Tavus Griffin : le modèle d’interaction humaine, expliqué

Tavus Griffin est un Human Interaction Model — HIM, le nom de catégorie propre au fournisseur — et la chose la plus utile à établir à son sujet d'emblée est ce qu'il n'est pas. Ce n'est pas un générateur de vidéo. Un modèle vidéo prend un prompt, une image fixe ou un clip et renvoie un fichier fini ; le fichier est le produit. Tavus Griffin prend une personne assise devant une caméra et tient une conversation avec elle, générant le visage, la voix et le comportement non verbal au moment même où il écoute et décide, en continu, aussi longtemps que dure l'appel. La seule version à laquelle quiconque en dehors de l'entreprise a eu accès est Griffin-Lite, un aperçu de recherche dont la page porte la date du 1er octobre 2026, ouvert à des testeurs de confiance sélectionnés via un formulaire de demande, sans prix publié, sans identifiant de modèle dans la documentation de l'API de Tavus et sans point de terminaison. Cette page est la réponse permanente à ce qu'est le modèle, sur quoi il tourne, ce qui a réellement été mesuré et qui peut l'utiliser.

La question du cours, parce qu’on y répond mal.

Recherchez Tavus Griffin, et un lecteur aura autant de chances de tomber sur une comparaison avec un modèle texte-vers-vidéo ou image-vers-vidéo que sur quoi que ce soit à propos de conversation. Ce cadrage mérite d’être corrigé plutôt que contourné, car tout ce qui en découle — ce à quoi le modèle est bon, ce que ses scores veulent dire, si sa latence est rapide ou lente — dépend de la classe dans laquelle vous le rangez. Les deux classes ne sont pas des variations sur un même thème. Elles acceptent des choses différentes, produisent des choses différentes et sont mesurées avec des instruments différents.

• Modèles de génération vidéo — l'entrée est une invite, une image ou un clip ; la sortie est un fichier de durée fixe ; l'interaction se termine lorsque le rendu se termine. Les benchmarks notent les pixels.

• Tavus Griffin — l’entrée est une personne en direct, son audio et sa vidéo, en continu ; la sortie est un flux de parole et de vidéo qui ne doit jamais s’arrêter ; l’interaction est le produit. Les benchmarks doivent évaluer l’échange.

Griffin est aussi, dans la présentation du fournisseur, un rejet de la manière habituelle dont un agent interactif est assemblé. Tavus le met explicitement en contraste avec les systèmes en cascade qui enchaînent reconnaissance vocale, modèle de langage et synthèse vocale l’un après l’autre, en attendant que l’utilisateur ait fini de parler avant de commencer à répondre. Griffin est décrit comme de la vidéo-vers-vidéo en duplex intégral : la perception, la décision de quand et comment répondre, et la génération de la réponse s’exécutent toutes en même temps, et elles continuent de fonctionner pendant que le modèle parle.

Il y a un signal dans les mots que les lecteurs tapent réellement. L'une des requêtes enregistrées pour ce modèle est « tavus griffin human interaction model », un internaute qui décrit la catégorie avant d'avoir trouvé une page qui la nomme. C'est la bonne description. Tavus a inventé le terme, l'abrège en HIM et intitule la page du modèle lui-même Le premier modèle d'interaction humaine. Donc, la réponse courte à ce qu'est Tavus Griffin : un système d'avatars conversationnels en temps réel, classé par son créateur comme un modèle d'interaction humaine, ce qui constitue une catégorie de produit différente de celle d'un modèle vidéo, plutôt qu'une catégorie supérieure.

Ce qu'il prend en entrée et ce qu'il produit, en direct

Les entrées sont l’audio et la vidéo d’une personne en direct, ainsi qu’un prompt système, l’historique de la conversation, une image de référence et un extrait audio de référence, et la capacité d’appeler un outil en cours de conversation. Côté sortie, le modèle conversationnel n’émet pas seulement du texte : il émet du texte plus un ensemble de signaux de contrôle qui dirigent les générateurs de parole et de vidéo, ce qui permet au ton, à la posture, à l’expression faciale et aux gestes de rester liés à la décision qui les a produits.

