Tavus Griffin vs HeyGen Video 1：36時間の隔たり、そして購入できるのは片方だけ

二つのローンチが、市場の同じ一角で互いに36時間以内に相次いで登場した。そして、この組み合わせについて最も興味深いのはそのカレンダーだ。HeyGen Videoは2026年9月30日に公開され、10月いっぱいは1秒あたり0.01ドルで、MiniMax H3から調整され、識別子 heygen-video-1で提供される。Tavus Griffinは2026年10月1日に発表され、54人の参加者のうち26人が相手を実在の人物だと信じたライブの対面調査を伴っており、リクエストフォームを経た選ばれた信頼済みテスターだけが利用でき、識別子もエンドポイントも価格もない。どちらも説得力のある人間を生成することに関するものだ。誠実に比較する理由を挙げるなら、Tavus GriffinとHeyGen Video 1については、購入者が両者のどちらかを選ぶということではなく——今日、購入できるのは片方だけだ——、その違いがそれぞれ何のために作られたか、そして生成された人間の1秒が実際にどれほどの価値があるかを説明してくれるからだ。

一方はクリップを売り、もう一方は会話を売る

HeyGen Videoは汎用動画モデルでありながら、人物の扱いに際立って長けている。プロンプトを、あるいはプロンプトと画像を、またはプロンプトと最大9枚の参照画像、3本の参照動画、3つの参照音声クリップを入力すると、5～15秒のクリップを480pまたは768p、24 fpsで返し、32 kHzステレオのAAC音声には生成されたセリフ、環境音、効果音が乗っている。条件付けを担うモードは3つ——text_to_video、image_to_video、そしてreference_to_video（これがデフォルト）——であり、リストの順序がプロンプト内で呼びかけるラベルになる。つまりreference_imagesの最初の項目は<Picture 1>となる。リクエスト内の未知のフィールドは無視されず拒否され、シードは符号なし32ビット整数で、それを固定して一度にひとつの節を変えていけばショットを再現可能にできる。決定論的な動作範囲を備えた制作ツールである。

Griffin はそれらの特性のほぼすべてを逆転させる。1枚の参照写真から、25 fpsで320 msのチャンク単位で720pを生成し、デコードしながら各チャンクを再生する。そのため、指定すべきクリップの長さも、返却すべきファイルも存在しない。Continuous Conversational Modeling エンジンは音声と映像を取り込み、1秒未満の間隔でやり取りを再評価し、沈黙するか、合図を送るか、あいづちを打つか、発言権を取るかを選ぶ。その表現制御がストリーミング音声生成器とストリーミング映像生成器を並行して駆動する。文の途中で下された決定は、同じミニターン内に声と顔に現れる。あなたはプロンプトを書かない。それと話すのであり、それは間、目をそらすこと、遮りに反応する。

だからこそ、両方とも人間を生成するとしても、この二つは代替物ではない。HeyGen Video は、描写された瞬間がどのように見えるかを尋ねられる。Griffin は、次に何が起こるべきかを尋ねられる。

秒が買える方で、1秒あたりいくらかかるか

HeyGen Videoのローンチ価格は10月まで毎秒$0.01で、HeyGen自身の文章はそれを標準の$0.02から50%オフだと説明している。同じページのコスト表は、ローンチプロモーション前の768p・音声付きにおける毎秒あたりの定価として脚注が付いており、$0.03としている。これは、ベンダー自身のローンチ資料において文章と表の間に50%の隔たりがあるということであり、HeyGenがAPI価格ページを公開するまでは、安全な解釈は、$0.01は実際に提供されているため確認済みであり、10月以降の数字は$0.02から$0.03の間のどこかである、ということだ。

1,000秒分——10秒クリップ100本分——の数字を出してみよう。これこそ、大量処理チームが実際に考える単位だ：

• 10月のHeyGen Video — 毎秒$0.01で$10。

• 10月以降のHeyGen Video — $0.02で$20、またはチャートの$0.03で$30。

• MiniMax H3、チューニング元となったベースモデル — MiniMaxの定価である毎秒0.08ドルで80ドル。

• Kling 3.0 Pro — 1秒あたり$0.168で$168。

• Veo 3.1 — $400、1秒あたり$0.40。

HeyGenのローンチで計算が主役になっている理由は、破棄率にある。ソーシャル向けのカットダウン、広告バリエーション、プロダクトループを作るチームは、出荷する量をはるかに超えて生成している。そして10秒の試行が10セントなら、候補を捨てる際の経済性はまったく様相を変える。落とし穴は上限だ。768p、24 fpsは2K配信フォーマットではないし、MiniMax H3はMiniMax自身のホスト型API上の別個の再生成モジュールを通じて2Kに達するもので、毎秒0.13ドルかかり、HeyGen Videoには同等のものがない。配信ターゲットが768pを超えるなら、その安い秒はあなたが必要とする秒ではない。

