Tavus Griffin: il modello di interazione umana, spiegato

Tavus Griffin è un Human Interaction Model — HIM, il nome di categoria del fornitore stesso — e la cosa più utile da stabilire subito al riguardo è ciò che non è. Non è un generatore di video. Un modello video prende un prompt, un fotogramma fisso o una clip e restituisce un file finito; il file è il prodotto. Tavus Griffin prende una persona seduta davanti a una telecamera e intrattiene una conversazione con lei, generando il volto, la voce e il comportamento non verbale nello stesso momento in cui ascolta e decide, in modo continuo, per tutta la durata della chiamata. L'unica versione che chiunque fuori dall'azienda abbia toccato è Griffin-Lite, un'anteprima di ricerca la cui pagina riporta la data del 1º ottobre 2026, aperta a tester fidati selezionati tramite un modulo di richiesta, senza prezzo pubblicato, senza identificatore di modello nella documentazione API di Tavus e senza endpoint. Questa pagina è la risposta permanente a che cos'è il modello, su cosa gira, che cosa è stato effettivamente misurato e chi può usarlo.

La questione di classe, perché le si continua a rispondere in modo sbagliato

Cercando Tavus Griffin, un lettore ha la stessa probabilità di imbattersi in un confronto con un modello text-to-video o image-to-video che in qualcosa che riguardi la conversazione. Vale la pena correggere quell'inquadramento anziché aggirarlo, perché tutto ciò che ne deriva — a cosa serve il modello, cosa significano i suoi punteggi, se la sua latenza è veloce o lenta — dipende dalla classe in cui lo si colloca. Le due classi non sono variazioni sul tema. Accettano cose diverse, producono cose diverse e vengono misurate con strumenti diversi.

• Modelli di generazione video — l'input è un prompt, un'immagine o una clip; l'output è un file di durata fissa; l'interazione termina quando termina il rendering. I benchmark valutano i pixel.

• Tavus Griffin — l'input è una persona dal vivo, con il suo audio e il suo video, in modo continuo; l'output è un flusso di parlato e video che non deve mai finire; l'interazione è il prodotto. I benchmark devono assegnare un punteggio allo scambio.

Griffin è anche, nella descrizione del fornitore, un rifiuto del modo consueto di assemblare un agente interattivo. Tavus lo contrappone esplicitamente ai sistemi a cascata che concatenano in sequenza riconoscimento vocale, un modello linguistico e sintesi vocale, aspettando che l'utente finisca di parlare prima di iniziare a rispondere. Griffin viene descritto come video-to-video full-duplex: percezione, decisione su quando e come rispondere e generazione della risposta vengono eseguite tutte contemporaneamente, e continuano a funzionare mentre il modello parla.

C'è un segnale nelle parole che i lettori digitano davvero. Una delle query registrate per questo modello è "tavus griffin human interaction model", ovvero un utente che descrive la categoria prima di aver trovato una pagina che la nomini. È la descrizione giusta. Tavus ha coniato il termine, lo abbrevia in HIM e intitola la pagina del modello stesso Il Primo Human Interaction Model. Quindi la risposta breve su cos'è Tavus Griffin: un sistema di avatar conversazionale in tempo reale, classificato dal suo creatore come Human Interaction Model, che è una categoria di prodotto diversa da quella di un modello video, non una sua versione migliore.

Cosa riceve in ingresso e cosa produce, in tempo reale

Gli input sono l'audio e il video di una persona in tempo reale, più un prompt di sistema, la cronologia della conversazione, un'immagine di riferimento e una clip audio di riferimento, e la capacità di chiamare uno strumento a metà conversazione. Sul lato dell'output, il modello conversazionale non emette solo testo: emette testo più una serie di segnali di controllo che dirigono i generatori di voce e video, ed è così che tono, atteggiamento, espressione del viso e gesti restano legati alla decisione che li ha prodotti.

Dal lato della generazione, Tavus afferma che l'architettura produce video a 720p in tempo reale, un latente alla volta, accettando controlli di streaming così che il modello conversazionale possa dirigere il comportamento non verbale, come gesticolare, distogliere lo sguardo o cambiare registro emotivo. Il lato vocale emette pacchetti audio piccoli fino a 10 ms, e una voce può essere clonata da circa dieci secondi di audio di riferimento. Ognuno di quei numeri è la descrizione che il fornitore stesso dà del proprio sistema, sulla propria pagina.

