Tavus Griffin: อธิบายโมเดลการปฏิสัมพันธ์ของมนุษย์

Tavus Griffin คือ Human Interaction Model — หรือ HIM ซึ่งเป็นชื่อหมวดหมู่ที่ผู้ขายตั้งขึ้นเอง — และสิ่งที่มีประโยชน์ที่สุดที่ควรทำความเข้าใจเป็นอันดับแรกเกี่ยวกับมันก็คือมันไม่ใช่อะไร มันไม่ใช่เครื่องมือสร้างวิดีโอ โมเดลวิดีโอรับพรอมป์ต์ ภาพนิ่ง หรือคลิป แล้วคืนไฟล์ที่เสร็จสมบูรณ์ออกมา ไฟล์นั้นคือตัวผลิตภัณฑ์ Tavus Griffin รับคนที่นั่งอยู่หน้ากล้องและสนทนากับคนคนนั้น โดยสร้างใบหน้า เสียง และพฤติกรรมที่ไม่ใช่วาจาขึ้นในจังหวะเดียวกับที่มันกำลังฟังและตัดสินใจอย่างต่อเนื่อง ตลอดเวลาที่การสนทนายังดำเนินอยู่ เวอร์ชันเดียวของมันที่คนนอกบริษัทได้สัมผัสคือ Griffin-Lite ซึ่งเป็นรุ่นทดลองวิจัยที่หน้าเว็บระบุวันที่ 1 ตุลาคม 2026 เปิดให้ผู้ทดสอบที่ได้รับความไว้วางใจคัดเลือกเข้าถึงผ่านแบบฟอร์มขอสิทธิ์ โดยไม่มีราคาเปิดเผย ไม่มีตัวระบุโมเดลในเอกสาร API ของ Tavus และไม่มีเอนด์พอยต์ หน้านี้คือคำตอบถาวรว่าตัวโมเดลคืออะไร รันบนอะไร อะไรที่ถูกวัดผลจริงแล้ว และใครสามารถใช้งานมันได้

คำถามในชั้นเรียน เพราะมันถูกตอบผิดมาตลอด

เมื่อค้นหา Tavus Griffin ผู้อ่านมีแนวโน้มพอ ๆ กันที่จะไปเจอการเปรียบเทียบกับโมเดลข้อความเป็นวิดีโอหรือภาพเป็นวิดีโอ กับการไปเจอเรื่องใด ๆ เกี่ยวกับการสนทนา กรอบความเข้าใจนั้นควรค่าแก่การแก้ไขมากกว่าการพยายามหลบเลี่ยง เพราะทุกสิ่งที่ต่อเนื่องมาจากมัน — โมเดลนี้เหมาะกับการใช้งานอะไร คะแนนของมันหมายความว่าอย่างไร ความหน่วงของมันเร็วหรือช้า — ล้วนขึ้นอยู่กับว่าคุณจัดมันไว้ในประเภทใด สองประเภทนี้ไม่ใช่การแปรผันของแนวคิดเดียวกัน พวกมันรับข้อมูลที่ต่างกัน ให้ผลลัพธ์ที่ต่างกัน และถูกวัดด้วยเครื่องมือที่ต่างกัน

• โมเดลสร้างวิดีโอ — อินพุตคือพรอมต์ รูปภาพ หรือคลิป; เอาต์พุตคือไฟล์ที่มีความยาวคงที่; การโต้ตอบจะสิ้นสุดเมื่อการเรนเดอร์เสร็จสิ้น เบนช์มาร์กให้คะแนนจากพิกเซล

• Tavus Griffin — อินพุตคือบุคคลจริง ทั้งเสียงและวิดีโอของพวกเขา อย่างต่อเนื่อง; เอาต์พุตคือสตรีมเสียงพูดและวิดีโอที่ไม่จำเป็นต้องสิ้นสุด; ปฏิสัมพันธ์คือตัวผลิตภัณฑ์ เบนช์มาร์กต้องให้คะแนนการแลกเปลี่ยนนี้

ในกรอบมุมมองของผู้จำหน่าย Griffin ยังเป็นการปฏิเสธวิธีปกติที่ใช้ประกอบเอเจนต์เชิงโต้ตอบ Tavus เปรียบเทียบมันอย่างชัดเจนกับระบบแบบคาสเคดที่เชื่อมการรู้จำเสียง แบบจำลองภาษา และการสังเคราะห์เสียงต่อกันเป็นทอด ๆ โดยรอให้ผู้ใช้พูดจบก่อนจึงเริ่มตอบกลับ Griffin ถูกอธิบายว่าเป็นวิดีโอถึงวิดีโอแบบฟูลดูเพล็กซ์: การรับรู้ การตัดสินใจว่าเมื่อใดและอย่างไรจึงจะตอบกลับ และการสร้างคำตอบ ล้วนทำงานพร้อมกันทั้งหมด และทำงานต่อไปในขณะที่แบบจำลองกำลังพูด