Du côté de la génération, Tavus déclare que l’architecture produit de la vidéo 720p en temps réel, un latent à la fois, et accepte des commandes de streaming afin que le modèle de conversation puisse diriger un comportement non verbal tel que les gestes, le fait de détourner le regard ou un changement de registre émotionnel. Le volet parole émet des paquets audio d’une taille aussi petite que 10 ms, et une voix peut être clonée à partir d’environ dix secondes d’audio de référence. Chacun de ces chiffres provient de la propre description que le fournisseur fait de son propre système, sur sa propre page.

La latence est le seul chiffre de ce groupe que le fournisseur publie comme une mesure plutôt que comme un objectif de conception. Face à quatre modèles de diffusion en streaming publiés, dans un contexte audio-vers-vidéo où chaque système reçoit de la parole et une image de référence et doit produire le visage parlant, Tavus indique que Griffin-Lite atteint en moyenne 0,43 seconde de latence audio-vers-vidéo réelle sur des H100, avec un meilleur cas de 0,27 s et un pire cas de 0,59 s. Pour donner un ordre de grandeur, les chiffres du fournisseur lui-même pour la méthode la plus rapide après celle-ci dans cette comparaison sont en moyenne de 0,86 s, et la plus lente affiche une moyenne de 1,45 s. Tavus a réalisé cette comparaison par rapport à des références de son choix, alors considérez ce chiffre comme une donnée rapportée par le fournisseur, assortie d’un protocole spécifique, et non comme un classement neutre.

Ce que le fournisseur ne publie pas, c’est la géométrie d’image du générateur vidéo. La page n’indique aucun chiffre d’images par seconde, ni combien d’images vidéo un latent couvre, ce qui signifie que toute durée de segment précise que vous avez pu voir citée pour Griffin — 320 ms, ou un latent de huit images, ou un taux de compression donné — ne figure pas sur la page de Tavus aujourd’hui et ne devrait pas être répétée comme si elle y figurait. Ce qui est indiqué, c’est 720p, un latent à la fois, et la moyenne audio-vers-vidéo de 0,43 seconde.

En quoi le pipeline est réellement constitué

Tavus décrit Griffin comme un système en deux parties, et les deux parties sont documentées avec suffisamment de détails pour être vérifiées.

Le premier est un moteur de modélisation conversationnelle continue. Il perçoit l'audio et la vidéo entrants, décide quand et comment répondre, et émet le texte et les signaux de contrôle. Le point de conception clé est l'intervalle : il prend des décisions conversationnelles à intervalles réguliers inférieurs à la seconde plutôt qu'une fois par tour, ce que l'éditeur appelle des mini-tours. À chaque intervalle, il évalue l'état de la conversation et peut prendre la parole, la conserver, la céder, émettre un retour de canal sans interrompre, ou s'arrêter lorsqu'il est interrompu. Parce que la décision est continue plutôt que dictée par les limites de tour, une pause de réflexion n'est pas traitée comme la fin d'un tour. Griffin perçoit également la vidéo là où la plupart des systèmes interactifs ne perçoivent que l'audio, ce qui lui permet de capter le regard, les expressions faciales, l'environnement de l'utilisateur, et tout ce que l'utilisateur tient ou partage face à la caméra.

Le second est un Audio Visual Generation moteur, lui-même constitué de deux architectures — génération de parole en flux et génération vidéo en flux — qui convertit ces signaux de contrôle en son et en pixels. Le modèle de parole est un transformer de diffusion autorégressif rapide qui prend un extrait de référence encodé comme préfixe et génère de la parole nouvelle progressivement, un segment latent à la fois, à mesure que les incréments de sortie et de contrôle arrivent, plutôt que d'attendre que l'énoncé entier soit composé avant de commencer à parler.