La latenza è l'unico numero di quel gruppo che il fornitore pubblica come misurazione anziché come obiettivo di progetto. Rispetto a quattro modelli di diffusione in streaming pubblicati, in un contesto audio-video in cui a ogni sistema vengono forniti parlato e un'immagine di riferimento e deve produrre il volto parlante, Tavus riporta che Griffin-Lite totalizza in media 0,43 secondi di latenza reale da audio a video su H100, con un caso migliore di 0,27 s e un caso peggiore di 0,59 s. Per dare un termine di paragone, le cifre fornite dallo stesso fornitore per il secondo metodo più veloce di quel confronto hanno una media di 0,86 s, mentre il più lento ha una media di 1,45 s. Tavus ha condotto quel confronto rispetto a baseline scelte da Tavus, quindi va considerato un dato riportato dal fornitore con uno specifico protocollo allegato, non una classifica neutrale.

Una cosa che il fornitore non pubblica è la geometria dei fotogrammi del generatore video. Non c'è alcun valore di fotogrammi al secondo sulla pagina né alcuna dichiarazione di quanti fotogrammi video copra un latent, il che significa che qualsiasi durata specifica di chunk che hai visto citata per Griffin — 320 ms, o un latent di otto fotogrammi, o un rapporto di compressione dichiarato — non è sulla pagina di Tavus oggi e non dovrebbe essere ripetuta come se lo fosse. Ciò che è dichiarato è 720p, un latent alla volta, e la media audio-to-video di 0,43 secondi.

Di cosa è fatto davvero il pipeline

Tavus descrive Griffin come un sistema in due parti, ed entrambe le parti sono documentate con un livello di dettaglio sufficiente per poterle verificare.

Il primo è un motore di Continuous Conversational Modeling. Percepisce l'audio e il video in ingresso, decide quando e come rispondere, ed emette testo e segnali di controllo. Il punto di progettazione è l'intervallo: prende decisioni conversazionali a intervalli regolari inferiori al secondo anziché una volta per turno, che il fornitore chiama mini-turni. A ogni intervallo valuta lo stato della conversazione e può prendere la parola, mantenerla, cederla, fare backchannel senza interrompere, oppure fermarsi quando viene interrotto. Poiché la decisione è continua anziché determinata dai confini del turno, una pausa di riflessione non viene trattata come la fine di un turno. Griffin percepisce anche il video, mentre la maggior parte dei sistemi interattivi percepisce solo l'audio, ed è questo che gli consente di cogliere lo sguardo, l'espressione facciale, l'ambiente dell'utente e qualunque cosa l'utente sollevi o condivida davanti alla telecamera.

Il secondo è un Generazione Audio-Visiva motore, esso stesso due architetture — generazione vocale in streaming e generazione video in streaming — che convertono quei segnali di controllo in suono e pixel. Il modello vocale è un veloce trasformatore di diffusione autoregressivo che prende una clip di riferimento codificata come prefisso e genera nuovo parlato progressivamente, un chunk latente alla volta, man mano che incrementi di output e controllo arrivano, invece di aspettare che l'intero enunciato sia composto prima di iniziare a parlare.

Sotto il lato vocale si trova un codec che il fornitore chiama Tavec v1.7, ed è qui che i numeri pubblicati si fanno specifici. È un autoencoder convoluzionale che mappa l'audio a 48 kHz in un latente continuo di 40 valori per frame a 100 frame al secondo, senza codebook. Il suo decoder è completamente causale, quindi mantiene lo stato tra i blocchi e produce una forma d'onda unica e senza interruzioni dai latenti in streaming. La compattezza è il punto: un minuto di parlato corrisponde a 6.000 frame latenti contro 2,88 milioni di campioni di audio grezzo, ed è ciò che rende la sequenza abbastanza breve perché un transformer autoregressivo possa prevederla più velocemente del tempo reale. Tavus riporta una decodifica in tempo reale di 2.193×, un ViSQOL MOS-LQO di 4,242 e 28,42 milioni di parametri del decoder, con il throughput misurato su un H100. Tutti dati dichiarati dal fornitore.

Il lato video arriva allo stesso punto dalla direzione opposta. I modelli precedenti di Tavus si basavano su estesi prior 3D, il che limitava ciò che potevano esprimere; i requisiti dichiarati dal fornitore per il generatore video di Griffin sono una risposta rapida a ogni blocco audio in ingresso, la tolleranza per controlli che cambiano rapidamente e identità, lip sync e qualità visiva stabili su generazioni lunghe. La strada per arrivarci è stata una distillazione in tre fasi di un grande modello insegnante di diffusione bidirezionale a molti passi. La Distribution Matching Distillation ha prodotto un modello studente a pochi passi che era veloce ma generava comunque un intero video in un unico blocco. Il teacher forcing ha convertito quel modello studente in un modello autoregressivo che produce un latente alla volta. Self-Forcing lo ha poi addestrato sulla propria cronologia generata, con un meccanismo aggiuntivo che agisce sui frame della cronologia, così che i rollout lunghi non vadano alla deriva — che è la modalità di fallimento che questa classe di modelli normalmente presenta, un volto che si degrada o uno sfondo che vaga nel corso di una conversazione che dura minuti.

