Tavus Griffin: Den mänskliga interaktionsmodellen, förklarad

Tavus Griffin är en Human Interaction Model — HIM, leverantörens egen kategoribeteckning — och det mest användbara att först slå fast om den är vad den inte är. Den är inte en videogenerator. En videomodell tar en prompt, en stillbild eller ett klipp och returnerar en färdig fil; filen är produkten. Tavus Griffin tar en person som sitter framför en kamera och för en konversation med dem, och genererar ansiktet, rösten och det icke-verbala beteendet i samma stund som den lyssnar och fattar beslut, kontinuerligt, så länge samtalet varar. Den enda versionen av den som någon utanför företaget har kommit i kontakt med är Griffin-Lite, en forskningsförhandsvisning vars sida anger datumet 1 oktober 2026, öppen för utvalda betrodda testare via ett förfrågningsformulär, utan publicerat pris, utan modellidentifierare i Tavus API-dokumentation och utan endpoint. Den här sidan är det stående svaret på vad modellen är, vad den körs på, vad som faktiskt har mätts och vem som kan använda den.

Klassfrågan, eftersom den har besvarats fel.

Söker man efter Tavus Griffin är sannolikheten lika stor att läsaren hamnar på en jämförelse mot en text-till-video- eller bild-till-video-modell som på något om konversation. Den inramningen är värd att korrigera snarare än att arbeta runt, eftersom allt som följer av den – vad modellen är bra för, vad dess resultat betyder, huruvida dess latens är snabb eller långsam – beror på vilken klass man placerar den i. De två klasserna är inte variationer på ett tema. De tar emot olika saker, producerar olika saker och mäts med olika instrument.

• Videogenereringsmodeller – indata är en prompt, en bild eller ett klipp; utdata är en fil med fast längd; interaktionen avslutas när renderingen är klar. Benchmarks poängsätter pixlarna.

• Tavus Griffin — indata är en levande person, deras ljud och deras video, kontinuerligt; utdata är en ström av tal och video som aldrig behöver ta slut; interaktionen är produkten. Benchmarks måste poängsätta utbytet.

Griffin är också, i leverantörens framställning, ett avståndstagande från det vanliga sättet att bygga en interaktiv agent. Tavus kontrasterar det uttryckligen mot kaskadsystem som kedjar samman taligenkänning, en språkmodell och talsyntes efter varandra och väntar på att användaren ska sluta tala innan de börjar svara. Griffin beskrivs som full-duplex video-till-video: perception, beslutet om när och hur den ska svara, och genereringen av svaret körs alla samtidigt, och de fortsätter köra medan modellen talar.

Det finns en signal i de formuleringar som läsarna faktiskt skriver. En av de registrerade sökfrågorna för den här modellen är "tavus griffin human interaction model", vilket är en sökare som beskriver klassen innan de har hittat en sida som namnger den. Det är den rätta beskrivningen. Tavus myntade termen, förkortar den till HIM och ger modellens egen sida titeln Den första Human Interaction Model. Så det korta svaret på vad Tavus Griffin är: ett avatarsystem för samtal i realtid, klassat av sin skapare som en Human Interaction Model, vilket är en annan produktkategori än en videomodell snarare än en bättre.

Vad den tar in och vad den producerar, live

Ingångarna är en levande persons ljud och video, plus en systemprompt, konversationshistoriken, en referensbild och ett referensljudklipp, samt möjligheten att anropa ett verktyg mitt i konversationen. På utdatasidan avger den konversationella modellen inte bara text: den avger text plus en uppsättning kontrollsignaler som styr tal- och videogeneratorerna, vilket är hur ton, hållning, ansiktsuttryck och gester förblir knutna till beslutet som producerade dem.

På genereringssidan säger Tavus att arkitekturen producerar 720p-video i realtid, en latent i taget, och tar emot strömningskontroller så att samtalsmodellen kan styra icke-verbalt beteende som att gestikulera, titta bort eller ändra känslomässigt register. På talsidan sänder den ut ljudpaket så små som 10 ms, och en röst kan klonas från ungefär tio sekunder referensljud. Vart och ett av dessa värden är leverantörens egen beskrivning av sitt eget system, på sin egen sida.

