Tavus Griffin: מודל האינטראקציה האנושית, מוסבר

Tavus Griffin הוא מודל אינטראקציה אנושית — HIM, שם הקטגוריה של הספק עצמו — והדבר המועיל ביותר לקבוע לגביו מלכתחילה הוא מה שהוא לא. הוא אינו מחולל וידאו. מודל וידאו מקבל פרומפט, פריים בודד או קליפ ומחזיר קובץ מוגמר; הקובץ הוא המוצר. Tavus Griffin לוקח אדם שיושב מול מצלמה ומנהל איתו שיחה, כשהוא מייצר את הפנים, את הקול ואת ההתנהגות הלא-מילולית באותו הרגע שבו הוא מקשיב ומחליט, באופן רציף, כל עוד השיחה נמשכת. הגרסה היחידה שלו שמישהו מחוץ לחברה נגע בה היא Griffin-Lite, תצוגה מקדימה מחקרית שבדף שלה מופיע תאריך 1 באוקטובר 2026, פתוחה לבודקים נבחרים ומהימנים באמצעות טופס בקשה, ללא מחיר מפורסם, ללא מזהה מודל בתיעוד ה-API של Tavus וללא נקודת קצה. דף זה הוא התשובה הקבועה לשאלה מהו המודל, על מה הוא פועל, מה נמדד בפועל, ומי יכול להשתמש בו.

שאלת הכיתה, כי עונים עליה תשובות שגויות

חפשו Tavus Griffin, וסביר באותה מידה שמי שקורא ייתקל בהשוואה לדגם טקסט-לווידאו או תמונה-לווידאו כמו במשהו שעוסק בשיחה. כדאי לתקן את המסגור הזה ולא לעקוף אותו, משום שכל מה שנגזר ממנו — במה המודל מועיל, מה המשמעות של הציונים שלו, אם זמן התגובה שלו מהיר או איטי — תלוי לאיזו קטגוריה תסווגו אותו. שתי הקטגוריות אינן ואריאציות על אותו נושא. הן מקבלות דברים שונים, מפיקות דברים שונים, ונמדדות במכשירים שונים.

• מודלים ליצירת וידאו — הקלט הוא פרומפט, תמונה או קליפ; הפלט הוא קובץ באורך קבוע; האינטראקציה מסתיימת כשהרינדור מסתיים. בנצ'מרקים מדרגים את הפיקסלים.

• Tavus Griffin — הקלט הוא אדם חי, האודיו והווידאו שלו, באופן רציף; הפלט הוא זרם של דיבור ווידאו שלא צריך להסתיים לעולם; האינטראקציה היא המוצר. מדדי ביצוע צריכים לדרג את החליפין.

גריפין הוא גם, בתפיסה של הספק, דחייה של הדרך הרגילה שבה מורכב סוכן אינטראקטיבי. Tavus מציבה אותו במפורש בניגוד למערכות מפל (cascade) המשרשרות זיהוי דיבור, מודל שפה וסינתזת דיבור זו אחר זו, וממתינות שהמשתמש יסיים לדבר לפני שהן מתחילות להגיב. גריפין מתואר כדיופלקס מלא (full-duplex) מווידאו לווידאו: תפיסה, ההחלטה מתי וכיצד להגיב, ויצירת התגובה — כולם פועלים בעת ובעונה אחת, והם ממשיכים לפעול בזמן שהמודל מדבר.

יש אות בניסוח שהקוראים באמת מקלידים. אחת השאילתות המתועדות עבור המודל הזה היא "tavus griffin human interaction model", וזה מחפש שמתאר את הקטגוריה לפני שהוא מצא דף שמכנה אותה בשם. זה התיאור הנכון. Tavus טבעה את המונח, מקצרת אותו ל-HIM, ונותנת לדף של המודל עצמו את הכותרת מודל האינטראקציה האנושית הראשון. אז התשובה הקצרה לשאלה מהו Tavus Griffin: מערכת אווטאר שיחתית בזמן אמת, שמסווגת על ידי היצרן שלה כמודל אינטראקציה אנושית, שהיא קטגוריית מוצר שונה ממודל וידאו ולא מודל וידאו טוב יותר.

מה זה קולט ומה זה מפיק, בזמן אמת

הקלטים הם אודיו וווידאו של אדם חי, בתוספת הנחיית מערכת, היסטוריית השיחה, תמונת ייחוס וקטע אודיו ייחוס, והיכולת להפעיל כלי באמצע השיחה. בצד הפלט, מודל השיחה אינו פולט טקסט בלבד: הוא פולט טקסט בתוספת מערכת של אותות בקרה המכוונים את מחוללי הדיבור והווידאו, וכך הטון, העמדה, הבעת הפנים והמחווה נשארים כרוכים בהחלטה שיצרה אותם.

