un modelo de vídeo recibe un prompt, un fotograma fijo o un clip y devuelve un archivo terminado; el archivo es el producto. Tavus Griffin toma a una persona sentada frente a una cámara y mantiene una conversación con ella, generando el rostro, la voz y el comportamiento no verbal en el mismo momento en que escucha y decide, de forma continua, durante todo el tiempo que dure la llamada. La única versión de él que alguien fuera de la empresa ha tocado es Griffin-Lite, una vista previa de investigación cuya página lleva una fecha del 1 de octubre de 2026, abierta a determinados evaluadores de confianza mediante un formulario de solicitud, sin precio publicado, sin identificador de modelo en la documentación de la API de Tavus y sin endpoint. Esta página es la respuesta permanente a qué es el modelo, sobre qué se ejecuta, qué se ha medido realmente y quién puede usarlo.

La pregunta de clase, porque se ha estado respondiendo mal

Busca Tavus Griffin y es igual de probable que un lector acabe en una comparación con un modelo de texto a video o de imagen a video que en cualquier cosa sobre conversación. Vale la pena corregir ese encuadre en lugar de sortearlo, porque todo lo que se deriva de él —para qué sirve el modelo, qué significan sus puntuaciones, si su latencia es rápida o lenta— depende de en qué clase lo clasifiques. Las dos clases no son variaciones sobre un mismo tema. Aceptan cosas distintas, producen cosas distintas y se miden con instrumentos distintos.

• Modelos de generación de video — la entrada es un prompt, una imagen o un clip; la salida es un archivo de duración fija; la interacción termina cuando lo hace el renderizado. Los benchmarks puntúan los píxeles.

• Tavus Griffin — la entrada es una persona en vivo, su audio y su video, de forma continua; la salida es un flujo de habla y video que nunca tiene que terminar; la interacción es el producto. Los benchmarks tienen que puntuar el intercambio.

Griffin es también, en el planteamiento del proveedor, un rechazo de la forma habitual de ensamblar un agente interactivo. Tavus lo contrasta explícitamente con los sistemas en cascada que encadenan el reconocimiento de voz, un modelo de lenguaje y la síntesis de voz uno tras otro, esperando a que el usuario termine de hablar antes de empezar a responder. Griffin se describe como vídeo a vídeo dúplex completo: la percepción, la decisión sobre cuándo y cómo responder y la generación de la respuesta se ejecutan todas al mismo tiempo, y siguen ejecutándose mientras el modelo habla.

Hay una señal en las palabras que los lectores realmente escriben. Una de las consultas registradas para este modelo es "tavus griffin human interaction model", que es un usuario de búsqueda describiendo la categoría antes de haber encontrado una página que la nombre. Es la descripción correcta. Tavus acuñó el término, lo abrevia como HIM y titula la propia página del modelo El primer modelo de interacción humana. Así que la respuesta breve a qué es Tavus Griffin: un sistema de avatares conversacionales en tiempo real, clasificado por su creador como un modelo de interacción humana, que es una categoría de producto distinta a la de un modelo de vídeo, más que una mejor.

Lo que recibe y lo que produce, en vivo

Las entradas son el audio y el video de una persona en vivo, más un prompt del sistema, el historial de conversación, una imagen de referencia y un clip de audio de referencia, y la capacidad de llamar a una herramienta en medio de la conversación. Del lado de la salida, el modelo conversacional no emite solo texto: emite texto más un conjunto de señales de control que dirigen a los generadores de voz y video, que es como el tono, la postura, la expresión facial y los gestos permanecen vinculados a la decisión que los produjo.

Del lado de la generación, Tavus afirma que la arquitectura produce video en 720p en tiempo real, un latente a la vez, y acepta controles de streaming para que el modelo de conversación pueda dirigir comportamiento no verbal, como gesticular, apartar la mirada o cambiar de registro emocional. Del lado del habla, emite paquetes de audio de tan solo 10 ms, y una voz se puede clonar a partir de unos diez segundos de audio de referencia. Cada una de esas cifras es la descripción que el proveedor hace de su propio sistema, en su propia página.

La latencia es el único número de ese grupo que el proveedor publica como una medición en lugar de un objetivo de diseño. Frente a cuatro modelos de difusión en streaming publicados, en un entorno de audio a video donde a cada sistema se le da habla y una imagen de referencia y debe producir la cara parlante, Tavus informa que Griffin-Lite promedia 0,43 segundos de latencia real de audio a video en H100, con un mejor caso de 0,27 s y un peor caso de 0,59 s. Para ponerlo en escala, las propias cifras del proveedor para el siguiente método más rápido de esa comparación promedian 0,86 s, y el más lento promedia 1,45 s. Tavus realizó esa comparación contra líneas base seleccionadas por Tavus, así que trátala como una cifra reportada por el proveedor con un protocolo específico adjunto, no como una clasificación neutral.

