Tavus Griffin vs Kling 3: una conversazione in tempo reale contro una clip di dieci secondi

La vera natura di questo confronto è un'asimmetria di routing. Kling 3 è un modello richiamabile con un prezzo, una superficie di parametri e una voce nel nostro catalogo; Tavus Griffin è un'anteprima di ricerca per tester fidati selezionati dietro un modulo di richiesta, annunciata il 1° ottobre 2026 senza identificatore, senza endpoint e senza tariffa pubblicata. Kling 3.0 è nel catalogo OrcaRouter come kling/kling-v3, al prezzo di $0,084 per richiesta con il prezzo di listino del fornitore passato e nulla aggiunto. Griffin non è instradabile, e non perché nessuno ci abbia ancora pensato — una sessione full-duplex in tempo reale in cui il modello genera 720p in blocchi da 320 millisecondi mentre ascolta non è una chiamata di tipo richiesta-risposta, e non si adatterebbe alla stessa forma anche se Tavus aprisse i cancelli domani. Quindi questo non è un confronto che un acquirente risolve in base al prezzo. È un confronto tra due risposte alla domanda su a cosa serve un essere umano generato.

Che cos'è realmente Kling 3.0

Kling 3.0 è stato lanciato il 5 febbraio 2026 come una serie di quattro modelli — Video 3.0, Video 3.0 Omni, Image 3.0 e Image 3.0 Omni. La sua caratteristica distintiva è la sequenziazione automatica multi-inquadratura: il modello pianifica da solo le transizioni tra le inquadrature, e una modalità personalizzata consente di impostare il numero di inquadrature e la durata di ciascuna, con recensori che segnalano sequenze utilizzabili fino a circa sei inquadrature distinte a partire da un singolo prompt, con dimensione dell'inquadratura, movimento di camera e battuta narrativa specificabili per ogni inquadratura. Il tetto massimo è di 15 secondi per generazione, con un minimo di tre secondi. Sul fronte OrcaRouter si presenta come modello di punta text-to-video e image-to-video con controllo multi-inquadratura, del soggetto e del movimento, clip da 3–15 secondi e fino a 4K nativo dichiarato, servito su POST /v1/video/generations.

L'audio viene generato nello stesso passaggio, in modo nativo. La versione di Kuaishou supporta cinese, inglese, giapponese, coreano e spagnolo, gestisce dialoghi in lingue miste all'interno di una clip, associa una voce distinta a ciascun personaggio nelle scene con più personaggi e offre accenti regionali — inglese americano, britannico e indiano; cinese nordorientale, di Pechino, taiwanese, cantonese e del Sichuan. La coerenza del lip-sync è il punto debole più segnalato in assoluto nelle recensioni indipendenti di prova pratica, con un test che riporta circa due clip di dialogo su cinque che necessitano di una nuova ripresa, e artefatti segnalati che si concentrano attorno ai dialoghi in ambienti rumorosi, dove i rumori di fondo di acqua e vento rendono il parlato ovattato.

Cos'è realmente Griffin, in un paragrafo

Griffin non è un generatore di video con una modalità conversazione. È due motori che funzionano contemporaneamente. Un motore Continuous Conversational Modeling assimila l'audio e il video di una persona, rivaluta lo scambio a intervalli inferiori al secondo e decide a ogni intervallo se restare in silenzio, segnalare, fare backchannel o prendere il turno — emettendo controlli espressivi che trasmettono tempismo, atteggiamento, espressione facciale e gestualità, non solo parole. Un motore di generazione audiovisiva trasforma quei controlli in suono e pixel insieme: un transformer di diffusione autoregressivo che genera il parlato un blocco latente alla volta da un prefisso codificato del parlante, e un generatore video autoregressivo a pochi passaggi che produce 720p in blocchi da 320 ms a 25 fps da una singola fotografia di riferimento. Non c'è prompt, né durata della clip, né file. Per l'audio riporta 0,43 secondi di vera latenza audio-video su H100s rispetto a quattro baseline di diffusione in streaming pubblicate, che Tavus descrive come la metà del secondo metodo più veloce.

Prezzo, e il tavolo a un solo lato

Il prezzo di Kling 3.0 è l'unico punto in questo articolo in cui c'è una cifra concreta su entrambi i lati di un confronto e un lato è vuoto.

• Kling 3.0 su OrcaRouter — 0,084 $ per richiesta, prezzo di listino del fornitore passato con 0% di ricarico, quindi una variazione delle tariffe di Kuaishou o un taglio promozionale è attiva qui lo stesso giorno anziché dopo un ciclo contrattuale.