בצד היצירה, Tavus מציינת שהארכיטקטורה מפיקה וידאו ב-720p בזמן אמת, לטנט אחד בכל פעם, ומקבלת בקרות סטרימינג כך שמודל השיחה יוכל לכוון התנהגות לא־מילולית כגון מחוות, הפניית מבט הצידה או שינוי רגיסטר רגשי. צד הדיבור פולט חבילות אודיו קטנות עד כדי 10 ms, וניתן לשכפל קול מכ־עשר שניות של אודיו ייחוס. כל אחד מהנתונים האלה הוא תיאור של הספק עצמו את המערכת שלו, בעמוד שלו.

השהיה (latency) היא המספר היחיד בקבוצה הזו שהיצרן מפרסם כמדידה ולא כיעד תכנון. מול ארבעה מודלים של דיפוזיה זורמת (streaming diffusion) שפורסמו, בהגדרת אודיו-לווידאו שבה כל מערכת מקבלת דיבור ותמונת ייחוס וצריכה להפיק את הפנים המדברות, Tavus מדווחת כי Griffin-Lite מגיעה בממוצע ל0.43 שניות של השהיית אודיו-לווידאו אמיתית על H100, עם מקרה טוב ביותר של 0.27 שניות ומקרה גרוע ביותר של 0.59 שניות. לשם קנה מידה, הנתונים של היצרן עצמו עבור השיטה המהירה הבאה בתור בהשוואה הזו עומדים בממוצע על 0.86 שניות, והאיטית ביותר עומדת בממוצע על 1.45 שניות. Tavus ביצעה את ההשוואה הזו מול קווי בסיס ש-Tavus בחרה, ולכן יש להתייחס לכך כמספר שמדווח על ידי היצרן עם פרוטוקול ספציפי מצורף, ולא כדירוג ניטרלי.

דבר אחד שהספק אינו מפרסם הוא הגאומטריה של הפריימים של מחולל הווידאו. אין בעמוד נתון של פריימים לשנייה ואין הצהרה כמה פריימי וידאו לטנט אחד מכסה, מה שאומר שכל משך מקטע ספציפי שראית מצוטט עבור Griffin — 320 מילישניות, או לטנט של שמונה פריימים, או יחס דחיסה מוצהר — אינו נמצא בעמוד של Tavus היום ואין לחזור עליו כאילו היה. מה שכן מצוין הוא 720p, לטנט אחד בכל פעם, והממוצע של 0.43 שניות מאודיו לווידאו.

ממה בעצם עשוי הצינור

Tavus מתארת את Griffin כמערכת דו-חלקית, ושני חלקיה מתועדים בפירוט מספיק כדי לבדוק.

הראשון הוא Continuous Conversational Modeling מנוע. הוא תופס אודיו ווידאו נכנסים, מחליט מתי ואיך להגיב, ומשדר את הטקסט ואותות הבקרה. נקודת התכנון היא המרווח: הוא מקבל החלטות שיחה במרווחים קבועים של פחות משנייה במקום פעם אחת לכל תור, אשר הספק מכנה מיני-תורות. בכל אחד הוא מעריך את מצב השיחה ויכול לתפוס את רשות הדיבור, להחזיק בה, לוותר עליה, לתת ערוץ אחורי בלי להפריע, או לעצור כשמפריעים לו. מכיוון שההחלטה היא רציפה ולא מונעת על ידי גבולות תור, הפסקה למחשבה אינה נתפסת כסוף תור. Griffin גם תופס וידאו במקום שרוב המערכות האינטראקטיביות תופסות אודיו בלבד, וזה מה שנותן לו מבט, הבעות פנים, הסביבה של המשתמש, וכל מה שהמשתמש מרים או משתף למצלמה.

השני הוא מנוע יצירה אודיו-ויזואלית, שהוא עצמו מורכב משתי ארכיטקטורות — יצירת דיבור בזרימה ויצירת וידאו בזרימה — הממירות את אותות הבקרה הללו לצליל ולפיקסלים. מודל הדיבור הוא שנאי דיפוזיה אוטורגרסיבי מהיר שלוקח קטע ייחוס מקודד כקידומת ומייצר דיבור חדש בהדרגה, מקטע חבוי אחד בכל פעם, כשהתוספות של פלט ובקרה מגיעות, במקום להמתין שהמבע כולו יורכב לפני שיתחיל לדבר.