Una cosa que el proveedor no publica es la geometría de fotogramas del generador de video. No hay ninguna cifra de fotogramas por segundo en la página ni ninguna declaración de cuántos fotogramas de video cubre un latente, lo que significa que cualquier duración específica de fragmento que hayas visto citada para Griffin —320 ms, o un latente de ocho fotogramas, o una relación de compresión declarada— no está en la página de Tavus hoy y no debería repetirse como si lo estuviera. Lo que sí se indica es 720p, un latente a la vez, y el promedio de audio a video de 0,43 segundos.

De qué está hecho realmente el pipeline

Tavus describe a Griffin como un sistema de dos partes, y ambas partes están documentadas con suficiente detalle para verificarlas.

El primero es un motor de Continuous Conversational Modeling. Percibe audio y video entrantes, decide cuándo y cómo responder, y emite el texto y las señales de control. El punto de diseño es el intervalo: toma decisiones conversacionales a intervalos regulares de menos de un segundo en lugar de una vez por turno, lo que el proveedor llama mini-turnos. En cada uno evalúa el estado de la conversación y puede tomar la palabra, mantenerla, cederla, retroalimentar sin interrumpir, o detenerse cuando se le interrumpe. Como la decisión es continua en lugar de estar impulsada por los límites del turno, una pausa para pensar no se trata como el final de un turno. Griffin también percibe video donde la mayoría de los sistemas interactivos perciben solo audio, lo que le da mirada, expresión facial, el entorno del usuario y cualquier cosa que el usuario sostenga o comparta ante la cámara.

El segundo es un Audio Visual Generation motor, en sí mismo dos arquitecturas —generación de voz en streaming y generación de vídeo en streaming— que convierten esas señales de control en sonido y píxeles. El modelo de voz es un transformador de difusión autorregresivo rápido que toma un clip de referencia codificado como prefijo y genera voz nueva de forma progresiva, un fragmento latente a la vez, a medida que llegan incrementos de salida y de control, en lugar de esperar a que se componga todo el enunciado antes de empezar a hablar.

Debajo del lado del habla se encuentra un códec que el proveedor llama Tavec v1.7, y aquí es donde las cifras publicadas se vuelven concretas. Es un autoencoder convolucional que mapea audio de 48 kHz a un latente continuo de 40 valores por fotograma a 100 fotogramas por segundo, sin libros de códigos. Su decodificador es totalmente causal, por lo que mantiene estado entre fragmentos y produce una única forma de onda continua a partir de latentes transmitidos en streaming. La compacidad es la clave: un minuto de habla son 6.000 fotogramas latentes frente a 2,88 millones de muestras de audio sin procesar, lo que hace que la secuencia sea lo bastante corta para que un transformer autorregresivo prediga más rápido que en tiempo real. Tavus reporta decodificación a 2.193× en tiempo real, un MOS-LQO de ViSQOL de 4,242 y 28,42 millones de parámetros del decodificador, con el rendimiento medido en una H100. Todo reportado por el proveedor.

El lado del vídeo llega al mismo lugar desde la otra dirección. Los modelos anteriores de Tavus se apoyaban en extensos priors 3D, lo que limitaba lo que podían expresar; los requisitos declarados del proveedor para el generador de vídeo de Griffin son una respuesta rápida a cada fragmento de audio entrante, tolerancia a controles que cambian rápidamente, e identidad estable, sincronización labial y calidad visual durante generaciones largas. La ruta hasta allí fue una destilación en tres etapas de un gran profesor de difusión bidireccional de muchos pasos. Distribution Matching Distillation produjo un estudiante de pocos pasos que era rápido pero que aún generaba un vídeo completo en un solo bloque. Teacher forcing convirtió a ese estudiante en un modelo autorregresivo que produce un latente a la vez. Self-Forcing luego lo entrenó con su propio historial generado, con un mecanismo añadido que actúa sobre los fotogramas del historial, de modo que las ejecuciones largas no se desvíen — que es el modo de fallo que normalmente tiene esta clase de modelo, una cara que se degrada o un fondo que se desplaza a lo largo de una conversación que dura minutos.

¿Qué se ha medido y por quién?