そのリストのGriffinの欄は空欄で、しかも期待の持てる形での空欄ではない。Tavusは料金を公表していない。Griffin-Liteは研究プレビューであり、その発表自体が、現時点では顧客利用には提供されず、Tavusプラットフォーム上にもないと述べているからだ。1000秒単位のモデルでは、記入すべきものは何もない。Griffinについて数値を挙げている人は、でっち上げているだけだ。

品質の数値と、誰が評価するのか

これらのモデルはいずれも独立したスコアを持っていない。この点は最初に明言しておく価値がある。両ベンダーともチャートを出しているからだ。

HeyGenのものはElo表で、HeyGen Videoを1000に正規化し、続いてDreamina Seedance 2.0が955、H3 Maxファミリーは952から860まで広がり、Kling 3.0 Proが857、Veo 3.1が744となっている。脚注が大半の役割を果たしている。スコアは、4,800票のArtificial Analysis Arenaクエリからなる内部評価セットに由来し、HeyGen自身のスコアは比較を簡単にするため1000に正規化されている。ベンダーが自社チャートの最上位に自らを正規化するのは提示上の選択であり、それが首位である証拠ではない。その下の相対的な間隔こそが有益な部分である。

より有用なのは直接対決だ。これはHeyGenが、自社で作ったものではない相手と比較検証している唯一の場面である。HeyGenによれば、ブラインドテスト参加者は650票の比較のうち55.8%で、同社モデルをチャートに載っているH3 Max post-trainより好んだ。範囲は49～62%だった。この範囲こそが正直な細部である。下限では50%をまたいでおり、したがってベンダー自身の数値の上でも、その競合に対する選好がノイズと明確に切り分けられているとは言えない。軸ごとの内訳は混在しており、特定の失敗プロファイルのように読める——ソース画像への忠実さで65%、タイミングで66%であるのに対し、一貫性で43%、音楽で45%だ。

Griffinの数値は他者が構築した計測器から得られたものであり、そこが重要な違いだ。NVIDIAのVideoFDBは全二重の音声・視覚会話のベンチマークで、2つのトラックで採点され、NVIDIAがそれを構築し、公開されたルーブリックに基づいて自社のジャッジで評価を実施している。Griffin-Liteは生成で5点満点中3.83を記録し、人間の参照値3.92、および公開されている次点システムの2.80と対比された。また知覚では3.73で、人間の参照値4.20と対比された。Tavusもまた、H100上で公開されている4つのストリーミング拡散ベースラインと比較して、ジェネレーターの真の音声-to-映像レイテンシが0.43秒であると報告している。注意点は依然として当てはまる — 5点満点の言語モデル判定ルーブリックにおける人間との0.09ポイントの差は「同等」ではなく「近い」であり、知覚における優位の一部は映像入力なしで動作するシステムと比較して測定されている — しかし、評価者はベンダー自身ではない。

• 独立した品質スコア — どちらにも存在しない。2026年10月2日時点で、HeyGen VideoはArtificial Analysisの3つの動画ボードのいずれにも掲載されておらず、Griffinも同様だ。Griffinは今後も決して掲載されないかもしれない。短いクリップに対するペアワイズ選好投票では、ライブの会話をスコア化することはできないからだ。

同じリーダーボードにベースモデルが掲載されている。MiniMax H3はテキスト-to-ビデオ（音声付き）でElo 1,139の4位、画像-to-ビデオで1,181の2位につけており、いずれも$4.80/分——つまりHeyGenのポストトレーニングは、独立系アリーナがすでにトップ付近と評価している基盤の上で競合しており、これがHeyGen自身が公表しなかった中で最も強い擁護材料となっている。

どちらも同じ理由で安いか、値段がつけられない。

両方のローンチの根底にある構造的な事実は、説得力のある人間を作ることが安くなったということであり、どちらの企業も、そのコスト上の優位性は自社が売っているものから得ているわけではない。

HeyGen VideoはMiniMax H3のポストトレーニング版であり、MiniMaxはH3を独自のコミュニティライセンスの下で重みを利用可能にしてリリースした。それによりH3は、他社が特化して再販できる基盤となり、HeyGenは5週間でそれを実現した2番目の製品で、別の分野——ビジネス動画、製品デモ、研修、物件内見——向けだ。このパターンこそ、HeyGenがベースを下回る価格を付けられる理由だ。ベースモデルのコストを負担しておらず、ベースは他社のオープンウェイト公開だからだ。