• Kling 3.0 sull'arena indipendente — la classifica text-to-video con audio consultata il 2 ottobre 2026 elenca il tier 1080p Pro a $10,08/min e il tier Omni 1080p Pro a $8,40/min. La stessa classifica valuta i quattro tier di Kling 3.0 su quattro prezzi diversi, quindi "il prezzo di Kling 3.0" non è un unico valore.

• Griffin — nessun prezzo. Griffin-Lite è disponibile per alcuni tester fidati selezionati come anteprima di ricerca, non è sulla piattaforma Tavus e il suo stesso annuncio afferma che al momento non sarà disponibile per l'uso da parte dei clienti. Non esiste una tariffa per richiesta, una tariffa al secondo né un livello gratuito da citare, e il modello arriverà solo dopo che Tavus avrà stabilito come rilasciarlo in sicurezza.

Questa è tutta la sezione dei prezzi, ed è onesto lasciarla lì invece di inventare una stima al secondo basata sull'impronta di calcolo.

I tabelloni misurano cose diverse e non si incontrano

Entrambi i modelli sono stati valutati da qualcuno diverso dal loro fornitore, con strumenti che non possono essere confrontati.

Kling 3.0 si trova sull'arena video di Artificial Analysis, dove l'Elo deriva dalla preferenza umana a coppie in cieco su brevi clip. Due letture nello stesso giorno raccontano storie diverse, ed è la trappola che vale la pena nominare: nella classifica text-to-video con audio i livelli Kling si collocano a metà classifica, mentre nella classifica image-to-video con audio si collocano sensibilmente più in alto — ma i livelli Kling non compaiono tutti su entrambe. Solo le build Pro e Omni Pro 1080p sono presenti, in assoluto, sulla classifica text-to-video; il livello Standard 720p viene valutato su image-to-video e in nessun'altra sede.

• Kling 3.0 nel text-to-video (con audio) — 1080p Pro al 16° posto, Elo 1.000 su 4.844 voti, 10,08 $/min; Omni 1080p Pro al 16° posto, Elo 987 su 2.741 voti, 6,90 $/min. Il più costoso dei due livelli ottiene un punteggio inferiore, che è lo stesso non-risultato che il divario tra i livelli mostra ovunque altrove in questa classifica.

• Kling 3.0 in image-to-video (con audio) — 1080p Pro al 18°–20° posto, Elo 1.055 (±6) su 14.896 voti, $20,16/min; 720p Standard al 18°–20° posto, Elo 1.051 (±6) su 14.692 voti, $15,60/min; Omni 1080p Pro al 21°–22° posto, Elo 1.044 (±8) su 2.945 voti, $16,80/min; Omni 720p Standard al 21°–24° posto, Elo 1.036, $13,44/min.

L'interpretazione è che Kling 3.0 è più forte quando parte da un'immagine fornita rispetto a quando parte dal testo, e la classifica image-to-video porta tre volte il numero di voti, quindi la sua posizione lì è quella meglio definita. È anche la modalità che la maggior parte del lavoro commerciale utilizza. Nota cosa si ottiene con i quattro livelli: nell'ambito image-to-video coprono sedici punti Elo su una fascia di prezzo da $13,44 a $20,16 al minuto, e il più economico dei quattro non è quello classificato più in basso. Pagare di più per Kling 3.0 non lo fa salire in questa classifica.

I punteggi di Griffin provengono dal VideoFDB di NVIDIA, che valuta conversazioni audio-visive full-duplex su due tracce ed è stato creato e gestito da NVIDIA con il proprio giudice secondo una rubrica pubblicata. Griffin-Lite ha ottenuto 3,83 su 5 nella generazione rispetto a un riferimento umano di 3,92 e 2,80 per il sistema pubblicato con il punteggio più alto successivo, e 3,73 nella percezione rispetto a un riferimento umano di 4,20, con un allineamento del tasso di takeover del 62,8% e 73,8%. Quei numeri non dicono nulla sul fatto che una clip appaia corretta a 1080p, e l'Elo di Kling non dice nulla sulla possibilità che un modello venga interrotto a metà frase. L'unico uso onesto di entrambi è all'interno della propria domanda.

Il divario che nessuno sta misurando: latenza contro lunghezza

C'è un vero contrasto ingegneristico qui che nessuna delle due classifiche cattura, ed è la cosa più utile in questo confronto per chiunque stia pianificando un prodotto.