Casi todos los números anteriores son Tavus midiendo a Tavus. La excepción, y la razón por la que tiene peso, es VideoFDB de NVIDIA: un benchmark para la conversación audiovisual full-duplex que NVIDIA creó y que, según NVIDIA, lleva a cabo de forma independiente utilizando las métricas publicadas y su propio evaluador. Puntúa a un modelo en dos pistas, generación y percepción, cada una con su propia rúbrica y su propia tabla de clasificación, en una escala de cero a cinco.

• Generación — lo que produjo el agente, audio y video juntos, en respuesta a un evento dinámico en el flujo del usuario. Griffin-Lite obtuvo una puntuación de 3,83 frente a una referencia humana de verdad fundamental de 3,92; el siguiente sistema con mejor puntuación obtuvo 2,80. La alineación de la tasa de toma de control, que mide con qué precisión las decisiones del modelo sobre cuándo hablar coinciden con la sincronización de las conversaciones de referencia, fue del 62,8 % para Griffin-Lite y del 78 % para la referencia humana, con una cifra de sincronización de 1.892 ms.

• Percepción — entrada audiovisual, salida de audio, puntuación de si el agente interpretó correctamente el momento. Griffin-Lite obtuvo 3,73 frente a una referencia humana de 4,20, con una alineación de la tasa de toma de control del 73,8 % y 2.232 ms de sincronización temporal. Tavus lo describe como el modelo más perceptivo del benchmark entre los 15 evaluados.

Esas afirmaciones necesitan dos salvedades antes de que alguien las repita. La línea base más cercana en la pista de percepción figura como MiniCPM-o 4.5 con 3,44 —pero esa es la fila de solo audio (A2A); la fila audiovisual completa del mismo sistema está en 3,40. Griffin lee vídeo, así que la comparación honesta es con las filas audiovisuales, lo que sitúa la diferencia en 0,33 en lugar de 0,29, y parte de lo que mide la diferencia es simplemente el valor de tener ojos. Y una diferencia de 0,09 puntos con respecto a una referencia humana en una escala de cinco puntos puntuada por un modelo de lenguaje se interpreta mejor como «cerca de lo humano en esta rúbrica» que como «en el nivel humano».

La otra cifra destacada es de la propia Tavus. En un estudio realizado por la empresa, a los participantes reclutados a través de una plataforma de investigación independiente se les dijo que se les emparejaría con otro participante para una videollamada de un minuto; su compañero era un PAL que ejecutaba Griffin-Lite. De 54 participantes, 26 —el 48 %— creyeron que su compañero era una persona real. Con el mismo protocolo, la pila tecnológica anterior de la empresa, compuesta por Phoenix-4.5, Raven-1 y Sparrow-2, produjo un 2,4 %, o un participante de cada 41. Ambos grupos estaban seguros: el 79 % entre quienes dijeron que era real, el 81 % entre quienes dijeron que era IA. Más de la mitad dijo que la posibilidad no se les había pasado por la cabeza en absoluto, y quienes sí sospecharon lo hicieron en su mayoría en los primeros veinte segundos. En una escala de siete puntos, el modelo obtuvo un promedio de 5,4 en parecer natural, 5,6 en ser digno de confianza, 5,8 en querer volver a hablar, 5,5 en sentirse escuchado y 4,9 —la puntuación más baja de las cinco— en si la conversación fluyó con naturalidad.

Ese estudio es un estudio realizado por el proveedor, con un protocolo descrito y un tamaño de muestra declarado, lo cual es más de lo que ofrecen la mayoría de los lanzamientos de modelos y menos que una replicación independiente. Ningún tercero ha reproducido el protocolo cara a cara, y Tavus Griffin no aparece en ninguna tabla de clasificación independiente de modelos de vídeo. Las dos puntuaciones de las pistas de VideoFDB son las únicas cifras de esta página que produjo una organización distinta de Tavus.

Acceso y precio: lo que existe hoy

Esta es la sección más corta de la página porque casi no hay nada en ella. Lo que se publica, en el propio material del proveedor:

• Estado — Griffin-Lite es una vista previa de investigación, y Tavus afirma que no estará disponible para uso por parte de clientes en este momento, aunque sí está disponible para probadores de confianza seleccionados.

• Acceso — mediante formulario de solicitud, con un lanzamiento más amplio de un modelo más capaz que se describe a continuación.

• Plataforma — la propia frase de cierre del proveedor dice que Griffin todavía no está en la plataforma Tavus y que llegará una vez que la empresa haya resuelto cómo lanzarlo de forma segura.

• Precio — ninguno publicado. La página de precios de Tavus cubre el producto PAL y el conjunto Phoenix, Raven y Sparrow; no dice nada sobre Griffin, y no hay ninguna cifra por minuto, por segundo ni por solicitud en ningún lugar del sitio del proveedor.

