Tavus Griffin vs Kling 3: Uma Conversa em Tempo Real Contra um Clipe de Dez Segundos

A forma honesta desse confronto é uma assimetria de roteamento. Kling 3 é um modelo chamável com um preço, uma superfície de parâmetros e uma entrada em nosso próprio catálogo; Tavus Griffin é uma prévia de pesquisa para testadores confiáveis selecionados, mediante formulário de solicitação, anunciada em 1º de outubro de 2026 sem identificador, sem endpoint e sem tarifa publicada. Kling 3.0 está no catálogo do OrcaRouter como kling/kling-v3, com preço de US$ 0,084 por requisição, com o preço de tabela do provedor repassado e nenhum acréscimo. Griffin não é roteável, e não porque ninguém tenha chegado a fazer isso — uma sessão full-duplex em tempo real na qual o modelo gera 720p em blocos de 320 milissegundos enquanto escuta não é uma chamada de requisição-resposta, e não se encaixaria no mesmo formato mesmo se a Tavus abrisse as portas amanhã. Portanto, esta não é uma comparação que um comprador resolve pelo preço. É uma comparação de duas respostas à pergunta sobre para que serve um humano gerado.

O que o Kling 3.0 realmente é

O Kling 3.0 foi lançado em 5 de fevereiro de 2026 como uma série de quatro modelos — Video 3.0, Video 3.0 Omni, Image 3.0 e Image 3.0 Omni. A sua característica definidora é a sequenciação automática de múltiplos planos: o modelo planeja sozinho as transições entre planos, e um modo personalizado permite definir o número de planos e a duração de cada um, com os avaliadores a relatar sequências utilizáveis de até cerca de seis planos distintos a partir de um único prompt, sendo o tamanho do plano, o movimento de câmara e o momento narrativo especificáveis por plano. O limite máximo é de 15 segundos por geração, com um mínimo de três segundos. Do lado do OrcaRouter, surge como um modelo principal de texto para vídeo e imagem para vídeo com controlo de múltiplos planos, de sujeito e de movimento, clipes de 3 a 15 segundos e alegadamente até 4K nativo, servido em POST /v1/video/generations.

O áudio é gerado na mesma passagem, nativamente. A versão do Kuaishou suporta chinês, inglês, japonês, coreano e espanhol, lida com diálogo em idiomas mistos dentro de um clipe, atribui uma voz distinta a cada personagem em cenas com vários personagens e oferece sotaques regionais — inglês americano, britânico e indiano; chinês nordestino, de Pequim, taiwanês, cantonês e de Sichuan. A consistência da sincronia labial é a fraqueza mais apontada em análises independentes práticas, com um teste relatando que cerca de dois de cada cinco clipes de diálogo precisaram ser refeitos, e artefatos relatados se concentrando em diálogos em ambientes ruidosos, onde sons de fundo de água e vento deixam a fala abafada.

O que Griffin realmente é, em um parágrafo

Griffin não é um gerador de vídeo com modo de conversa. São dois motores rodando simultaneamente. Um motor de Modelagem Conversacional Contínua ingere o áudio e o vídeo de uma pessoa, reavalia a troca em intervalos inferiores a um segundo e decide, a cada um deles, se permanece em silêncio, sinaliza, faz backchannel ou assume o turno — emitindo controles expressivos que carregam timing, postura, expressão facial e gesto, não apenas palavras. Um motor de geração audiovisual transforma esses controles em som e pixels em conjunto: um transformer de difusão autorregressivo que gera fala um chunk latente por vez a partir de um prefixo de locutor codificado, e um gerador de vídeo autorregressivo de poucos passos que produz 720p em chunks de 320 ms a 25 fps a partir de uma única fotografia de referência. Não há prompt, nem duração de clipe, nem arquivo. Em áudio, ele reporta 0,43 segundos de latência real de áudio para vídeo em H100s, em comparação com quatro baselines publicados de difusão em streaming, o que a Tavus descreve como metade do segundo método mais rápido.

Preço, e a tabela unilateral

O preço do Kling 3.0 é o único ponto neste artigo em que há um número concreto em ambos os lados de uma comparação e um dos lados está vazio.

• Kling 3.0 no OrcaRouter — $0.084 por solicitação, preço de tabela do provedor repassado com 0% de margem, então uma mudança de tarifa da Kuaishou ou um corte promocional entra em vigor aqui no mesmo dia, em vez de só depois de um ciclo de contrato.