Sous le volet parole se trouve un codec que le fournisseur appelle Tavec v1.7, et c'est ici que les chiffres publiés deviennent précis. Il s'agit d'un autoencodeur convolutif qui transforme un audio à 48 kHz en une représentation latente continue de 40 valeurs par trame à 100 trames par seconde, sans livres de codes. Son décodeur est entièrement causal, il conserve donc l'état d'un segment à l'autre et produit une forme d'onde continue à partir de latents transmis en flux. La compacité est l'objectif : une minute de parole représente 6 000 trames latentes contre 2,88 million d'échantillons d'audio brut, ce qui rend la séquence suffisamment courte pour qu'un transformeur autorégressif la prédise plus vite que le temps réel. Tavus rapporte un décodage en temps réel de 2 193×, un MOS-LQO ViSQOL de 4,242 et 28,42 millions de paramètres de décodeur, le débit ayant été mesuré sur un H100. Tous les chiffres sont rapportés par le fournisseur.

Le volet vidéo arrive au même endroit en partant de l'autre direction. Les modèles antérieurs de Tavus s'appuyaient sur de vastes a priori 3D, ce qui limitait ce qu'ils pouvaient exprimer ; les exigences déclarées du fournisseur pour le générateur vidéo de Griffin sont une réponse rapide à chaque segment audio entrant, une tolérance pour des contrôles qui changent rapidement, ainsi qu'une identité, une synchronisation labiale et une qualité visuelle stables sur de longues générations. La voie pour y parvenir a été une distillation en trois étapes d'un grand enseignant de diffusion bidirectionnel à plusieurs pas. La distillation par correspondance de distribution a produit un étudiant à quelques pas, rapide mais générant encore une vidéo entière en un seul bloc. Le teacher forcing a converti cet étudiant en un modèle autorégressif produisant un latent à la fois. Self-Forcing l'a ensuite entraîné sur son propre historique généré, avec un mécanisme ajouté agissant sur les images de l'historique, afin que les longs déroulés ne dérivent pas — ce qui est le mode de défaillance que cette classe de modèles présente normalement, un visage qui se dégrade ou un arrière-plan qui s'égare au fil d'une conversation qui dure plusieurs minutes.

Qu'est-ce qui a été mesuré, et par qui ?

Presque tous les chiffres ci-dessus représentent Tavus mesurant Tavus. L'exception, et la raison pour laquelle elle a du poids, est VideoFDB de NVIDIA — un benchmark pour la conversation audio-visuelle full-duplex que NVIDIA a construit, et que NVIDIA déclare mener indépendamment en utilisant les métriques publiées et son propre juge. Il évalue un modèle sur deux volets, génération et perception, chacun avec sa propre grille d'évaluation et son propre classement, sur une échelle de zéro à cinq.

• Génération — ce que l’agent a produit, audio et vidéo ensemble, en réponse à un événement dynamique dans le flux de l’utilisateur. Griffin-Lite a obtenu un score de 3,83 contre une référence humaine de vérité terrain de 3,92 ; le système le mieux classé suivant a obtenu 2,80. L’alignement du taux de prise de parole, qui mesure à quel point les décisions du modèle sur le moment de parler correspondent au timing des conversations de référence, était de 62,8 % pour Griffin-Lite et de 78 % pour la référence humaine, avec une valeur de timing de 1 892 ms.

• Perception — entrée audio-visuelle, sortie audio, évaluant si l’agent a correctement saisi le moment. Griffin-Lite a obtenu 3,73 face à une référence humaine de 4,20, avec un alignement du taux de prise de contrôle de 73,8 % et 2 232 ms de synchronisation. Tavus le décrit comme le modèle le plus perceptif du benchmark parmi les 15 évalués.

Deux mises en garde s’imposent à leur sujet avant que quiconque ne les répète. La référence la plus proche sur le volet perception est indiquée comme MiniCPM-o 4.5 à 3,44 — mais il s’agit de la ligne audio uniquement (A2A) ; la ligne audio-visuelle complète du même système est de 3,40. Griffin lit la vidéo, donc la comparaison honnête se fait avec les lignes audio-visuelles, ce qui porte l’écart à 0,33 plutôt qu’à 0,29, et une partie de ce que l’écart mesure est simplement la valeur du fait d’avoir des yeux. Et un écart de 0,09 point avec une référence humaine sur une échelle de cinq points notée par un modèle de langage se lit mieux comme « proche de l’humain sur cette grille » que comme « au niveau humain ».