Griffinは正反対の賭けだ。Tavusはシステム全体——コーデック、ストリーミング音声生成器、ストリーミング動画生成器、会話モデル——をインタラクションそのものを中心に構築し、大規模な双方向拡散教師モデルを3段階で数ステップの自己回帰生成器へ蒸留することで、長いロールアウトがドリフトしないようにした。これは、立脚できるオープンな基盤のない高コストな研究であり、リリースが制限されている理由の一つとしてもっともらしい。その下にはコストを償却できる安価な基盤が存在しないのだ。

両社はまた、異なる方向から同じ居心地の悪い地点にたどり着いている。HeyGen自身のドキュメントには、このモデルが最も苦手とする事項が挙げられており、それは珍しく、一読の価値がある。画面上の長いテキスト、花びらや紙、髪のような柔らかな有機的動き、そして機器の組み立てや操作といった手元の細かい作業だ。得意なのは短く完結したショット——被写体が一つ、場所が一つ、動作が一つ、カメラは固定かほとんど動かない——である。Griffinの限界は失敗モードの一覧ではなく、未解決の安全性問題だ。Tavusは率直に述べている。人間とのインタラクションモデルをより良いインターフェースにする特性は、相手が人間だと思い込ませるのにも役立つ。そして開示の仕組みを構築する間、プレビューの提供を保留していると。

買い手が今日実際にできること

HeyGen Video が呼び出せるようになりました。実行されるのは POST /v3/models/videos で、x-api-key ヘッダーを使用し、有料 API キーのみで利用できます。ダウンロードリンクは署名付きで有効期限があるため、ポーリングすると更新されます。また、コールバックはジョブごとに 1 回だけ試行され、HeyGen 自身もこれを保証ではなくレイテンシの最適化として扱うよう案内しています。今月テストするなら、1 秒あたり $0.01 のプロモーションが実施中で、出力の上限は 768p、プロンプト拡張モードは実際のコストレバーです。デフォルトは turbo、より長い処理には quality、無効にするとテキストはそのまま送信されます。

Griffinは呼び出し可能ではありません。アクセスはリクエストフォームとリサーチプレビューです。キーも識別子もエンドポイントもSLAも存在せず、可用性について公表されている唯一の記述は、Tavusが安全にリリースする方法を確立した時点で提供されるというものです。

両方に共通する点が一つある。どちらもルーターが到達を手助けできるモデルではないということだ。そして Griffin の場合、それは一時的な問題ではなくカテゴリーの問題である——リアルタイムの全二重セッションはリクエスト・レスポンス型の呼び出しではない。どちらのパイプラインでもルーターが役立つのは、動画を取り巻くレイヤーだ。プロンプト拡張、参照画像インベントリ、ショット記述、キャプション生成、レビュー要約はいずれもテキスト呼び出しであり、OpenAI、Google などのものは OrcaRouter カタログ上にあり、同じキーで 200 以上のモデルを利用できる単一の OpenAI 互換エンドポイントの背後に並んでいる、プロバイダーの定価で、マークアップは 0%、したがってベンダーの価格変更はその日のうちに反映される。動画モデルそのものに関して言えば、有用な事実が一つある。MiniMax H3——HeyGen Video がチューニングのベースとしたもので、HeyGen の $0.01 がその秒単価を下回っている対象——はここでは minimax/minimax-h3 として 1 秒あたり $0.08、2K は $0.13 でルーティングされる。HeyGen Video 自体は当社のカタログにはなく、Griffin も同様だ。どちらもそれぞれのベンダーの API と複数のサードパーティプラットフォームを通じて提供されている。

どちらを、そして誰のために

• 成果物が短く、自己完結型で、人物中心の映像かつ音声が組み込み済みで、768p・24 fpsで許容できるなら、HeyGen Videoを使う。10月以降の料金は、プロモーション価格の10セントではなく、1秒あたり$0.02〜$0.03程度として予算計上し、ワークフローをこれに決める前に、長い画面内テキストと手元の細かい作業を入念に検証する。なぜなら、そこが破綻する箇所だとHeyGenがすでに伝えているからだ。

• Griffinを前提とした計画は立てないでください。1分間の通話で生成された人間と本物の人間を人が見分けられるかどうかが疑問である場合、または、レンダリングされたクリップにロードマップをコミットする前にリアルタイムインタラクション層がどこに向かっているのかを確認する必要がある場合は、アクセスをリクエストしてください。

• 開示の問題に注目すべきだ。それが両方を動かす唯一の要素になるからだ。HeyGen Video の顧客には明快な答えが用意されている——モデルはオープンウェイトのベースモデルをポストトレーニングしたもので、出力は来歴の明らかなファイルだ——一方、Tavus はまさにそれがまだ存在しないという理由でモデルを公開せずにいる。より良い開示を公表した企業こそが、より価値の高い問題を解決したことになるだろう。