Latens är det enda talet i den gruppen som leverantören publicerar som en mätning snarare än ett designmål. Gentemot fyra publicerade strömmande diffusionsmodeller, i en ljud-till-video-inställning där varje system får tal och en referensbild och måste producera det talande ansiktet, rapporterar Tavus att Griffin-Lite i genomsnitt har 0,43 sekunder av verklig ljud-till-video-latens på H100:or, med ett bästa fall på 0,27 s och ett sämsta fall på 0,59 s. För att sätta det i perspektiv är leverantörens egna siffror för den näst snabbaste metoden i den jämförelsen i genomsnitt 0,86 s, och den långsammaste i genomsnitt 1,45 s. Tavus körde den jämförelsen mot baslinjer som Tavus valde, så betrakta det som en leverantörsrapporterad siffra med ett specifikt protokoll kopplat till sig, inte som en neutral rangordning.

En sak som leverantören inte publicerar är videogeneratorns bildrutegeometri. Det finns ingen siffra för bilder per sekund på sidan och inget påstående om hur många videobildrutor en latent täcker, vilket innebär att varje specifik chunklängd som du har sett anges för Griffin — 320 ms, eller en latent på åtta bildrutor, eller ett angivet komprimeringsförhållande — inte finns på Tavus sida i dag och inte bör upprepas som om den gjorde det. Det som anges är 720p, en latent i taget, och ljud-till-video-genomsnittet på 0,43 sekunder.

Vad pipelinen egentligen består av

Tavus beskriver Griffin som ett tvådelat system, och båda delarna är dokumenterade i tillräcklig detalj för att kunna kontrolleras.

Den första är en motor för Continuous Conversational Modeling. Den uppfattar inkommande ljud och video, avgör när och hur den ska svara samt avger texten och kontrollsignalerna. Den centrala designidén är intervallet: den fattar samtalsbeslut med regelbundna intervall på under en sekund i stället för en gång per tur, vilka leverantören kallar miniturer. Vid varje sådant intervall bedömer den samtalets tillstånd och kan ta ordet, behålla det, lämna det, ge backchannel-signaler utan att avbryta eller sluta när den avbryts. Eftersom beslutet är kontinuerligt snarare än styrt av turgränser, behandlas en tankepaus inte som slutet på en tur. Griffin uppfattar också video där de flesta interaktiva system bara uppfattar ljud, vilket är det som ger den tillgång till blick, ansiktsuttryck, användarens omgivning och allt som användaren håller upp eller visar för kameran.

Den andra är en Audio Visual Generation-motor, i sig två arkitekturer — strömmande talgenerering och strömmande videogenerering — som omvandlar dessa styrsignaler till ljud och pixlar. Talmodellen är en snabb autoregressiv diffusionstransformator som tar ett kodat referensklipp som prefix och genererar nytt tal progressivt, en latent chunk i taget, allteftersom utdata- och styrningssteg anländer, i stället för att vänta på att hela yttrandet ska sättas samman innan den börjar tala.

Under talsidan sitter en codec som leverantören kallar Tavec v1.7, och det är här de publicerade siffrorna blir specifika. Det är en konvolutionell autoencoder som mappar 48 kHz-ljud till en kontinuerlig latent på 40 värden per frame vid 100 frames per sekund, utan kodtabeller. Dess avkodare är helt kausal, så den bär tillstånd mellan chunkar och producerar en sömlös vågform från strömmade latenter. Kompaktheten är poängen: en minut tal är 6 000 latenta frames mot 2,88 miljoner samples av rå ljuddata, vilket är det som gör sekvensen tillräckligt kort för att en autoregressiv transformer ska kunna förutsäga den snabbare än realtid. Tavus rapporterar 2 193× realtidsavkodning, ett ViSQOL MOS-LQO på 4,242 och 28,42 miljoner avkodarparametrar, med genomströmningen mätt på en H100. Allt enligt leverantören.

Videosidan kommer till samma plats från motsatt håll. Tavus tidigare modeller lutade sig mot omfattande 3D-priorer, vilket begränsade vad de kunde uttrycka; leverantörens angivna krav för Griffins videogenerator är snabb respons på varje inkommande ljudchunk, tolerans för styrningar som ändras snabbt, samt stabil identitet, läppsynk och visuell kvalitet över långa genereringar. Vägen dit var en trestegsdestillation av en stor dubbelriktad diffusionslärare med många steg. Distribution Matching Distillation gav en fåstegsstudent som var snabb men fortfarande genererade en hel video i en enda chunk. Teacher forcing omvandlade den studenten till en autoregressiv modell som producerade en latent i taget. Self-Forcing tränade den sedan på sin egen genererade historik, med en tillagd mekanism som verkar på historikramarna, så att långa utrullningar inte driver iväg – vilket är det felbeteende som den här typen av modell vanligtvis uppvisar: ett ansikte som försämras eller en bakgrund som vandrar under ett samtal som pågår i flera minuter.

