Tavus Griffin против Kling 3: разговор в реальном времени против десятисекундного клипа

Честная картина этого противостояния — асимметрия маршрутизации. Kling 3 — это вызываемая модель с ценой, набором параметров и записью в нашем собственном каталоге; Tavus Griffin — это исследовательское превью для избранных доверенных тестировщиков по форме заявки, анонсированное 1 октября 2026 года, без идентификатора, без эндпоинта и без опубликованного тарифа. Kling 3.0 присутствует в каталоге OrcaRouter как kling/kling-v3, по цене $0.084 за запрос, при этом прайс-лист провайдера передаётся как есть, без каких-либо наценок. Griffin не маршрутизируется, и не потому, что до этого ни у кого не дошли руки, — сессия в реальном времени с полным дуплексом, в которой модель генерирует 720p фрагментами по 320 миллисекунд, одновременно слушая, — это не вызов типа «запрос-ответ», и она не вписалась бы в ту же схему, даже если бы Tavus открыл шлюзы завтра. Так что это не то сравнение, которое покупатель разрешает по цене. Это сравнение двух ответов на вопрос о том, для чего нужен сгенерированный человек.

Что на самом деле представляет собой Kling 3.0

Kling 3.0 вышел 5 февраля 2026 года как серия из четырёх моделей — Video 3.0, Video 3.0 Omni, Image 3.0 и Image 3.0 Omni. Его определяющая особенность — автоматическая многокадровая последовательность: модель сама планирует переходы между кадрами, а пользовательский режим позволяет задать количество кадров и длительность каждого; обозреватели сообщают о пригодных последовательностях примерно из шести отдельных кадров из одного промпта, при этом размер кадра, движение камеры и повествовательный ритм можно задавать для каждого кадра. Максимум — 15 секунд на генерацию при минимуме в три секунды. На стороне OrcaRouter это флагманская модель текст-в-видео и изображение-в-видео с многокадровостью, управлением субъектом и движением, клипами длительностью 3–15 секунд и заявленным нативным 4K, доступная через POST /v1/video/generations.

Аудио генерируется за тот же проход, нативно. Версия Kuaishou поддерживает китайский, английский, японский, корейский и испанский, обрабатывает смешанную речь на разных языках внутри клипа, привязывает отдельный голос к каждому персонажу в сценах с несколькими персонажами и предлагает региональные акценты — американский, британский и индийский варианты английского; северо-восточный, пекинский, тайваньский, кантонский и сычуаньский варианты китайского. Согласованность липсинка — самая часто отмечаемая слабость в независимых практических обзорах: в одном тесте сообщалось, что примерно два из пяти диалоговых клипов требуют пересъёмки, а описываемые артефакты группируются вокруг диалогов в шумной обстановке, где фоновые звуки воды и ветра делают речь приглушённой.

Что Griffin на самом деле собой представляет — в одном абзаце

Griffin — не видеогенератор с режимом разговора. Это два одновременно работающих движка. Движок Continuous Conversational Modeling принимает аудио и видео человека, заново оценивает обмен репликами с интервалами менее секунды и на каждом из них решает, промолчать, подать сигнал, поддакнуть или взять слово, — выдавая выразительные управляющие сигналы, которые передают тайминг, позицию, мимику и жесты, а не только слова. Движок аудиовизуальной генерации превращает эти управляющие сигналы в звук и пиксели одновременно: авторегрессионный диффузионный трансформер, который генерирует речь по одному латентному фрагменту за раз из закодированного префикса говорящего, и авторегрессионный видеогенератор с малым числом шагов, который создаёт 720p фрагментами по 320 мс с частотой 25 кадров в секунду из одной эталонной фотографии. Здесь нет промпта, нет длины клипа и нет файла. Для аудио он сообщает о 0,43 секунды истинной задержки от аудио к видео на H100s в сравнении с четырьмя опубликованными базовыми методами потоковой диффузии, что Tavus описывает как половину задержки следующего по скорости метода.

Цена и односторонняя таблица

Ценообразование Kling 3.0 — это единственное место в этой статье, где с обеих сторон сравнения стоит конкретная цифра, а одна сторона пуста.

• Kling 3.0 на OrcaRouter — $0.084 за запрос, цена провайдера по прайс-листу передаётся с наценкой 0%, поэтому изменение тарифов Kuaishou или промо-скидка появляются здесь в тот же день, а не после контрактного цикла.

