Tavus Griffin vs MiniMax H3: Model konwersacyjny duplex spotyka wydany generator wideo

Tavus Griffin i MiniMax H3 oba wyświetlają na ekranie poruszającego się, mówiącego człowieka, a poza tym pierwszym wrażeniem ledwie można je zaliczyć do tej samej kategorii produktów. Griffin to Model interakcji z człowiekiem — system wideo-do-wideo stworzony do prowadzenia dwukierunkowej rozmowy w czasie rzeczywistym, ogłoszony przez Tavus w październiku 2026 r. i obecnie ograniczony do wybranej grupy wczesnych testerów. MiniMax H3 to omnimodalny generator wideo: przekazujesz mu prompt oraz opcjonalne odniesienia do obrazu, wideo i dźwięku, a on zwraca gotowy klip. Jeden jest oceniany za zamkniętymi drzwiami; drugi od miesięcy jest dostępny do pobrania, licencjonowania i rozliczania. To właśnie ta różnica — a nie rozdzielczość czy liczba klatek na sekundę — decyduje o tym, który z nich należy do twojego stacku.

Czym każdy z nich właściwie jest

Griffin to próba Tavus zbudowania modelu, który zachowuje się jak uczestnik, a nie renderer. Firma opisuje go jako pierwszy Human Interaction Model, a opublikowana architektura dzieli zadanie na dwie części: Continuous Conversational Modeling, który decyduje, co persona powinna robić z chwili na chwilę, oraz Audio-Visual Generation, który strumieniuje dopasowaną mowę i twarz. Co kluczowe, jest to pełny dupleks — obserwuje i słucha, gdy mówi, więc można mu przerwać, może reagować w trakcie wypowiedzi i nie czeka na czysty sygnał końca tury, zanim odpowie. Sam Tavus twierdzi, że poprzednie systemy uczyły się generować twarze; Griffin został zbudowany, by uczyć się zachowań konwersacyjnych od ludzi.

MiniMax H3 to generacja Hailuo 3, wydana 31 lipca 2026 r. i udostępniona jako open source 3 sierpnia 2026 r. na licencji MiniMax H3 Community License, a warianty H3-Base-FL2VA i H3-Base-Ref2VA opublikowano otwarcie. Odczytuje odniesienia tekstowe, obrazowe, wideo i audio jako jeden ujednolicony kontekst i zwraca 4–15-sekundowy klip w 768P lub 2K z natywnym dźwiękiem stereo, generowany w trzystopniowym potoku (najpierw H3-Context-IR, potem H3-Base w 768p, następnie H3-Regenerate-2K). To generator o nietypowo szerokim zakresie danych wejściowych i naprawdę liberalnej licencji — wszystko to, czym Griffin obecnie nie jest.

Specyfikacje, obok siebie

Dlaczego „duplex” to interesujące słowo

Każdy generator wideo, w tym H3, jest oceniany po tym, jak wygląda klip, gdy jest już gotowy. Griffin jest oceniany po czymś, czego klip nie może pokazać: po tym, co dzieje się w ciągu 200 milisekund po tym, jak go przerwiesz. To jest problem, na który wskazuje ujęcie Human Interaction Model, i dlatego najważniejsze liczby Tavusa są behawioralne, a nie wizualne.

Najczęściej cytowana liczba to 48% osób, które po jednominutowej rozmowie wideo uznały, że Griffin był prawdziwą osobą — 26 z 54 uczestników — wobec 2,4% dla poprzedniego zestawu Tavus, czyli Phoenix-4.5, Sparrow-2 i Raven-1, który osiągnął 1 z 41. Tavus podaje również, że osoby, które nie dały się przekonać, zwykle nabierały podejrzeń w ciągu pierwszych 20 sekund, co jest bardziej przydatnym szczegółem niż sam nagłówek: oznacza to, że iluzja albo utrzymuje się na początku, albo na początku się załamuje.

Drugi zestaw liczb pochodzi z benchmarku VideoFDB firmy NVIDIA, ocenianego we wrześniu 2026 r., gdzie Tavus twierdzi, że Griffin zajął pierwsze miejsce w niezależnym teście AI do komunikacji twarzą w twarz. Po stronie generowania Griffin uzyskał 3,83 wobec 2,80 dla najsilniejszej raportowanej linii bazowej (konfiguracja Gemini 2.5 plus Anam), przy referencji ludzkiej 3,92 i wskaźniku realizacji celów zadaniowych 62,8%. W zakresie percepcji uzyskał 3,73 wobec 3,44 dla MiniCPM-o 4.5, 3,17 dla Gemini 2.5 Flash Native i 2,97 dla konfiguracji OpenAI gpt-realtime opartej wyłącznie na audio, przy referencji ludzkiej 4,20 i wskaźniku realizacji celów zadaniowych 73,8%, wśród piętnastu ocenianych modeli. Tavus twierdzi również, że Griffin przewyższa następny najlepszy system o 37% w reagowaniu na bieżąco. Są to liczby raportowane przez dostawcę, oparte na benchmarku zbudowanym przez NVIDIA, i tak należy je odczytywać — ale to punkty porównania z człowiekiem są tymi, które warto zachować, ponieważ 3,83 wobec ludzkiego wyniku 3,92 to znacznie mniejsza luka, niż generowanie wideo pokazywało historycznie.

Co możesz dziś kupić

W tym miejscu oba modele przestają być w ogóle porównywalne.