L'autre chiffre phare est celui de Tavus lui-même. Dans une étude menée par l'entreprise, les participants recrutés via une plateforme de recherche indépendante ont été informés qu'ils seraient mis en relation avec un autre participant pour un appel vidéo d'une minute ; leur partenaire était un PAL faisant tourner Griffin-Lite. Sur 54 participants, 26 — 48 % — ont cru que leur partenaire était une personne réelle. Selon le même protocole, la précédente pile technologique de l'entreprise, construite à partir de Phoenix-4.5, Raven-1 et Sparrow-2, a produit 2,4 %, soit un participant sur 41. Les deux groupes étaient confiants : 79 % chez ceux qui ont dit « réel », 81 % chez ceux qui ont dit « IA ». Plus de la moitié ont déclaré que cette possibilité ne leur avait pas du tout traversé l'esprit, et ceux qui ont eu un doute l'ont majoritairement eu dans les vingt premières secondes. Sur une échelle de sept points, le modèle a obtenu en moyenne 5,4 pour le naturel apparent, 5,6 pour la confiance inspirée, 5,8 pour l'envie de reparler, 5,5 pour le sentiment d'être écouté, et 4,9 — le plus bas des cinq — pour la fluidité naturelle de la conversation.

Cette étude est une étude menée par le fournisseur, avec un protocole décrit et une taille d’échantillon indiquée, ce qui représente plus que ce qu’offrent la plupart des lancements de modèles et moins qu’une réplication indépendante. Aucun tiers n’a reproduit le protocole en face à face, et Tavus Griffin n’a aucune entrée sur un classement indépendant de modèles vidéo. Les deux scores de piste VideoFDB sont les seuls chiffres de cette page qu’une organisation autre que Tavus a produits.

Accès et prix : ce qui existe aujourd'hui

C'est la section la plus courte de la page, car il n'y a presque rien dedans. Ce qui est publié, dans les propres supports du fournisseur :

• Statut — Griffin-Lite est un aperçu de recherche, et Tavus déclare qu’il ne sera pas disponible pour un usage client pour le moment, bien qu’il soit disponible pour une sélection de testeurs de confiance.

• Accès — par formulaire de demande, avec une diffusion plus large d’un modèle plus performant décrit comme suit.

• Plateforme — la phrase de conclusion du fournisseur lui-même indique que Griffin n'est pas encore sur la plateforme Tavus et qu'il arrivera une fois que l'entreprise aura trouvé comment le publier en toute sécurité.

• Prix — aucun publié. La page tarifaire de Tavus couvre le produit PAL ainsi que la gamme Phoenix, Raven et Sparrow ; elle ne dit rien au sujet de Griffin, et aucun montant à la minute, à la seconde ou par requête n’apparaît nulle part sur le site du fournisseur.

• Point de terminaison et identifiant — aucun. Griffin n'apparaît pas dans l'index de la documentation API de Tavus, dont la page des modèles documente Phoenix pour le rendu de visage, Raven pour la perception et Sparrow pour la gestion des tours de parole. Il n'existe aucune chaîne de modèle à appeler.

Le fournisseur déclare qu'il prévoit de publier Griffin très bientôt après que les travaux de sécurité qu'il décrit auront été traités. Il s'agit d'une intention déclarée, non d'une date, et c'est la seule déclaration prospective sur le sujet.

Ce à quoi Tavus Griffin n'est pas destiné

L'écart entre le résultat du benchmark et le statut de publication constitue le contenu concret de cette page, il vaut donc la peine d'être franc au sujet des choses pour lesquelles le modèle ne peut pas encore être utilisé.