На независимой арене табло «текст-в-видео с аудио» по состоянию на 2 октября 2026 года указывает цену тарифа 1080p Pro на уровне $10.08/мин, а тарифа Omni 1080p Pro — $8.40/мин. То же табло присваивает четырём тарифам Kling 3.0 четыре разные цены, поэтому «цена Kling 3.0» — это не одна цифра.

• Griffin — цены нет. Griffin-Lite доступен избранным доверенным тестировщикам в качестве исследовательского превью, не представлен на платформе Tavus, и в его собственном анонсе сказано, что в настоящее время он не будет доступен для использования клиентами. Нет ни тарифа за запрос, ни тарифа за секунду, ни бесплатного уровня, которые можно было бы назвать, и модель появится только после того, как Tavus разберётся, как безопасно её выпустить.

Это весь раздел о цене, и честнее оставить его таким, чем придумывать оценку за секунду исходя из вычислительной нагрузки.

Табло измеряют разные вещи и не совпадают.

Обе модели были оценены кем-то помимо их поставщика, с помощью инструментов, которые невозможно сравнить.

Kling 3.0 находится на видеоарене Artificial Analysis, где Elo формируется на основе слепых попарных предпочтений людей по коротким клипам. Два замера в один и тот же день рассказывают разные истории, и это ловушка, которую стоит назвать: на табло «текст — видео» со звуком уровни Kling занимают середину таблицы, тогда как на табло «изображение — видео» со звуком они располагаются существенно выше, — но не все уровни Kling представлены на обоих. На текстовом табло вообще есть только сборки Pro и Omni Pro 1080p; уровень Standard 720p оценивается на табло «изображение — видео» и больше нигде.

• Kling 3.0 в режиме «текст — видео» (со звуком) — 1080p Pro на 16-м месте, Elo 1 000 по 4 844 голосам, $10,08/мин; Omni 1080p Pro на 16-м месте, Elo 987 по 2 741 голосу, $6,90/мин. Более дорогой из двух уровней получает более низкий балл — тот же нерезультат, который разброс по уровням демонстрирует во всех остальных местах этого табло.

• Kling 3.0 в режиме «изображение в видео» (со звуком) — 1080p Pro на 18–20-м месте, Elo 1 055 (±6) по результатам 14 896 голосов, $20,16/мин; 720p Standard на 18–20-м месте, Elo 1 051 (±6) по результатам 14 692 голосов, $15,60/мин; Omni 1080p Pro на 21–22-м месте, Elo 1 044 (±8) по результатам 2 945 голосов, $16,80/мин; Omni 720p Standard на 21–24-м месте, Elo 1 036, $13,44/мин.

Трактовка такова: Kling 3.0 сильнее, когда стартует из предоставленного изображения, чем когда стартует из текста, а в таблице «изображение-в-видео» количество голосов втрое больше, поэтому его позиция там определена надёжнее. Это также режим, который используется в большинстве коммерческих работ. Обратите внимание, что дают четыре тарифа: в рамках «изображение-в-видео» они охватывают шестнадцать пунктов Elo в диапазоне цен от $13.44 до $20.16 за минуту, и самый дешёвый из четырёх не является самым низким по рейтингу. Более высокая плата за Kling 3.0 не поднимает его в этой таблице.

Оценки Griffin взяты из VideoFDB от NVIDIA, которая оценивает полнодуплексный аудиовизуальный разговор по двум трекам и была создана и запущена NVIDIA с собственным судьёй в соответствии с опубликованной рубрикой. Griffin-Lite набрала 3,83 из 5 за генерацию по сравнению с 3,92 у человеческого эталона и 2,80 у следующей по результатам среди опубликованных систем, а также 3,73 за восприятие против 4,20 у человеческого эталона, при согласованности частоты перехвата инициативы 62,8 % и 73,8 %. Эти числа ничего не говорят о том, правильно ли выглядит клип в 1080p, а Elo Kling ничего не говорит о том, можно ли прервать модель на середине предложения. Единственное честное применение любого из них — в рамках его собственного вопроса.

Пробел, который никто не измеряет: задержка в зависимости от длины

Здесь есть реальное инженерное различие, которое не улавливает ни одна таблица лидеров, и это самое полезное в данном сравнении для любого, кто планирует продукт.