Kling 3.0 ottimizza per lunghezza e struttura all'interno di una generazione vincolata: fino a quindici secondi, fino a circa sei inquadrature pianificate, controllo per inquadratura. Il suo costo scala con la durata dell'output, e la sua qualità scala con quanto è specifico il prompt. Nulla di esso viene eseguito mentre l'utente sta ancora parlando, e questo non è un difetto — è la forma della categoria.

Griffin ottimizza la latenza all'interno di una sessione illimitata: chunk da 320 millisecondi, 25 fps, una decisione presa a ogni intervallo sub-secondo, nessuna clip da pianificare perché la conversazione non ha fine. Il suo costo, qualunque esso si riveli, scalerebbe con la durata della conversazione anziché con i secondi renderizzati, e la sua qualità scala con quanto è naturale la persona dall'altra parte anziché con il brief. La distillazione in tre fasi in un generatore autoregressivo addestrato sulla propria cronologia esiste proprio perché la modalità di guasto di questa architettura è la deriva su un lungo rollout anziché un'inquadratura sbagliata.

Metti i due fianco a fianco e la conseguenza pratica è che falliscono in direzioni opposte. Kling 3.0 fallisce in modo visibile e precoce — una take al limite che puoi eliminare e rigenerare per un paio di centesimi, con il budget per i retake integrato nel flusso di lavoro. Griffin, se funzionasse come riportato, fallirebbe in modo invisibile e tardivo, non essendo ciò che sembra essere, ed è il motivo per cui Tavus lo tiene fermo.

Dove un router è davvero d'aiuto, e dove no

Kling 3.0 è nel catalogo OrcaRouter come kling/kling-v3 a $0.084 per richiesta, sulla stessa chiave e sullo stesso endpoint compatibile con OpenAI di oltre 200 altri modelli. È una differenza reale rispetto all'avere un account Kuaishou più un'integrazione separata per qualunque modello di testo di cui la tua pipeline abbia bisogno: poiché non aggiungiamo nulla al prezzo del provider, una variazione delle tariffe Kuaishou è effettiva dalla nostra parte lo stesso giorno, e se il provider a monte peggiora o impone limiti di frequenza, il failover automatico sposta la richiesta prima che la risposta inizi invece di restituire un errore alla tua applicazione. Per una pipeline video in cui una singola chiamata può costare più di mille chiamate di testo, far sì che la richiesta sopravviva a un minuto difficile a monte vale più della maggiorazione che non stai pagando.

Griffin non è nel nostro catalogo, non è nel catalogo di nessuno e non può esserlo: un modello di sessione full-duplex non è una richiesta instradata. È raggiungibile solo inviando una richiesta di accesso. Il fatto che Tavus stessa indirizzi i potenziali sviluppatori verso i suoi modelli più vecchi anziché verso Griffin è il segnale rivelatore: i tre predecessori alimentano i PAL che 150.000 sviluppatori e imprese già utilizzano, e Griffin non è tra questi.

Quale, per cosa

• Scegli Kling 3.0 per sequenze pianificate multi-inquadratura da un unico prompt, per il lavoro image-to-video in cui il suo posizionamento nell'arena senza audio è forte e ampiamente votato, per dialoghi multilingue con associazione vocale per personaggio in cinque lingue, per la coerenza degli elementi attraverso i movimenti di camera, e per il 4K se confermi il tier per iscritto — la documentazione di Kuaishou dichiara il 4K nativo, mentre la sua guida utente elenca solo 720p e 1080p, e le tariffe di crediti di terze parti per il 4K variano di oltre un fattore due tra le fonti.

• Metti prima alla prova Kling 3.0 sulla sincronizzazione labiale se il punto è il dialogo, perché è lì che le recensioni indipendenti basate su prove pratiche dicono che si rompe, ed è il fallimento che costa il maggior numero di ciak da rifare.

• Non pianificare in funzione di Griffin. Richiedi l'accesso se la domanda a cui devi rispondere è se una persona può distinguere un umano generato da uno reale in una chiamata di un minuto, oppure se sapere dove sta andando il livello di interazione dovrebbe orientare ciò che costruisci ora sul livello clip.

• Tieni d'occhio due cose, non una. Sul fronte Kling, se il divario tra i livelli inizia a seguire il prezzo, perché i quattro livelli attualmente si collocano entro diciannove punti Elo l'uno dall'altro su image-to-video pur differendo di prezzo di una metà in più, e il livello più economico non è quello piazzato peggio. Sul fronte Griffin, se arrivano un meccanismo di divulgazione e una scheda del modello; se accade, il confronto smette di essere un saggio di progettazione e comincia a essere una decisione di approvvigionamento, e questo articolo dovrà essere riscritto.