מתחת לצד הדיבור יושב קודק שהספק מכנה Tavec v1.7, וכאן המספרים שפורסמו הופכים לספציפיים. זהו אוטואנקודר קונבולוציוני הממפה אודיו ב-48 קילוהרץ ללטנט רציף של 40 ערכים לפריים בקצב של 100 פריימים לשנייה, ללא ספרי קוד. המפענח שלו הוא סיבתי לחלוטין, כך שהוא נושא מצב בין מקטעים ומייצר צורת גל רציפה אחת מלטנטים בזרימה. הקומפקטיות היא העיקר: דקה של דיבור היא 6,000 פריימי לטנט לעומת 2.88 מיליון דגימות של אודיו גולמי, וזה מה שהופך את הרצף לקצר מספיק כדי ששנאי אוטורגרסיבי יוכל לחזות אותו מהר יותר מאשר בזמן אמת. Tavus מדווחת על פענוח בזמן אמת של פי 2,193, ViSQOL MOS-LQO של 4.242, ו-28.42 מיליון פרמטרים של מפענח, כאשר התפוקה נמדדת על H100. הכל מדווח על ידי הספק.

צד הווידאו מגיע לאותו מקום מהכיוון השני. המודלים המוקדמים של Tavus נשענו על פריורים תלת-ממדיים נרחבים, מה שהגביל את מה שיכלו לבטא; הדרישות המוצהרות של הספק ממחולל הווידאו של Griffin הן תגובה מהירה לכל מקטע אודיו נכנס, סובלנות לבקרות שמשתנות במהירות, וזהות יציבה, סנכרון שפתיים ואיכות חזותית לאורך יצירות ארוכות. הדרך לשם עברה בזיקוק תלת-שלבי של מורה דיפוזיה גדול, דו-כיווני ורב-שלבי. Distribution Matching Distillation הפיקה תלמיד בן כמה שלבים שהיה מהיר אך עדיין יצר וידאו שלם בגוש אחד. שיטת Teacher forcing המירה את התלמיד הזה למודל אוטורגרסיבי שמייצר לטנט אחד בכל פעם. לאחר מכן, Self-Forcing אימן אותו על ההיסטוריה שהוא עצמו יצר, עם מנגנון נוסף שפועל על פריימי ההיסטוריה, כך שרולאאוטים ארוכים לא נסחפים — זהו מצב הכשל שמאפיין בדרך כלל מחלקה זו של מודלים: פנים שמתדרדרות או רקע שנודד במהלך שיחה שנמשכת דקות.

מה נמדד, ועל ידי מי

כמעט כל מספר שלמעלה הוא Tavus שמודדת את Tavus. היוצא מן הכלל, והסיבה שיש לו משקל, הוא VideoFDB של NVIDIA — בנצ'מרק לשיחה אודיו-חזותית בדופלקס מלא ש-NVIDIA בנתה, ושאותו NVIDIA מצהירה שהיא עורכת באופן עצמאי באמצעות המדדים שפורסמו והשופט שלה. הוא מדרג מודל בשני מסלולים, יצירה ותפיסה, שלכל אחד מהם מחוון משלו ולוח דירוג משלו, בסולם של אפס עד חמש.

• יצירה — מה שהסוכן הפיק, אודיו ווידאו יחד, בתגובה לאירוע דינמי בזרם של המשתמש. Griffin-Lite קיבל ציון 3.83 לעומת ייחוס אמת אנושי של 3.92; המערכת הבאה בדירוג קיבלה 2.80. יישור שיעור ההשתלטות, שמודד עד כמה החלטות המודל לגבי מתי לדבר תואמות את התזמון בשיחות הייחוס, היה 62.8% עבור Griffin-Lite ו-78% עבור ייחוס אנושי, עם נתון תזמון של 1,892 ms.

• תפיסה — קלט אודיו-ויזואלי, פלט אודיו, עם ניקוד של השאלה אם הסוכן קרא את הרגע נכון. Griffin-Lite קיבל ציון 3.73 לעומת ייחוס אנושי של 4.20, עם התאמת שיעור השתלטות של 73.8% ותזמון של 2,232 מילישניות. Tavus מתארת אותו כמודל בעל התפיסה החדה ביותר בבנצ׳מרק מבין 15 שהוערכו.