MiniMax H3 to produkt. Jest hostowany, rozliczany za sekundę wygenerowanego materiału, a jego otwarte warianty czekają na hubie modeli na pobranie. Jeśli chcesz piętnastosekundowy klip w 2K z dźwiękiem stereo przedstawiający coś, co nie istnieje, możesz mieć go jeszcze dziś po południu, a wagi możesz uruchomić samodzielnie, jeśli wolisz ich nie wynajmować.

Tavus Griffin nie jest produktem. Tavus wyraźnie pisze w tekście o Griffinie, że Griffin-Lite, badawcza wersja podglądowa, jest już dziś dostępny dla wybranej grupy wczesnych testerów, że nastąpi po nim szersza premiera potężniejszego modelu oraz że Griffin nie znajduje się jeszcze na platformie Tavus i pojawi się dopiero wtedy, gdy firma opracuje sposób bezpiecznego udostępnienia go. To nietypowa jak na dostawcę szczerość na temat własnego najbardziej efektownego rezultatu i ma znaczenie przy planowaniu: nie można umieścić Griffina w planie rozwoju produktu jako zależności ani nie można go wycenić, bo nie ma ceny.

Tak więc uczciwe pytanie przy planowaniu to nie „które jest lepsze”, ale „które istnieje na tej warstwie, której potrzebuję”.

Gdzie pasuje OrcaRouter

MiniMax H3 jest w naszym katalogu. Strona modelu znajduje się pod adresem minimax/minimax-h3, a rozliczanie wygląda tak, jak rozlicza go dostawca: 0,08 USD za sekundę wygenerowanego wyniku przy 768P i 0,13 USD za sekundę przy 2K. OrcaRouter przekazuje ceny katalogowe dostawcy bez zmian, przy 0% marży, więc zmiana ceny MiniMax pojawia się w naszej karcie tego samego dnia, w którym zostaje ogłoszona, a nie dopiero w kolejnym cyklu rozliczeniowym. Griffin nie znajduje się w katalogu i nie znajdzie się, dopóki Tavus nie udostępni go klientom — nie hostujemy modelu, którego nie możemy obsłużyć, a badawcza wersja zapoznawcza ograniczona do wybranych testerów to coś, do czego router nie może kierować ruchu.

Praktyczna konsekwencja jest taka, że jeden z tych dwóch modeli dzieli od twojej aplikacji jedna linijka kodu, a drugi to artykuł naukowy z numerem telefonu. Jeśli już kierujesz ruch do kilku modeli wideo i językowych, rozliczanie za sekundę w H3 sprawia też, że to trasa warta umieszczenia za automatycznym przełączaniem awaryjnym: żądanie, które trafi na przeciążonego dostawcę, ponawia próbę u zdrowego, zamiast zwracać przekroczenie limitu czasu, a DSL routingu pozwala przypiąć zadania 2K do konkretnego dostawcy, pozwalając szkicom 768P trafiać tam, gdzie moc obliczeniowa jest najtańsza. Fuzja modeli to druga dźwignia, o której warto tu wspomnieć — cena za sekundę w H3 jest na tyle niska, że wydanie modelu tekstowego na przepisanie i ponowne pocięcie promptu przed generowaniem jest często tańsze niż zmarnowane sekundy po nieudanej pierwszej próbie.

Gdzie porównanie mogłoby się odwrócić

Trzy rzeczy zmieniłyby to porównanie — i tylko trzy.

Po pierwsze, jeśli Tavus udostępni Griffina w komercyjnym API z opublikowaną stawką, całe ujęcie "rozmowa kontra klip" staje się prawdziwą decyzją zakupową, a nie decyzją dotyczącą planowania, a wskaźnik 48% dla kontaktu twarzą w twarz zaczyna bezpośrednio konkurować z jakością generowanych wyników. Po drugie, jeśli sytuacja H3 w zakresie czasu rzeczywistego się poprawi — a MiniMax agresywnie wypuszcza kolejne produkty — generator rozliczany za sekundę, który potrafi strumieniować, stępiłby główną przewagę Griffina. Po trzecie, jeśli NVIDIA lub inna neutralna strona ponownie uruchomi VideoFDB z uwzględnieniem H3 lub jego następcy, twierdzenie, że Griffin jest pierwszy w dziedzinie AI twarzą w twarz, przestanie być niefalsyfikowalne. Tavus twierdzi, że spodziewa się wydać Griffina bardzo szybko po rozwiązaniu jego problemów związanych z bezpieczeństwem; to zdanie to cały harmonogram.

Konkluzja

MiniMax H3 i Tavus Griffin nie są obecnie rywalami, ponieważ tylko jeden z nich można kupić. H3 to wydany generator omnimodalny o otwartych wagach, rozliczany za sekundę, z opublikowaną ceną i zakresem długości wyjścia od 4 do 15 sekund; Griffin to dupleksowy model konwersacyjny z najlepszymi opublikowanymi wynikami rozmów twarzą w twarz, bez API, bez ceny i z wyraźnym oświadczeniem własnego dostawcy, że klienci nie mogą go jeszcze używać. Jeśli potrzebujesz dziś generowania wideo, H3 jest odpowiedzią i można je zmierzyć w centach za sekundę. Jeśli potrzebujesz twarzy w czasie rzeczywistym, którą można przerwać, obserwuj Tavus — ale najpierw zbuduj resztę produktu, ponieważ data premiery to zdanie, a nie data.