มีสัญญาณอยู่ในถ้อยคำที่ผู้อ่านพิมพ์จริง ๆ หนึ่งในคำค้นที่บันทึกไว้สำหรับโมเดลนี้คือ "tavus griffin human interaction model" ซึ่งเป็นการที่ผู้ค้นหาอธิบายหมวดหมู่ก่อนที่พวกเขาจะพบหน้าที่ตั้งชื่อให้มัน นั่นคือคำอธิบายที่ถูกต้อง Tavus เป็นผู้บัญญัติคำนี้ ย่อว่า HIM และตั้งชื่อหน้าเพจของโมเดลเองว่า โมเดลปฏิสัมพันธ์ระหว่างมนุษย์ตัวแรก ดังนั้นคำตอบสั้น ๆ ว่าทาวัส กริฟฟิน คืออะไร: ระบบอวตารสนทนาแบบเรียลไทม์ ซึ่งผู้สร้างจัดประเภทไว้เป็น Human Interaction Model (โมเดลปฏิสัมพันธ์ระหว่างมนุษย์) ซึ่งเป็นหมวดหมู่ผลิตภัณฑ์ที่แตกต่างจากโมเดลวิดีโอ ไม่ใช่ดีกว่า

สิ่งที่มันรับเข้าและสิ่งที่มันผลิตออกมา แบบเรียลไทม์

ข้อมูลนำเข้าคือเสียงและวิดีโอของบุคคลที่กำลังสนทนาสด ๆ บวกกับพรอมป์ตระบบ ประวัติการสนทนา ภาพอ้างอิงและคลิปเสียงอ้างอิง รวมถึงความสามารถในการเรียกเครื่องมือระหว่างการสนทนา ทางฝั่งเอาต์พุต โมเดลสนทนาไม่ได้ส่งออกแค่ข้อความ แต่ส่งข้อความพร้อมชุดสัญญาณควบคุมที่กำกับตัวสร้างเสียงพูดและวิดีโอ ซึ่งเป็นวิธีที่ทำให้น้ำเสียง ท่าที สีหน้า และท่าทางยังคงเชื่อมโยงกับการตัดสินใจที่ก่อให้เกิดสิ่งเหล่านั้น

ในด้านการสร้าง Tavus กล่าวว่าสถาปัตยกรรมนี้สร้างวิดีโอ 720p ได้แบบเรียลไทม์ ทีละ latent หนึ่งค่า โดยรับคำสั่งควบคุมแบบสตรีมมิง เพื่อให้โมเดลบทสนทนาสามารถกำกับพฤติกรรมที่ไม่ใช่วาจา เช่น การแสดงท่าทาง การมองไปทางอื่น หรือการเปลี่ยนโทนอารมณ์ ฝั่งเสียงพูดส่งแพ็กเก็ตเสียงที่มีขนาดเล็กเพียง 10 ms และสามารถโคลนเสียงได้จากเสียงอ้างอิงประมาณสิบวินาที ตัวเลขทุกตัวเหล่านั้นเป็นคำอธิบายระบบของตัวเองโดยผู้ขายเอง บนหน้าของตัวเอง

ความหน่วงคือตัวเลขเดียวในกลุ่มนั้นที่ผู้ขายเผยแพร่ในฐานะการวัดผล มากกว่าเป็นเป้าหมายด้านการออกแบบ เมื่อเทียบกับโมเดลการแพร่กระจายแบบสตรีมมิ่งที่เผยแพร่แล้วสี่โมเดล ในสถานการณ์เสียงเป็นวิดีโอที่แต่ละระบบได้รับเสียงพูดและภาพอ้างอิง และต้องสร้างใบหน้าพูด Tavus รายงานว่า Griffin-Lite มีค่าเฉลี่ย0.43 วินาทีของความหน่วงจริงจากเสียงเป็นวิดีโอบน H100s โดยกรณีดีที่สุดคือ 0.27 วินาที และกรณีแย่ที่สุดคือ 0.59 วินาที เพื่อให้เห็นขนาด ตัวเลขของผู้ขายเองสำหรับวิธีที่เร็วเป็นอันดับถัดไปในการเปรียบเทียบนั้นมีค่าเฉลี่ย 0.86 วินาที และวิธีที่ช้าที่สุดมีค่าเฉลี่ย 1.45 วินาที Tavus ทำการเปรียบเทียบนั้นกับเส้นฐานที่ Tavus เลือกเอง ดังนั้นให้ถือเป็นตัวเลขที่ผู้ขายรายงานพร้อมโปรโตคอลเฉพาะที่แนบมา ไม่ใช่การจัดอันดับที่เป็นกลาง