שתי הסתייגויות צריכות להיות על אלה לפני שמישהו חוזר עליהן. קו הבסיס הקרוב ביותר במסלול התפיסה רשום כ-MiniCPM-o 4.5 ב-3.44 — אבל זו השורה של אודיו בלבד (A2A); השורה האודיו-ויזואלית המלאה של אותה מערכת היא 3.40. Griffin קורא וידאו, כך שההשוואה ההוגנת היא מול השורות האודיו-ויזואליות, מה שמעמיד את הפער על 0.33 ולא על 0.29, וחלק ממה שהפער מודד הוא פשוט הערך של להיות עם עיניים. ופער של 0.09 נקודות מול התייחסות אנושית בסולם של חמש נקודות שנמדד על ידי מודל שפה עדיף לקרוא כ"קרוב לאנושי במדד זה" מאשר כ"ברמה אנושית".

הנתון הכותרתי האחר הוא של Tavus עצמה. במחקר שערכה החברה, משתתפים שגויסו דרך פלטפורמת מחקר עצמאית נאמר להם שהם ישויכו עם משתתף אחר לשיחת וידאו בת דקה; השותף שלהם היה PAL שהפעיל את Griffin-Lite. מתוך 54 משתתפים, 26 — 48% — האמינו שהשותף שלהם הוא אדם אמיתי. לפי אותו פרוטוקול, המערך הקודם של החברה, שנבנה מ-Phoenix-4.5, Raven-1 ו-Sparrow-2, הניב 2.4%, או משתתף אחד מתוך 41. שתי הקבוצות היו בטוחות: 79% מבין אלה שאמרו אמיתי, 81% מבין אלה שאמרו בינה מלאכותית. יותר ממחצית אמרו שהאפשרות כלל לא עלתה בדעתם, ואלה שכן חשדו עשו זאת בעיקר בעשרים השניות הראשונות. בסולם של שבע נקודות, המודל קיבל בממוצע 5.4 על היראות טבעי, 5.6 על מהימנות, 5.8 על רצון לדבר שוב, 5.5 על תחושת הקשבה, ו-4.9 — הנמוך מבין החמישה — על האם השיחה זרמה באופן טבעי.

המחקר הזה הוא מחקר שמבוצע על ידי ספק, עם פרוטוקול מתואר וגודל מדגם מוצהר, שזה יותר ממה שרוב השקות המודלים מציעות ופחות משכפול בלתי תלוי. אף צד שלישי לא שחזר את הפרוטוקול פנים-אל-פנים, ול-Tavus Griffin אין רשומה בלוח דירוג בלתי תלוי של מודלי וידאו. שני ציוני המסלולים של VideoFDB הם הנתונים היחידים בעמוד הזה שארגון אחר מלבד Tavus הפיק.

גישה ומחיר: מה קיים היום

זהו הקטע הקצר ביותר בעמוד כי אין בו כמעט כלום. מה שמפורסם, בחומר של הספק עצמו:

• סטטוס — Griffin-Lite הוא תצוגה מקדימה מחקרית, ו-Tavus מציינת שהוא לא יהיה זמין לשימוש לקוחות בשלב זה, אם כי הוא זמין לבודקים מהימנים נבחרים.

• גישה — באמצעות טופס בקשה, כאשר שחרור רחב יותר של מודל בעל יכולות גבוהות יותר מתואר כדלהלן.

• פלטפורמה — שורת הסיום של הספק עצמו אומרת ש-Griffin עדיין לא נמצא בפלטפורמה של Tavus, והוא יגיע לאחר שהחברה תמצא דרך לשחרר אותו בבטחה.

• מחיר — לא פורסם. עמוד התמחור של Tavus מכסה את מוצר PAL ואת סטאק Phoenix, Raven ו-Sparrow; אין בו כל אזכור של Griffin, ואין בשום מקום באתר הספק נתון של מחיר לפי דקה, לפי שנייה או לפי בקשה.

• נקודת קצה ומזהה — אין. Griffin אינו מופיע באינדקס תיעוד ה-API של Tavus, שעמוד המודלים שלו מתעד את Phoenix עבור רינדור פנים, את Raven עבור תפיסה ואת Sparrow עבור חילופי תורות. אין מחרוזת מודל לקרוא לה.

הספק מצהיר כי הוא צופה לשחרר את Griffin בקרוב מאוד לאחר שהעבודה הבטיחותית שהוא מתאר תטופל. זוהי כוונה מוצהרת, לא תאריך, והיא ההצהרה היחידה הצופה פני עתיד בנושא.

בשביל מה Tavus Griffin אינו מיועד

הפער בין תוצאת הבנצ'מרק לבין מצב ההשקה הוא התוכן המעשי של העמוד הזה, ולכן כדאי להיות בוטים לגבי הדברים שעבורם לא ניתן להשתמש במודל כרגע.