• Kling 3.0 na arena independente — o ranking de texto para vídeo com áudio consultado em 2 de outubro de 2026 lista o nível 1080p Pro a US$ 10,08/min e o nível Omni 1080p Pro a US$ 8,40/min. O mesmo ranking avalia os quatro níveis do Kling 3.0 em quatro preços diferentes, então "o preço do Kling 3.0" não é um valor único.

• Griffin — sem preço. O Griffin-Lite está disponível para alguns testadores de confiança como uma prévia de pesquisa, não está na plataforma Tavus, e seu próprio anúncio diz que não estará disponível para uso por clientes no momento. Não há tarifa por requisição, nem tarifa por segundo, nem nível gratuito a informar, e o modelo só chegará depois que a Tavus tiver definido como lançá-lo com segurança.

Essa é toda a seção de preços, e é honesto deixá-la como está em vez de inventar uma estimativa por segundo a partir da pegada de computação.

Os placares medem coisas diferentes e não se encontram.

Ambos os modelos foram avaliados por alguém que não o seu fornecedor, com instrumentos que não podem ser comparados.

O Kling 3.0 está na arena de vídeo da Artificial Analysis, onde o Elo vem da preferência humana cega em comparações pareadas de clipes curtos. Duas leituras no mesmo dia contam histórias diferentes, e é essa a armadilha que vale nomear: no placar de texto para vídeo com áudio, os níveis do Kling ficam no meio da tabela, enquanto no placar de imagem para vídeo com áudio eles ficam substancialmente mais acima — mas os níveis do Kling não aparecem todos nos dois. Só as versões Pro e Omni Pro 1080p estão no placar de texto; o nível Standard 720p é avaliado em imagem para vídeo e em nenhum outro lugar.

• Kling 3.0 em texto para vídeo (com áudio) — 1080p Pro em 16º, Elo 1.000 com 4.844 votos, US$ 10,08/min; Omni 1080p Pro em 16º, Elo 987 com 2.741 votos, US$ 6,90/min. O mais caro dos dois níveis pontua mais baixo, que é o mesmo não-resultado que a diferença entre os níveis mostra em todo o resto deste ranking.

• Kling 3.0 em imagem para vídeo (com áudio) — 1080p Pro em 18º–20º, Elo 1.055 (±6) com 14.896 votos, US$ 20,16/min; 720p Standard em 18º–20º, Elo 1.051 (±6) com 14.692 votos, US$ 15,60/min; Omni 1080p Pro em 21º–22º, Elo 1.044 (±8) com 2.945 votos, US$ 16,80/min; Omni 720p Standard em 21º–24º, Elo 1.036, US$ 13,44/min.

A leitura é que o Kling 3.0 é mais forte quando parte de uma imagem fornecida do que quando parte de texto, e o ranking de imagem para vídeo tem três vezes mais votos, então seu posicionamento ali é o mais bem definido. Esse também é o modo mais usado no trabalho comercial. Repare no que os quatro níveis entregam: dentro de imagem para vídeo, eles abrangem dezesseis pontos Elo numa faixa de preço de $13,44 a $20,16 por minuto, e o mais barato dos quatro não é o de classificação mais baixa. Pagar mais pelo Kling 3.0 não o faz subir neste ranking.

As pontuações do Griffin vêm do VideoFDB da NVIDIA, que avalia conversas audiovisuais full-duplex em duas faixas e foi construído e executado pela NVIDIA com seu próprio avaliador contra uma rubrica publicada. O Griffin-Lite marcou 3,83 de 5 em geração contra uma referência humana de 3,92 e 2,80 para o sistema publicado com a segunda maior pontuação, e 3,73 em percepção contra uma referência humana de 4,20, com alinhamento da taxa de tomada de turno de 62,8% e 73,8%. Esses números não dizem nada sobre se um clipe parece correto em 1080p, e o Elo do Kling não diz nada sobre se um modelo pode ser interrompido no meio de uma frase. O único uso honesto de qualquer um dos dois é dentro de sua própria pergunta.

A lacuna que ninguém está medindo: latência versus comprimento

Há aqui um contraste real de engenharia que nenhum dos rankings captura, e é a coisa mais útil nesta comparação para quem está planejando um produto.