สิ่งหนึ่งที่ผู้จำหน่ายไม่เผยแพร่คือเรขาคณิตของเฟรมของเครื่องสร้างวิดีโอ บนหน้านั้นไม่มีตัวเลขเฟรมต่อวินาที และไม่มีข้อความระบุว่าหนึ่งเลเทนต์ครอบคลุมเฟรมวิดีโอกี่เฟรม ซึ่งหมายความว่าระยะเวลาชังก์เฉพาะใด ๆ ที่คุณเคยเห็นอ้างถึงสำหรับ Griffin — 320 ms หรือเลเทนต์แปดเฟรม หรืออัตราส่วนการบีบอัดที่ระบุไว้ — ไม่ได้อยู่บนหน้าของ Tavus ในวันนี้ และไม่ควรพูดซ้ำราวกับว่ามันเป็นเช่นนั้น สิ่งที่ระบุไว้คือ 720p, ครั้งละหนึ่งเลเทนต์ และค่าเฉลี่ยการแปลงเสียงเป็นวิดีโอ 0.43 วินาที

ไปป์ไลน์ประกอบด้วยอะไรกันแน่

Tavus อธิบายว่า Griffin เป็นระบบสองส่วน และทั้งสองส่วนมีเอกสารประกอบอย่างละเอียดเพียงพอที่จะตรวจสอบได้

อันแรกคือ Continuous Conversational Modeling ซึ่งเป็นเอนจิน มันรับรู้เสียงและวิดีโอที่เข้ามา ตัดสินใจว่าเมื่อใดและอย่างไรที่จะตอบสนอง และส่งข้อความและสัญญาณควบคุม จุดออกแบบคือช่วงเวลา: มันตัดสินใจในการสนทนาเป็นช่วงเวลาปกติที่น้อยกว่าหนึ่งวินาที แทนที่จะตัดสินใจเพียงครั้งเดียวต่อเทิร์น ซึ่งผู้ขายเรียกว่า mini-turns ในแต่ละช่วงเวลา มันประเมินสถานะของการสนทนาและสามารถยึดพื้นที่การสนทนา ถือไว้ ยอมให้ ส่งเสียงตอบรับโดยไม่ขัดจังหวะ หรือหยุดเมื่อถูกขัดจังหวะ เนื่องจากการตัดสินใจเป็นไปอย่างต่อเนื่องแทนที่จะขึ้นอยู่กับขอบเขตของเทิร์น การหยุดคิดจึงไม่ถือว่าเป็นจุดสิ้นสุดของเทิร์น Griffin ยังรับรู้วิดีโอ ในขณะที่ระบบโต้ตอบส่วนใหญ่รับรู้เพียงเสียง ซึ่งเป็นสิ่งที่ทำให้มันมีการมอง การแสดงออกทางสีหน้า สภาพแวดล้อมของผู้ใช้ และอะไรก็ตามที่ผู้ใช้ชูขึ้นหรือแชร์ให้กล้อง

ส่วนที่สองคือAudio Visual Generation เอนจิน ซึ่งตัวมันเองมีสองสถาปัตยกรรม ได้แก่ การสร้างเสียงพูดแบบสตรีมมิงและการสร้างวิดีโอแบบสตรีมมิง โดยแปลงสัญญาณควบคุมเหล่านั้นให้เป็นเสียงและพิกเซล โมเดลเสียงพูดเป็นทรานส์ฟอร์เมอร์แบบดิฟฟิวชันออโต้รีเกรสซีฟที่รวดเร็ว ซึ่งรับคลิปอ้างอิงที่เข้ารหัสไว้เป็นคำนำหน้า และสร้างเสียงพูดใหม่แบบค่อยเป็นค่อยไป ทีละชังก์แฝง ขณะที่เอาต์พุตและการควบคุมทยอยเข้ามา แทนที่จะรอให้ทั้งคำพูดประกอบเสร็จก่อนจึงเริ่มพูด

