Tavus Griffin: O Modelo de Interação Humana, Explicado

Tavus Griffin é um Modelo de Interação Humana — HIM, o nome de categoria do próprio fornecedor — e a coisa mais útil a estabelecer sobre ele logo de início é o que ele não é. Não é um gerador de vídeo. Um modelo de vídeo recebe um prompt, um fotograma estático ou um clipe e devolve um arquivo finalizado; o arquivo é o produto. Tavus Griffin recebe uma pessoa sentada diante de uma câmera e conversa com ela, gerando o rosto, a voz e o comportamento não verbal no mesmo instante em que está ouvindo e decidindo, continuamente, por todo o tempo em que a chamada durar. A única versão dele que alguém fora da empresa chegou a usar é o Griffin-Lite, uma prévia de pesquisa cuja página traz a data de 1º de outubro de 2026, aberta a testadores confiáveis selecionados por meio de um formulário de solicitação, sem preço publicado, sem identificador de modelo na documentação da API da Tavus e sem endpoint. Esta página é a resposta permanente sobre o que o modelo é, em que ele roda, o que de fato foi medido e quem pode usá-lo.

A pergunta da aula, porque tem sido respondida de forma errada.

Pesquise por Tavus Griffin e um leitor tem tanta probabilidade de se deparar com uma comparação com um modelo de texto para vídeo ou de imagem para vídeo quanto com qualquer coisa sobre conversação. Vale a pena corrigir esse enquadramento em vez de contorná-lo, porque tudo o que decorre dele — para que serve o modelo, o que significam as suas pontuações, se a sua latência é rápida ou lenta — depende da classe em que o classificamos. As duas classes não são variações sobre um tema. Aceitam coisas diferentes, produzem coisas diferentes e são medidas em instrumentos diferentes.

• Modelos de geração de vídeo — a entrada é um prompt, uma imagem ou um clipe; a saída é um arquivo de duração fixa; a interação termina quando a renderização termina. Os benchmarks avaliam os pixels.

• Tavus Griffin — a entrada é uma pessoa ao vivo, com seu áudio e seu vídeo, continuamente; a saída é um fluxo de fala e vídeo que nunca precisa terminar; a interação é o produto. Os benchmarks precisam avaliar a troca.

Griffin é também, na caracterização do fornecedor, uma rejeição da maneira habitual como um agente interativo é montado. A Tavus o contrasta explicitamente com sistemas em cascata que encadeiam reconhecimento de fala, um modelo de linguagem e síntese de fala, um após o outro, esperando que o usuário termine de falar antes de começar a responder. O Griffin é descrito como full-duplex de vídeo para vídeo: a percepção, a decisão sobre quando e como responder e a geração da resposta são executadas todas ao mesmo tempo, e continuam em execução enquanto o modelo está falando.

Há um sinal na formulação que os leitores realmente digitam. Uma das consultas registradas para este modelo é "tavus griffin human interaction model", que é um usuário de busca descrevendo a classe antes de ter encontrado uma página que a nomeie. É a descrição correta. A Tavus cunhou o termo, abrevia-o como HIM e intitula a própria página do modelo O Primeiro Human Interaction Model. Portanto, a resposta curta para o que é o Tavus Griffin: um sistema de avatar conversacional em tempo real, classificado por seu criador como um Human Interaction Model, que é uma categoria de produto diferente da de um modelo de vídeo, e não uma categoria melhor.

O que recebe e o que produz, ao vivo

As entradas são o áudio e o vídeo de uma pessoa ao vivo, além de um prompt de sistema, o histórico da conversa, uma imagem de referência e um clipe de áudio de referência, e a capacidade de chamar uma ferramenta no meio da conversa. No lado da saída, o modelo conversacional não emite apenas texto: ele emite texto mais um conjunto de sinais de controle que direcionam os geradores de fala e vídeo, que é como o tom, a postura, a expressão facial e o gesto permanecem ligados à decisão que os produziu.

Do lado da geração, a Tavus diz que a arquitetura produz vídeo 720p em tempo real, um latente por vez, aceitando controles de streaming para que o modelo de conversa possa direcionar comportamento não verbal, como gesticular, desviar o olhar ou mudar o registro emocional. O lado da fala emite pacotes de áudio de apenas 10 ms, e uma voz pode ser clonada a partir de cerca de dez segundos de áudio de referência. Cada um desses números é a própria descrição do fornecedor sobre seu próprio sistema, em sua própria página.