Kling 3.0 оптимизирован для длины и структуры в рамках ограниченной генерации: до пятнадцати секунд, до примерно шести запланированных кадров, покадровое управление. Его стоимость растёт с длительностью выходного видео, а качество — с тем, насколько конкретен промпт. Ничего из этого не работает, пока пользователь ещё говорит, и это не недостаток — такова природа этой категории.

Griffin оптимизирует задержку внутри неограниченной сессии: фрагменты по 320 миллисекунд, 25 кадров в секунду, решение принимается каждые доли секунды, не нужно планировать клип, потому что у разговора нет конца. Его стоимость, какой бы она ни оказалась, будет масштабироваться с длительностью разговора, а не с отрендеренными секундами, а его качество масштабируется с тем, насколько естественен человек на другом конце, а не с брифом. Трёхэтапная дистилляция в авторегрессионный генератор, обученный на собственной истории, существует именно потому, что режим отказа этой архитектуры — это дрейф при длительном прогоне, а не плохой кадр.

Поставьте эти два рядом — и практическое следствие будет в том, что они дают сбой в противоположных направлениях. Kling 3.0 даёт сбой заметно и рано: дубль на грани, который можно удалить и перегенерировать за пару центов, при этом бюджет на пересъёмки заложен в рабочий процесс. Griffin, если бы он работал так, как о нём сообщают, давал бы сбой незаметно и поздно — тем, что не является тем, чем кажется; именно поэтому Tavus его придерживает.

Где роутер действительно помогает, а где нет

Kling 3.0 присутствует в каталоге OrcaRouter как kling/kling-v3 по цене $0.084 за запрос, по тому же ключу и тому же OpenAI-совместимому эндпоинту, что и 200+ других моделей. Это реальное отличие от необходимости держать аккаунт Kuaishou плюс отдельную интеграцию для любой текстовой модели, которая нужна вашему пайплайну: поскольку мы ничего не добавляем к цене провайдера, изменение тарифа Kuaishou вступает в силу на нашей стороне в тот же день, а если вышестоящий провайдер деградирует или ограничивает частоту запросов, автоматическое переключение при сбое перенаправляет запрос до начала ответа, а не возвращает ошибку вашему приложению. Для видеопайплайна, где один вызов может стоить больше тысячи текстовых вызовов, способность запроса пережить плохую минуту на стороне провайдера стоит больше, чем наценка, которую вы не платите.

Griffin отсутствует в нашем каталоге, отсутствует в чьём-либо каталоге, и это невозможно — полнодуплексная модель сессии не является маршрутизируемым запросом. Доступ к ней можно получить, только подав запрос на доступ. Само то, что Tavus направляет потенциальных разработчиков к своим более старым моделям, а не к Griffin, — это и есть показательный признак: три предшественника обеспечивают работу PALs, которыми уже пользуются 150 000 разработчиков и компаний, и Griffin среди них нет.

Какой именно и для чего

• Выбирайте Kling 3.0 для запланированных многокадровых последовательностей из одного промпта, для работы «изображение в видео», где его позиция в арене без аудио сильна и подкреплена множеством голосов, для многоязычных диалогов с привязкой голоса к каждому персонажу на пяти языках, для согласованности элементов при движениях камеры и для 4K, если вы подтвердите уровень в письменной форме — собственная документация Kuaishou заявляет нативное 4K, тогда как её руководство пользователя перечисляет только 720p и 1080p, а сторонние ставки кредитов за 4K различаются между источниками более чем в два раза.

• Сначала протестируйте Kling 3.0 на синхронизации губ, если главное — диалог, потому что именно здесь, как говорят независимые обзоры с практическими тестами, он дает сбой, и именно этот сбой требует больше всего повторных дублей.

• Не планируйте с расчётом на Griffin. Запросите доступ, если вопрос, на который вам нужен ответ, состоит в том, может ли человек отличить сгенерированного человека от реального во время одноминутного звонка, или в том, должно ли знание того, куда движется слой взаимодействия, определять то, что вы создаёте на слое клипов сейчас.

• Следите за двумя вещами, а не за одной: на стороне Kling — за тем, начнёт ли разброс между уровнями соответствовать цене, потому что четыре уровня сейчас находятся в пределах девятнадцати пунктов Elo друг от друга в задаче image-to-video, при этом различаясь по цене в полтора раза, и самый дешёвый уровень не является самым плохим по позиции. На стороне Griffin — за тем, появятся ли механизм раскрытия информации и карточка модели; если да, сравнение перестанет быть эссе о дизайне и станет решением о закупке, и эту статью придётся переписывать.