Vad har mätts, och av vem?

Nästan varje siffra ovan är Tavus som mäter Tavus. Undantaget, och anledningen till att det väger tungt, är NVIDIAs VideoFDB – ett riktmärke för full-duplex audiovisuell konversation som NVIDIA har byggt, och som NVIDIA uppger att man genomför oberoende med de publicerade mätvärdena och sin egen bedömare. Det betygsätter en modell på två spår, generering och perception, var och en med sin egen bedömningsmall och sin egen resultattavla, på en skala från noll till fem.

• Generering – vad agenten producerade, ljud och video tillsammans, som svar på en dynamisk händelse i användarens stream. Griffin-Lite fick 3,83 mot en mänsklig ground truth-referens på 3,92; systemet med näst högst poäng fick 2,80. Övertagandefrekvensanpassning, som mäter hur väl modellens beslut om när den ska tala matchar tidsangivelserna i referenssamtalen, var 62,8 % för Griffin-Lite och 78 % för den mänskliga referensen, med ett tidsvärde på 1 892 ms.

• Perception — audiovisuellt in, ljud ut, bedömer huruvida agenten läste av ögonblicket korrekt. Griffin-Lite fick 3,73 mot en mänsklig referens på 4,20, med en överensstämmelse för övertagandefrekvens på 73,8 % och 2 232 ms i timing. Tavus beskriver den som den mest perceptiva modellen i benchmarken bland de 15 utvärderade.

Två förbehåll bör fogas till dem innan någon upprepar dem. Den närmaste baslinjen på perceptionsspåret anges som MiniCPM-o 4.5 med 3,44 – men det är raden för enbart ljud (A2A); samma systems fullständiga rad för ljud och bild är 3,40. Griffin läser video, så den ärliga jämförelsen är mot raderna för ljud och bild, vilket ger gapet 0,33 i stället för 0,29, och en del av det gapet mäter helt enkelt värdet av att ha ögon. Och ett gap på 0,09 punkter till en mänsklig referens på en femgradig skala bedömd av en språkmodell bör hellre läsas som ”nära människan enligt denna bedömningsmall” än som ”på mänsklig nivå”.

Den andra rubriksiffran är Tavus egen. I en studie som företaget genomförde fick deltagare som rekryterats via en oberoende forskningsplattform veta att de skulle matchas med en annan deltagare för ett enminuters videosamtal; deras partner var en PAL som körde Griffin-Lite. Av 54 deltagare ansåg 26 – 48 % – att partnern var en riktig person. Enligt samma protokoll gav företagets tidigare stack, byggd av Phoenix-4.5, Raven-1 och Sparrow-2, 2,4 %, eller en deltagare av 41. Båda grupperna var säkra: 79 % bland dem som svarade "verklig", 81 % bland dem som svarade "AI". Mer än hälften sade att möjligheten inte alls hade fallit dem in, och de som ändå misstänkte gjorde det mest inom de första tjugo sekunderna. På en sjugradig skala fick modellen i genomsnitt 5,4 för att verka naturlig, 5,6 för trovärdighet, 5,8 för att vilja prata igen, 5,5 för att känna sig lyssnad på, och 4,9 – lägst av de fem – för huruvida samtalet flöt naturligt.

Den studien är en leverantörsdriven studie med ett beskrivet protokoll och en angiven urvalsstorlek, vilket är mer än vad de flesta modellanseringar erbjuder och mindre än en oberoende replikering. Ingen tredje part har reproducerat ansikte-mot-ansikte-protokollet, och Tavus Griffin har ingen post på en oberoende leaderboard för videomodeller. De två VideoFDB-spårpoängen är de enda siffrorna på den här sidan som en annan organisation än Tavus har tagit fram.

Tillgång och pris: vad som finns i dag

Detta är det kortaste avsnittet på sidan eftersom det nästan inte finns något i det. Vad som har publicerats, i leverantörens eget material:

• Status — Griffin-Lite är en forskningsförhandsvisning, och Tavus uppger att det inte kommer att vara tillgängligt för kundanvändning i nuläget, även om det är tillgängligt för utvalda betrodda testare.

• Åtkomst – via förfrågningsformulär, med en bredare lansering av en mer kapabel modell som beskrivs enligt följande.

• Plattform — leverantörens egen avslutande rad säger att Griffin inte är på Tavus-plattformen ännu, och kommer först när företaget har listat ut hur man släpper det på ett säkert sätt.