A latência é o único número desse grupo que o fornecedor publica como medição, e não como meta de projeto. Em comparação com quatro modelos publicados de difusão em streaming, num cenário de áudio para vídeo em que cada sistema recebe fala e uma imagem de referência e deve produzir o rosto falante, a Tavus relata que o Griffin-Lite tem uma média de 0,43 segundos de latência real de áudio para vídeo em H100s, com um melhor caso de 0,27 s e um pior caso de 0,59 s. Para dar escala, os próprios números do fornecedor para o segundo método mais rápido nessa comparação têm média de 0,86 s, e o mais lento tem média de 1,45 s. A Tavus fez essa comparação contra baselines selecionadas pela Tavus, então trate isso como um número relatado pelo fornecedor com um protocolo específico associado, e não como um ranking neutro.

Uma coisa que o fornecedor não publica é a geometria de quadros do gerador de vídeo. Não há nenhum número de quadros por segundo na página nem qualquer declaração de quantos quadros de vídeo um latente cobre, o que significa que qualquer duração específica de bloco que você tenha visto citada para o Griffin — 320 ms, ou um latente de oito quadros, ou uma taxa de compressão declarada — não está na página da Tavus hoje e não deve ser repetida como se estivesse. O que está declarado é 720p, um latente de cada vez, e a média de 0,43 segundo de áudio para vídeo.

Do que o pipeline é realmente feito

A Tavus descreve o Griffin como um sistema de duas partes, e ambas as partes estão documentadas com detalhes suficientes para verificação.

O primeiro é um Continuous Conversational Modeling motor. Ele percebe áudio e vídeo de entrada, decide quando e como responder e emite o texto e os sinais de controle. O ponto de design é o intervalo: ele toma decisões conversacionais em intervalos regulares de menos de um segundo, em vez de uma vez por turno, o que o fornecedor chama de mini-turnos. Em cada um, ele avalia o estado da conversa e pode tomar a palavra, mantê-la, cedê-la, fazer backchannel sem interromper, ou parar quando interrompido. Como a decisão é contínua em vez de orientada por limites de turno, uma pausa para pensar não é tratada como o fim de um turno. Griffin também percebe vídeo onde a maioria dos sistemas interativos percebe apenas áudio, o que lhe dá olhar, expressão facial, o ambiente do usuário e qualquer coisa que o usuário levante ou compartilhe com a câmera.

O segundo é um motor de Geração Audiovisual, ele mesmo duas arquiteturas — geração de fala em streaming e geração de vídeo em streaming —, que converte esses sinais de controle em som e pixels. O modelo de fala é um transformer de difusão autorregressivo rápido que toma um clipe de referência codificado como prefixo e gera nova fala progressivamente, um bloco latente de cada vez, à medida que incrementos de saída e controle chegam, em vez de esperar que todo o enunciado seja composto antes de começar a falar.

Por baixo do lado da fala está um codec que o fornecedor chama de Tavec v1.7, e é aqui que os números publicados se tornam específicos. É um autoencoder convolucional que mapeia áudio de 48 kHz para um latente contínuo de 40 valores por quadro a 100 quadros por segundo, sem codebooks. O seu decodificador é totalmente causal, por isso mantém estado entre blocos e produz uma única forma de onda contínua a partir de latentes transmitidos em fluxo. A compacidade é o ponto: um minuto de fala são 6.000 quadros latentes contra 2,88 milhões de amostras de áudio bruto, o que é o que torna a sequência curta o suficiente para um transformer autorregressivo prever mais rápido do que em tempo real. A Tavus reporta 2.193× de decodificação em tempo real, um ViSQOL MOS-LQO de 4,242 e 28,42 milhões de parâmetros do decodificador, com o débito medido em um H100. Tudo reportado pelo fornecedor.

O lado do vídeo chega ao mesmo lugar vindo da outra direção. Os modelos anteriores da Tavus baseavam-se em extensos priors 3D, o que limitava o que conseguiam expressar; os requisitos declarados pelo fornecedor para o gerador de vídeo do Griffin são resposta rápida a cada bloco de áudio recebido, tolerância a controles que mudam rapidamente e identidade estável, sincronia labial e qualidade visual ao longo de gerações longas. O caminho até lá foi uma destilação em três etapas de um grande professor de difusão bidirecional de muitos passos. A Destilação por Correspondência de Distribuição produziu um estudante de poucos passos que era rápido, mas ainda gerava um vídeo inteiro em um único bloco. O forçamento de professor converteu esse estudante num modelo autorregressivo que produz um latente de cada vez. O Self-Forcing então o treinou com seu próprio histórico gerado, com um mecanismo adicional atuando sobre os quadros do histórico, para que rollouts longos não sofram deriva — que é o modo de falha que essa classe de modelo normalmente apresenta, um rosto que se degrada ou um fundo que se desvia ao longo de uma conversa que dura minutos.