Che cosa è stato misurato, e da chi

Quasi ogni numero sopra è Tavus che misura Tavus. L'eccezione, e la ragione per cui ha peso, è VideoFDB di NVIDIA — un benchmark per la conversazione audiovisiva full-duplex che NVIDIA ha creato e che NVIDIA dichiara di condurre in modo indipendente usando le metriche pubblicate e il proprio giudice. Valuta un modello su due tracce, generazione e percezione, ciascuna con la propria rubrica e la propria classifica, su una scala da zero a cinque.

• Generazione — ciò che l'agente ha prodotto, audio e video insieme, in risposta a un evento dinamico nello stream dell'utente. Griffin-Lite ha ottenuto 3,83 rispetto a un riferimento ground-truth umano di 3,92; il secondo sistema per punteggio ha ottenuto 2,80. L'allineamento del tasso di takeover, che misura quanto le decisioni del modello su quando parlare corrispondano alla tempistica nelle conversazioni di riferimento, era del 62,8% per Griffin-Lite e del 78% per il riferimento umano, con un valore di tempistica di 1.892 ms.

• Percezione — input audiovisivo, output audio, valutando se l'agente ha colto correttamente il momento. Griffin-Lite ha ottenuto 3,73 rispetto a un riferimento umano di 4,20, con un allineamento del tasso di takeover del 73,8% e 2.232 ms di tempistica. Tavus lo descrive come il modello più percettivo sul benchmark tra i 15 valutati.

Due avvertenze sono d'obbligo su quei dati prima che qualcuno li ripeta. Il baseline più vicino sul tracciato di percezione è indicato come MiniCPM-o 4.5 a 3,44 — ma quella è la riga solo audio (A2A); la riga audio-visiva completa dello stesso sistema è 3,40. Griffin legge i video, quindi il confronto onesto è con le righe audio-visive, il che porta il divario a 0,33 anziché 0,29, e parte di ciò che il divario misura è semplicemente il valore di avere gli occhi. E un divario di 0,09 punti rispetto a un riferimento umano su una scala a cinque punti valutata da un modello linguistico è meglio leggerlo come "vicino all'umano su questa rubrica" che come "a livello umano".

L'altro dato principale è di Tavus stessa. In uno studio condotto dall'azienda, ai partecipanti reclutati tramite una piattaforma di ricerca indipendente è stato detto che sarebbero stati abbinati a un altro partecipante per una videochiamata di un minuto; il loro partner era un PAL che eseguiva Griffin-Lite. Dei 54 partecipanti, 26 — il 48% — credevano che il loro partner fosse una persona reale. Con lo stesso protocollo, lo stack precedente dell'azienda, costruito con Phoenix-4.5, Raven-1 e Sparrow-2, ha prodotto il 2,4%, ovvero un partecipante su 41. Entrambi i gruppi erano sicuri: il 79% tra coloro che dicevano reale, l'81% tra coloro che dicevano IA. Più della metà ha detto che la possibilità non gli era nemmeno passata per la mente, e coloro che hanno avuto il sospetto lo hanno fatto per lo più nei primi venti secondi. Su una scala a sette punti, il modello ha ottenuto una media di 5,4 per l'impressione di naturalezza, 5,6 per l'affidabilità, 5,8 per il desiderio di parlare di nuovo, 5,5 per il sentirsi ascoltati e 4,9 — il più basso dei cinque — per quanto la conversazione scorresse naturalmente.

Quello studio è uno studio condotto da un fornitore, con un protocollo descritto e una dimensione campionaria dichiarata, il che è più di quanto offra la maggior parte dei lanci di modelli e meno di una replica indipendente. Nessuna terza parte ha riprodotto il protocollo faccia a faccia, e Tavus Griffin non ha alcuna voce in una classifica indipendente di modelli video. I due punteggi delle tracce di VideoFDB sono gli unici dati in questa pagina prodotti da un'organizzazione diversa da Tavus.

Accesso e prezzo: cosa esiste oggi

Questa è la sezione più breve della pagina perché non contiene quasi nulla. Ciò che viene pubblicato, sul materiale del fornitore stesso:

• Stato — Griffin-Lite è un'anteprima di ricerca, e Tavus dichiara che al momento non sarà disponibile per l'uso da parte dei clienti, sebbene sia disponibile per tester fidati selezionati.

• Accesso — tramite modulo di richiesta, con un rilascio più ampio di un modello più capace descritto come segue.

• Piattaforma — la nota conclusiva del fornitore stesso afferma che Griffin non è ancora sulla piattaforma Tavus, e arriverà una volta che l'azienda avrà capito come rilasciarlo in sicurezza.