Kling 3.0 otimiza para comprimento e estrutura dentro de uma geração limitada: até quinze segundos, até cerca de seis planos planejados, controle por plano. Seu custo escala com a duração da saída, e sua qualidade escala com o quão específico é o prompt. Nada nele funciona enquanto o usuário ainda está falando, e isso não é uma falha — é o formato da categoria.

Griffin otimiza a latência dentro de uma sessão sem limites: blocos de 320 milissegundos, 25 fps, uma decisão tomada a cada intervalo de menos de um segundo, nenhum clipe para planejar porque a conversa não tem fim. Seu custo, qualquer que venha a ser, escalaria com a duração da conversa, e não com os segundos renderizados, e sua qualidade escala com o quão natural é a pessoa do outro lado, e não com o briefing. A destilação em três estágios para um gerador autorregressivo treinado em seu próprio histórico existe precisamente porque o modo de falha dessa arquitetura é a deriva ao longo de um longo rollout, e não uma tomada ruim.

Coloque os dois lado a lado e a consequência prática é que eles falham em direções opostas. O Kling 3.0 falha de forma visível e cedo — uma tomada limítrofe que você pode excluir e regenerar por alguns centavos, com o orçamento de novas tomadas embutido no fluxo de trabalho. O Griffin, se funcionasse como relatado, falharia de forma invisível e tarde, por não ser o que aparenta ser, que é a razão pela qual a Tavus o está segurando.

Onde um roteador realmente ajuda, e onde não

O Kling 3.0 está no catálogo do OrcaRouter como kling/kling-v3 a $0,084 por requisição, na mesma chave e no mesmo endpoint compatível com OpenAI que mais de 200 outros modelos. Isso é uma diferença real em relação a manter uma conta Kuaishou além de uma integração separada para qualquer modelo de texto de que seu pipeline precise: como não adicionamos nada ao preço do provedor, uma mudança de preço da Kuaishou passa a valer do nosso lado no mesmo dia e, se o provedor upstream se degradar ou impuser limites de taxa, o failover automático move a requisição antes que a resposta comece, em vez de retornar um erro para sua aplicação. Para um pipeline de vídeo em que uma chamada pode custar mais do que mil chamadas de texto, fazer a requisição sobreviver a um minuto ruim do upstream vale mais do que o markup que você não está pagando.

Griffin não está em nosso catálogo, não está no catálogo de ninguém e não pode estar — um modelo full-duplex não é uma solicitação roteada. Ele só é acessível mediante o envio de uma solicitação de acesso. O fato de a própria Tavus direcionar potenciais desenvolvedores para seus modelos mais antigos, em vez de Griffin, é a pista: os três predecessores alimentam os PALs que 150.000 desenvolvedores e empresas já usam, e Griffin não está entre eles.

Qual deles, para quê?

• Escolha o Kling 3.0 para sequências multi-plano planejadas a partir de um único prompt, para trabalhos de imagem para vídeo em que sua posição na arena sem áudio é forte e recebe muitos votos, para diálogos multilíngues com vinculação de voz por personagem em cinco idiomas, para consistência de elementos ao longo de movimentos de câmera, e para 4K se você confirmar o nível por escrito — a própria documentação da Kuaishou afirma 4K nativo, enquanto seu guia do usuário lista apenas 720p e 1080p, e as taxas de créditos de terceiros para 4K variam em mais de um fator de dois entre as fontes.

• Teste primeiro o Kling 3.0 em sincronia labial se o diálogo for o ponto principal, porque é aí que análises práticas independentes dizem que ele falha, e é a falha que custa mais retakes.

• Não faça planos em torno do Griffin. Solicite acesso se a pergunta que você precisa ver respondida for se uma pessoa consegue distinguir um humano gerado de um humano real em uma chamada de um minuto, ou se saber para onde a camada de interação está indo deve moldar o que você constrói na camada de clipe agora.

• Observe duas coisas, não uma. Do lado do Kling, se a diferenciação entre os níveis começa a acompanhar o preço, porque os quatro níveis estão atualmente dentro de dezenove pontos de Elo entre si em image-to-video, embora a diferença de preço seja de cinquenta por cento, e o nível mais barato não é o pior posicionado. Do lado do Griffin, se chegam um mecanismo de divulgação e um model card; se chegarem, a comparação deixa de ser um ensaio de design e passa a ser uma decisão de aquisição, e este artigo precisará ser reescrito.