O que foi medido, e por quem

Quase todos os números acima são a Tavus medindo a Tavus. A exceção, e a razão pela qual ela tem peso, é o VideoFDB da NVIDIA — um benchmark para conversa audiovisual full-duplex que a NVIDIA criou e que a NVIDIA afirma conduzir de forma independente usando as métricas publicadas e seu próprio juiz. Ele avalia um modelo em duas trilhas, geração e percepção, cada uma com sua própria rubrica e seu próprio ranking, numa escala de zero a cinco.

• Geração — o que o agente produziu, áudio e vídeo juntos, em resposta a um evento dinâmico no stream do usuário. O Griffin-Lite obteve 3,83 contra uma referência humana de ground truth de 3,92; o segundo sistema com maior pontuação obteve 2,80. O alinhamento da taxa de tomada de turno, que mede o quão de perto as decisões do modelo sobre quando falar correspondem ao timing nas conversas de referência, foi de 62,8% para o Griffin-Lite e 78% para a referência humana, com um valor de timing de 1.892 ms.

• Percepção — entrada audiovisual, saída de áudio, pontuando se o agente leu o momento corretamente. O Griffin-Lite obteve 3,73 contra uma referência humana de 4,20, com alinhamento da taxa de takeover de 73,8% e 2.232 ms de timing. A Tavus o descreve como o modelo mais perceptivo do benchmark entre os 15 avaliados.

Duas ressalvas devem acompanhar esses números antes que alguém os repita. O baseline mais próximo na trilha de percepção está listado como MiniCPM-o 4.5 com 3,44 — mas essa é a linha apenas de áudio (A2A); a linha completa de áudio e vídeo do mesmo sistema é 3,40. O Griffin lê vídeo, então a comparação honesta é com as linhas de áudio e vídeo, o que coloca a diferença em 0,33 em vez de 0,29, e parte do que a diferença mede é simplesmente o valor de ter olhos. E uma diferença de 0,09 ponto em relação a uma referência humana numa escala de cinco pontos avaliada por um modelo de linguagem é melhor interpretada como "próximo do humano neste critério" do que como "no nível humano".

O outro número de destaque é o da própria Tavus. Em um estudo conduzido pela empresa, participantes recrutados por meio de uma plataforma de pesquisa independente foram informados de que seriam pareados com outro participante para uma videochamada de um minuto; seu parceiro era um PAL executando o Griffin-Lite. Dos 54 participantes, 26 — 48% — acreditaram que seu parceiro era uma pessoa real. No mesmo protocolo, a stack anterior da empresa, construída com Phoenix-4.5, Raven-1 e Sparrow-2, produziu 2,4%, ou um participante em 41. Os dois grupos estavam confiantes: 79% entre os que disseram que era real, 81% entre os que disseram que era IA. Mais da metade disse que a possibilidade não lhes tinha passado pela cabeça de forma alguma, e os que suspeitaram o fizeram, em sua maioria, nos primeiros vinte segundos. Em uma escala de sete pontos, o modelo teve média de 5,4 para parecer natural, 5,6 para ser confiável, 5,8 para querer conversar de novo, 5,5 para se sentir ouvido, e 4,9 — a menor das cinco — para avaliar se a conversa fluiu naturalmente.

Esse estudo é um estudo realizado pelo fornecedor, com um protocolo descrito e um tamanho de amostra declarado, o que é mais do que a maioria dos lançamentos de modelos oferece e menos do que uma replicação independente. Nenhum terceiro reproduziu o protocolo cara a cara, e o Tavus Griffin não tem entrada numa tabela de classificação independente de modelos de vídeo. As duas pontuações de track do VideoFDB são os únicos números nesta página produzidos por uma organização que não a Tavus.

Acesso e preço: o que existe hoje

Esta é a seção mais curta da página porque quase não há nada nela. O que está publicado, no material do próprio fornecedor:

• Status — Griffin-Lite é uma prévia de pesquisa, e a Tavus afirma que não estará disponível para uso por clientes no momento, embora esteja disponível para testadores confiáveis selecionados.

• Acesso — por formulário de solicitação, com um lançamento mais amplo de um modelo mais capaz descrito como segue.

• Plataforma — a própria frase de encerramento do fornecedor diz que o Griffin ainda não está na plataforma Tavus, e que chegará quando a empresa tiver descoberto como lançá-lo com segurança.