זה לא משהו שעליו בונים מסלול מול לקוחות ברבעון הזה. פריסה צריכה מזהה מודל, מחיר, מגבלת קצב, סיפור אזור וצורה כלשהי של התחייבות לזמינות, ואף אחד מאלה לא קיים. צוות שמתכנן סביב Griffin היום מתכנן סביב טופס בקשה.

הוא לא מחולל וידאו, ולא צריך להכניס אותו לצינור עיבוד קליפים על סמך המספרים. הציונים שלו מגיעים ממערכת בדיקה לשיחה דופלקסית מלאה עם רובריקה משלה ושופט משלה; לוחות הדירוג של מודלי וידאו מדרגים קליפים קצרים לפי העדפה זוגית על פרומפטים. שני הכלים לא מפיקים מספרים ברי-השוואה, מה שאומר ש-Tavus Griffin לא הוערך ראש בראש עם שום מודל וידאו במאמץ ובמערכת בדיקה תואמים, ואין להסיק דירוג ביניהם ממה שפורסם.

לפי הצהרת הספק עצמו, עדיין לא בטוח לשחרר אותו באופן פתוח. Tavus כותבת שאותן תכונות שהופכות את Human Interaction Model לממשק טוב יותר הופכות אותו גם למוצלח יותר בלהונות אדם שיאמין שהוא אינו בינה מלאכותית, שנדרשת עבודת יישור ובטיחות נוספת, ושתכונות גילוי והערכות בטיחות חיצוניות נמצאות בעיצומן. לנוכח העובדה שכמעט מחצית ממדגם חי לא הצליחו להבחין, ושהמשתתפים שהצליחו פענחו זאת ברובם בתוך עשרים שניות, שאלת הגילוי אינה הערת שוליים למודל — היא תנאי הסף שלו.

מה שאפשר לקנות היום הוא שאר המערכת שמקיפה אותו. צינור וידאו שיחתי הוא שרשרת — זיהוי דיבור, מודל שפה, סינתזת דיבור, ואחר כך שכבת הרינדור שהופכת אותו לפנים — ושלושת הראשונים הם מצרך מדף, ניתנים להחלפה, וכבר ניתנים לניתוב. אלה רצים מאחורי נקודת קצה אחת תואמת OpenAI ב-OrcaRouter, עם יותר ממאתיים מודלים במפתח יחיד, מחיר המחירון של הספקים מועבר הלאה ב-0% תוספת כך ששינוי מחיר של ספק נכנס לתוקף באותו היום ולא אחרי מחזור חוזים, מעבר אוטומטי בעת תקלה שמנתב מחדש כשספק מתדרדר — וזה חשוב יותר בשיחה חיה מאשר בעבודת אצווה, כי הכשל נשמע — בנוסף ל-DSL לניתוב שמאפשר לבטא איזה מודל צריך לטפל במה, ולמיזוג מודלים לשילוב פלטים. שכבת היצירה היא החלק שעדיין נמצא בתצוגה מקדימה מחקרית; השכבות שמעליה הן החלק שצוות יכול להרכיב כבר עכשיו. Tavus Griffin אינו מופיע ברשימת המודלים הפעילה של OrcaRouter, וזה עקבי עם מודל שאין לו נקודת קצה מפורסמת ואין לו מזהה שאליו אפשר לנתב.

מה היה משנה את הדף הזה

שלושה דברים, והם ספציפיים מספיק כדי לשים לב אליהם. כרטיס מודל עם מחרוזת מודל ומחיר יעביר את Tavus Griffin מתוצאת מחקר לשאלת רכש. שכפול עצמאי של פרוטוקול הפנים-אל-פנים — מעבדה שנייה שמריצה את אותה שיחה בת דקה עם משתתפים משלה — יעשה יותר עבור ה-48% ממה שכל מחקר ספק נוסף יכול. ודוח סשן ארוך ממישהו מחוץ ל-Tavus יבחן את הטענה היחידה שהארכיטקטורה בנויה סביבה ואשר שום בנצ'מרק לא מכסה: ש-Self-Forcing ומנגנון מסגרות ההיסטוריה אכן מחזיקים פנים ורקע יחד לאורך שיחה שנמשכת דקות ולא שניות. עד שאחד מאלה יגיע, שני מסלולי VideoFDB הם הראיות החזקות ביותר הזמינות, והם מגיעים עם פער של 0.09 נקודות מול אדם ביצירה ו-0.47 בתפיסה.