• Prezzo — nessuno pubblicato. La pagina dei prezzi di Tavus copre il prodotto PAL e lo stack Phoenix, Raven e Sparrow; non dice nulla su Griffin, e non esiste alcuna cifra al minuto, al secondo o per richiesta da nessuna parte sul sito del fornitore.

• Endpoint e identificatore — nessuno. Griffin non compare nell'indice della documentazione API di Tavus, la cui pagina dei modelli documenta Phoenix per il rendering del volto, Raven per la percezione e Sparrow per la gestione dei turni. Non c'è alcuna stringa di modello da chiamare.

Il fornitore dichiara di prevedere di rilasciare Griffin molto presto dopo che saranno affrontati i lavori di sicurezza che descrive. Si tratta di un'intenzione dichiarata, non di una data, ed è l'unica dichiarazione previsionale sull'argomento.

A cosa non serve Tavus Griffin

Il divario tra il risultato del benchmark e lo stato di rilascio è il contenuto pratico di questa pagina, quindi vale la pena essere schietti sulle cose per cui il modello attualmente non può essere utilizzato.

Non è qualcosa su cui costruire un percorso rivolto ai clienti questo trimestre. Un deployment richiede un identificatore di modello, un prezzo, un limite di frequenza, una storia sulla regione e una qualche forma di impegno sulla disponibilità, e nessuno di questi esiste. Un team che oggi pianifica intorno a Griffin sta pianificando intorno a un modulo di richiesta.

Non è un generatore video, e non dovrebbe essere inserito in una pipeline di clip sulla base dei numeri. I suoi punteggi provengono da un sistema di conversazione full-duplex con la propria rubrica e il proprio giudice; le classifiche dei modelli video valutano clip brevi tramite preferenza a coppie sui prompt. I due strumenti non producono numeri comparabili, il che significa che Tavus Griffin non è stato confrontato testa a testa con alcun modello video a parità di sforzo e sistema, e nessuna classifica tra loro dovrebbe essere dedotta da quanto pubblicato.

Non è, per ammissione dello stesso fornitore, ancora sicuro rilasciarlo apertamente. Tavus scrive che le stesse proprietà che rendono un Human Interaction Model un'interfaccia migliore lo rendono anche più abile a ingannare una persona inducendola a credere che non sia un'AI, che sono necessari ulteriori lavori di allineamento e sicurezza, e che le funzionalità di divulgazione e le valutazioni di sicurezza esterne sono in corso. Dato che quasi metà di un campione dal vivo non è riuscita a distinguerlo, e che i partecipanti che ci sono riusciti per la maggior parte l'hanno capito entro venti secondi, la questione della divulgazione non è una nota a piè di pagina del modello — è il suo cancello.

Ciò che è acquistabile oggi è il resto dello stack attorno ad esso. Una pipeline video conversazionale è una catena — riconoscimento vocale, un modello linguistico, sintesi vocale, e poi il livello di rendering che ne fa un volto — e i primi tre sono commodity, intercambiabili e già instradabili. Questi girano dietro un unico endpoint compatibile con OpenAI su OrcaRouter, con oltre duecento modelli su una sola chiave, prezzo di listino del provider ribaltato allo 0% di ricarico così una variazione di prezzo del fornitore arriva lo stesso giorno anziché dopo un ciclo contrattuale, failover automatico che reindirizza quando un provider si degrada — cosa che conta di più in una chiamata dal vivo che in un job batch, perché il guasto è udibile — più un DSL di routing per esprimere quale modello dovrebbe gestire cosa, e fusione di modelli per combinare gli output. Il livello di generazione è la parte che è ancora un'anteprima di ricerca; i livelli sopra di esso sono la parte che un team può assemblare già ora. Tavus Griffin non compare nell'elenco dei modelli live di OrcaRouter, il che è coerente con un modello che non ha endpoint pubblicato né identificatore a cui instradare.

Cosa cambierebbe questa pagina

Tre cose, e sono abbastanza specifiche da tenere d'occhio. Una model card con una stringa di modello e un prezzo sposterebbe Tavus Griffin da risultato di ricerca a questione di approvvigionamento. Una replica indipendente del protocollo faccia a faccia — un secondo laboratorio che esegue la stessa chiamata di un minuto con i propri partecipanti — farebbe più per il 48% di quanto possa fare qualsiasi ulteriore studio del fornitore. E un report su sessioni lunghe da qualcuno esterno a Tavus metterebbe alla prova l'unica affermazione su cui è costruita l'architettura e che nessun benchmark copre: che Self-Forcing e il meccanismo history-frame tengano effettivamente insieme un volto e uno sfondo nel corso di una conversazione che dura minuti anziché secondi. Finché una di queste cose non si concretizza, i due track VideoFDB sono la prova più forte disponibile, e presentano un divario di 0,09 punti rispetto all'umano sulla generazione e di 0,47 sulla percezione.