• Preço — nenhum publicado. A página de preços da Tavus abrange o produto PAL e o conjunto Phoenix, Raven e Sparrow; não diz nada sobre o Griffin, e não há nenhum valor por minuto, por segundo ou por requisição em lugar algum no site do fornecedor.

• Endpoint e identificador — nenhum. Griffin não aparece no índice da documentação da API da Tavus, cuja página de modelos documenta Phoenix para renderização facial, Raven para percepção e Sparrow para alternância de turnos. Não há nenhuma string de modelo para chamar.

O fornecedor afirma que prevê lançar o Griffin muito em breve, depois que o trabalho de segurança que descreve for resolvido. Essa é uma intenção declarada, não uma data, e é a única declaração prospectiva sobre o assunto.

Para que Tavus Griffin não serve

A distância entre o resultado do benchmark e o status de lançamento é o conteúdo prático desta página, por isso vale a pena ser direto sobre as coisas para as quais o modelo não pode ser usado atualmente.

Não é algo sobre o que construir um caminho voltado ao cliente neste trimestre. Uma implantação precisa de um identificador de modelo, um preço, um limite de taxa, uma narrativa de região e alguma forma de compromisso de disponibilidade, e nada disso existe. Uma equipe que hoje planeja com base no Griffin está planejando com base em um formulário de solicitação.

Não é um gerador de vídeo e não deve ser inserido em um pipeline de clipes com base nos números. Suas pontuações vêm de um harness de conversação full-duplex com sua própria rubrica e seu próprio juiz; os rankings de modelos de vídeo pontuam clipes curtos por preferência pareada em prompts. Os dois instrumentos não produzem números comparáveis, o que significa que o Tavus Griffin não foi avaliado em comparação direta com nenhum modelo de vídeo em esforço e harness equivalentes, e nenhuma classificação entre eles deve ser inferida a partir do que foi publicado.

Não é, segundo o próprio fornecedor, seguro lançá-lo abertamente ainda. A Tavus escreve que as mesmas propriedades que fazem de um Human Interaction Model uma melhor interface também o tornam melhor a enganar uma pessoa, levando-a a crer que não é uma IA, que é necessário mais trabalho de alinhamento e segurança, e que funcionalidades de divulgação e avaliações de segurança externas estão em curso. Dado que quase metade de uma amostra ao vivo não conseguiu perceber, e que os participantes que conseguiram, na sua maioria, o descobriram em menos de vinte segundos, a questão da divulgação não é uma nota de rodapé do modelo — é a condição decisiva para ele.

O que dá para comprar hoje é o resto da pilha ao seu redor. Um pipeline de vídeo conversacional é uma corrente — reconhecimento de fala, um modelo de linguagem, síntese de fala e, em seguida, a camada de renderização que lhe dá um rosto — e as três primeiras são commodities, intercambiáveis e já roteáveis. Elas rodam por trás de um único endpoint compatível com OpenAI no OrcaRouter, com mais de duzentos modelos em uma única chave, preço de tabela do provedor repassado com 0% de margem de modo que uma mudança de preço do fornecedor chega no mesmo dia, em vez de depois de um ciclo de contrato, failover automático que redireciona quando um provedor degrada — o que importa mais em uma chamada ao vivo do que em uma tarefa em lote, porque a falha é audível — além de uma DSL de roteamento para expressar qual modelo deve cuidar do quê, e fusão de modelos para combinar saídas. A camada de geração é a parte que ainda é uma prévia de pesquisa; as camadas acima dela são a parte que uma equipe consegue montar agora. O Tavus Griffin não aparece na lista de modelos ativos do OrcaRouter, o que é consistente com um modelo que não tem endpoint publicado nem identificador para o qual rotear.

O que mudaria esta página

Três coisas, e são específicas o bastante para ficarmos atentos. Uma ficha de modelo com uma string de modelo e um preço moveria o Tavus Griffin de resultado de pesquisa para questão de aquisição. Uma replicação independente do protocolo face a face — um segundo laboratório executando a mesma chamada de um minuto com seus próprios participantes — faria mais pelos 48% do que qualquer estudo adicional de fornecedor conseguiria. E um relatório de sessão longa de alguém de fora da Tavus testaria a única afirmação em torno da qual a arquitetura foi construída e que nenhum benchmark cobre: que o Self-Forcing e o mecanismo de quadros de histórico realmente mantêm um rosto e um fundo juntos ao longo de uma conversa que dura minutos, e não segundos. Até que uma dessas se concretize, as duas trilhas do VideoFDB são a evidência mais forte disponível, e vêm com uma diferença de 0,09 ponto em relação ao humano na geração e de 0,47 na percepção.