Ce n’est pas quelque chose sur quoi bâtir un parcours client ce trimestre. Un déploiement a besoin d’un identifiant de modèle, d’un prix, d’une limite de débit, d’une stratégie de région et d’une forme d’engagement de disponibilité, et aucun de ces éléments n’existe. Une équipe qui planifie autour de Griffin aujourd’hui planifie autour d’un formulaire de demande.

Ce n'est pas un générateur vidéo, et il ne devrait pas être intégré à un pipeline de clips sur la base des chiffres. Ses scores proviennent d'un banc d'essai de conversation en duplex intégral doté de sa propre grille d'évaluation et de son propre juge ; les classements de modèles vidéo évaluent de courts clips par préférence par paires sur des prompts. Les deux instruments ne produisent pas de chiffres comparables, ce qui signifie que Tavus Griffin n'a pas été comparé directement à un quelconque modèle vidéo à effort et banc d'essai équivalents, et aucun classement entre eux ne devrait être déduit de ce qui est publié.

Le diffuser ouvertement n'est pas encore sans risque, de l'aveu même du fournisseur. Tavus écrit que les mêmes propriétés qui font d'un Human Interaction Model une meilleure interface le rendent aussi plus apte à tromper une personne en lui faisant croire qu'il ne s'agit pas d'une IA, qu'un travail supplémentaire sur l'alignement et la sécurité est nécessaire, et que des fonctionnalités de divulgation ainsi que des évaluations de sécurité externes sont en cours. Étant donné que près de la moitié d'un échantillon en direct n'a pas pu faire la différence, et que les participants qui y sont parvenus l'ont majoritairement compris en moins de vingt secondes, la question de la divulgation n'est pas une note de bas de page du modèle — c'est ce qui conditionne sa diffusion.

Ce qui est achetable aujourd'hui, c'est le reste de la pile qui l'entoure. Un pipeline vidéo conversationnel est une chaîne — reconnaissance vocale, un modèle de langage, synthèse vocale, puis la couche de rendu qui en fait un visage — et les trois premières sont des commodités, interchangeables et déjà routables. Celles-ci tournent derrière un point de terminaison compatible OpenAI chez OrcaRouter, avec plus de deux cents modèles sur une seule clé, le prix catalogue du fournisseur répercuté avec 0 % de marge donc un changement de prix d'un fournisseur est répercuté le jour même plutôt qu'après un cycle contractuel, un basculement automatique qui redirige lorsqu'un fournisseur se dégrade — ce qui compte davantage lors d'un appel en direct que dans un traitement par lots, parce que la défaillance est audible — plus un DSL de routage permettant d'exprimer quel modèle doit traiter quoi, et une fusion de modèles pour combiner les sorties. La couche de génération est la partie qui n'est encore qu'un aperçu de recherche ; les couches situées au-dessus sont la partie qu'une équipe peut assembler dès maintenant. Tavus Griffin n'apparaît pas sur la liste des modèles actifs d'OrcaRouter, ce qui est cohérent avec un modèle qui n'a pas de point de terminaison publié ni d'identifiant vers lequel router.

Qu’est-ce qui changerait cette page ?

Trois choses, et elles sont assez précises pour qu'on les surveille. Une fiche modèle avec une chaîne de modèle et un prix ferait passer Tavus Griffin du statut de résultat de recherche à celui de question d'approvisionnement. Une réplication indépendante du protocole en face à face — un second laboratoire exécutant le même appel d'une minute avec ses propres participants — ferait plus pour les 48 % que ne peut le faire n'importe quelle autre étude de fournisseur. Et un rapport de longue session provenant de quelqu'un extérieur à Tavus testerait l'unique affirmation sur laquelle l'architecture est bâtie et qu'aucun benchmark ne couvre : que Self-Forcing et le mécanisme de trames d'historique maintiennent réellement ensemble un visage et un arrière-plan lors d'une conversation qui dure des minutes plutôt que des secondes. Jusqu'à ce que l'un de ces éléments arrive, les deux pistes VideoFDB sont les preuves les plus solides disponibles, et elles présentent un écart de 0,09 point avec l'humain en génération et de 0,47 en perception.