• Pris — inget publicerat. Tavus prissida täcker produkten PAL och stacken Phoenix, Raven och Sparrow; den säger inget om Griffin, och det finns ingen siffra per minut, per sekund eller per förfrågan någonstans på leverantörens webbplats.

• Endpoint och identifierare – inga. Griffin förekommer inte i Tavus API-dokumentationsindex, vars modellsida dokumenterar Phoenix för ansiktsrendering, Raven för perception och Sparrow för turtagning. Det finns ingen modellsträng att anropa.

Leverantören uppger att man räknar med att släppa Griffin mycket snart efter att det säkerhetsarbete som beskrivs har hanterats. Det är en uttalad avsikt, inte ett datum, och det är det enda framåtriktade uttalandet i frågan.

Vad Tavus Griffin inte är till för

Klyftan mellan benchmarkresultatet och release-statusen är det praktiska innehållet på den här sidan, så det är värt att vara uppriktig om vad modellen för närvarande inte kan användas till.

Det är inte något att bygga en kundvänd väg på under det här kvartalet. En driftsättning behöver en modellidentifierare, ett pris, en gräns för anropstakt, en regionbeskrivning och någon form av åtagande om tillgänglighet, och inget av detta finns. Ett team som planerar kring Griffin i dag planerar kring ett förfrågningsformulär.

Det är inte en videogenerator, och det bör inte föras in i en klippipeline enbart med stöd av siffrorna. Dess poäng kommer från en full-duplex testbänk för samtal med egen bedömningsmall och egen domare; leaderboards för videomodeller poängsätter korta klipp genom parvis preferens på prompter. De två instrumenten ger inte jämförbara siffror, vilket innebär att Tavus Griffin inte har benchmarkats head-to-head mot någon videomodell vid matchad ansträngning och testbänk, och ingen rangordning mellan dem bör härledas från det som publicerats.

Det är inte, enligt leverantörens egen utsago, säkert att släppa öppet ännu. Tavus skriver att samma egenskaper som gör en Human Interaction Model till ett bättre gränssnitt också gör den bättre på att lura en person att tro att den inte är en AI, att ytterligare arbete med alignment och säkerhet krävs, och att funktioner för avslöjande och externa säkerhetsutvärderingar pågår. Med tanke på att nästan hälften av ett liveurval inte kunde avgöra det, och att de deltagare som kunde det oftast listade ut det inom tjugo sekunder, är avslöjandefrågan inte en fotnot till modellen — den är grinden till den.

Det som går att köpa i dag är resten av stacken runt omkring. En konversationell videopipeline är en kedja – taligenkänning, en språkmodell, talsyntes och sedan renderingslagret som gör det till ett ansikte – och de första tre är standardvaror, utbytbara och redan dirigerbara. De körs bakom en OpenAI-kompatibel slutpunkt hos OrcaRouter, med över tvåhundra modeller på en enda nyckel, leverantörens listpris vidarebefordrat med 0 % påslag så att en leverantörsprisändring slår igenom samma dag i stället för efter en avtalscykel, automatisk failover som dirigerar om när en leverantör försämras – vilket spelar större roll i ett samtal i realtid än i ett batchjobb, eftersom felet är hörbart – plus ett routing-DSL för att uttrycka vilken modell som ska hantera vad, och modellfusion för att kombinera utdata. Generationslagret är den del som fortfarande är en forskningsförhandsvisning; lagren ovanför det är den del ett team kan sätta ihop nu. Tavus Griffin finns inte med på OrcaRouters lista över aktiva modeller, vilket är förenligt med en modell som inte har någon publicerad slutpunkt och ingen identifierare att dirigera till.

Vad skulle ändra den här sidan

Tre saker, och de är specifika nog att hålla ögonen på. Ett modellkort med en modellsträng och ett pris skulle flytta Tavus Griffin från forskningsresultat till inköpsfråga. En oberoende replikering av protokollet för ansikte mot ansikte – ett andra labb som kör samma enminuterssamtal med sina egna deltagare – skulle göra mer för de 48 % än någon ytterligare leverantörsstudie kan. Och en rapport om långa sessioner från någon utanför Tavus skulle testa det enda påståendet som arkitekturen är byggd kring och som ingen benchmark täcker: att Self-Forcing och mekanismen för historikramar faktiskt håller samman ett ansikte och en bakgrund över en konversation som varar i minuter snarare än sekunder. Tills en av dessa landar är de två VideoFDB-spåren det starkaste tillgängliga beviset, och de kommer med en skillnad på 0,09 punkter gentemot människa för generering och 0,47 för perception.