• Endpoint e identificador — ninguno. Griffin no aparece en el índice de documentación de la API de Tavus, cuya página de modelos documenta Phoenix para el renderizado facial, Raven para la percepción y Sparrow para la gestión de turnos. No hay ninguna cadena de modelo que se pueda invocar.

El proveedor declara que prevé lanzar Griffin muy pronto, después de que se aborden los trabajos de seguridad que describe. Eso es una intención declarada, no una fecha, y es la única declaración prospectiva sobre el tema.

Para lo que no es Tavus Griffin

La brecha entre el resultado de referencia y el estado de lanzamiento es el contenido práctico de esta página, por lo que vale la pena ser directo sobre aquellas cosas para las que el modelo actualmente no puede utilizarse.

No es algo sobre lo que construir una ruta de cara al cliente este trimestre. Un despliegue necesita un identificador de modelo, un precio, un límite de tasa, un relato de región y algún tipo de compromiso de disponibilidad, y nada de eso existe. Un equipo que hoy planifica en torno a Griffin está planificando en torno a un formulario de solicitud.

No es un generador de vídeo, y no debería incorporarse a un pipeline de clips basándose en la solidez de las cifras. Sus puntuaciones provienen de un entorno de pruebas de conversación full-duplex con su propia rúbrica y su propio evaluador; las tablas de clasificación de modelos de vídeo puntúan clips cortos según la preferencia por pares ante prompts. Los dos instrumentos no producen cifras comparables, lo que significa que Tavus Griffin no se ha comparado cara a cara con ningún modelo de vídeo con un esfuerzo y un entorno de pruebas equivalentes, y no debería inferirse ninguna clasificación entre ellos a partir de lo publicado.

Según el propio proveedor, aún no es seguro lanzarlo abiertamente. Tavus escribe que las mismas propiedades que hacen que un Modelo de Interacción Humana sea una mejor interfaz también lo hacen mejor para engañar a una persona y hacerle creer que no es una IA, que se requiere más trabajo de alineación y seguridad, y que las funciones de divulgación y las evaluaciones de seguridad externas están en curso. Dado que casi la mitad de una muestra en vivo no pudo distinguirlo, y que los participantes que sí pudieron lo dedujeron en su mayoría en menos de veinte segundos, la cuestión de la divulgación no es una nota al pie del modelo: es la puerta que lo condiciona.

Lo que se puede comprar hoy es el resto del stack que lo rodea. Un pipeline de video conversacional es una cadena —reconocimiento de voz, un modelo de lenguaje, síntesis de voz y luego la capa de renderizado que le da una cara—, y los tres primeros son commodities, intercambiables y ya enrutables. Esos se ejecutan detrás de un único endpoint compatible con OpenAI en OrcaRouter, con más de doscientos modelos en una sola clave, precio de lista del proveedor traspasado con 0 % de recargo para que un cambio de precio de un proveedor llegue el mismo día en lugar de después de un ciclo de contrato, conmutación por error automática que redirige cuando un proveedor se degrada —lo cual importa más en una llamada en vivo que en un trabajo por lotes, porque el fallo es audible—, además de un DSL de enrutamiento para expresar qué modelo debería encargarse de qué, y fusión de modelos para combinar salidas. La capa de generación es la parte que todavía es una vista previa de investigación; las capas por encima son la parte que un equipo puede ensamblar ahora. Tavus Griffin no aparece en la lista de modelos activos de OrcaRouter, lo cual es consistente con un modelo que no tiene endpoint publicado ni identificador al que enrutar.

¿Qué cambiaría esta página?

Tres cosas, y son lo bastante concretas como para vigilarlas. Una tarjeta de modelo con una cadena de modelo y un precio haría pasar a Tavus Griffin de resultado de investigación a cuestión de adquisición. Una replicación independiente del protocolo cara a cara —un segundo laboratorio que ejecute la misma llamada de un minuto con sus propios participantes— haría más por ese 48 % que cualquier estudio adicional de un proveedor. Y un informe de sesión larga de alguien externo a Tavus pondría a prueba la única afirmación en torno a la cual se construyó la arquitectura y que ningún benchmark cubre: que Self-Forcing y el mecanismo de marcos de historial realmente mantienen juntos una cara y un fondo a lo largo de una conversación que dura minutos en vez de segundos. Hasta que uno de esos llegue, las dos pistas de VideoFDB son la evidencia más sólida disponible, y conllevan una brecha de 0,09 puntos respecto a los humanos en generación y de 0,47 en percepción.