ใต้ฝั่งเสียงพูดลงไปมีโคเดกที่ผู้ผลิตเรียกว่า Tavec v1.7 และนี่คือจุดที่ตัวเลขที่เผยแพร่มีความเฉพาะเจาะจง มันเป็นออโตเอนโคดเดอร์แบบคอนโวลูชันที่แมปเสียง 48 kHz ไปเป็นเลเทนต์ต่อเนื่องขนาด 40 ค่าต่อเฟรมที่ 100 เฟรมต่อวินาที โดยไม่มีโค้ดบุ๊ก ตัวถอดรหัสของมันเป็นเชิงสาเหตุอย่างสมบูรณ์ จึงรักษาสถานะข้ามชังก์และสร้างรูปคลื่นต่อเนื่องไร้รอยต่อจากเลเทนต์ที่สตรีมเข้ามา ความกะทัดรัดคือประเด็นสำคัญ: เสียงพูดหนึ่งนาทีมี 6,000 เฟรมเลเทนต์ เทียบกับ 2.88 ล้านแซมเปิลของเสียงดิบ ซึ่งเป็นสิ่งที่ทำให้ลำดับสั้นพอที่ทรานส์ฟอร์เมอร์แบบออโตเรเกรสซีฟจะทำนายได้เร็วกว่าเวลาจริง Tavus รายงานการถอดรหัสที่ 2,193× เวลาจริง ค่า ViSQOL MOS-LQO 4.242 และพารามิเตอร์ตัวถอดรหัส 28.42 ล้านตัว โดยวัดทรูพุตบน H100 ทั้งหมดเป็นข้อมูลที่ผู้ผลิตรายงาน

ฝั่งวิดีโอมาถึงจุดเดียวกันจากอีกทิศทางหนึ่ง โมเดลรุ่นก่อนของ Tavus พึ่งพาไพรเออร์ 3D อย่างมาก ซึ่งจำกัดสิ่งที่โมเดลเหล่านั้นสามารถแสดงออกได้ ข้อกำหนดที่ผู้ขายระบุไว้สำหรับเครื่องสร้างวิดีโอของ Griffin คือการตอบสนองอย่างรวดเร็วต่อชิ้นส่วนเสียงที่เข้ามาแต่ละชิ้น ความทนทานต่อตัวควบคุมที่เปลี่ยนแปลงอย่างรวดเร็ว และความเสถียรของอัตลักษณ์ การซิงก์ริมฝีปาก และคุณภาพของภาพตลอดการสร้างแบบยาว เส้นทางไปถึงจุดนั้นคือการกลั่นแบบสามขั้นตอนของครูแบบ diffusion แบบสองทิศทางหลายขั้นขนาดใหญ่ Distribution Matching Distillation ให้นักเรียนแบบไม่กี่ขั้นที่เร็วแต่ยังสร้างวิดีโอทั้งหมดในชิ้นเดียว Teacher forcing เปลี่ยนนักเรียนคนนั้นให้เป็นแบบจำลอง autoregressive ที่สร้างครั้งละหนึ่ง latent จากนั้น Self-Forcing ฝึกมันบนประวัติที่มันสร้างเอง โดยมีกลไกเพิ่มเติมที่กระทำกับเฟรมประวัติ เพื่อให้การโรลเอาต์แบบยาวไม่เบี่ยงเบน — ซึ่งเป็นโหมดความล้มเหลวที่โมเดลระดับนี้มักมี ใบหน้าที่เสื่อมลงหรือฉากหลังที่เลื่อนไถลไปตลอดบทสนทนาที่ดำเนินไปหลายนาที

อะไรที่ถูกวัด และโดยใคร

ตัวเลขเกือบทั้งหมดข้างต้นคือ Tavus ที่วัดผล Tavus เอง ข้อยกเว้น และเหตุผลที่ทำให้มันมีน้ำหนัก คือ VideoFDB ของ NVIDIA — เกณฑ์มาตรฐานสำหรับการสนทนาแบบเสียงและภาพแบบ full-duplex ที่ NVIDIA สร้างขึ้น และที่ NVIDIA ระบุว่าดำเนินการอย่างเป็นอิสระโดยใช้ตัวชี้วัดที่เผยแพร่และผู้ตัดสินของตัวเอง มันให้คะแนนโมเดลในสองแทร็ก คือ การสร้างและการรับรู้ แต่ละแทร็กมีเกณฑ์การให้คะแนนและกระดานผู้นำของตัวเอง ในระดับศูนย์ถึงห้า

• การสร้าง — สิ่งที่เอเจนต์สร้างขึ้น ทั้งเสียงและวิดีโอรวมกัน เพื่อตอบสนองต่อเหตุการณ์แบบไดนามิกในสตรีมของผู้ใช้ Griffin-Lite ได้คะแนน 3.83 เทียบกับข้อมูลอ้างอิงพื้นฐานของมนุษย์ที่ 3.92 ระบบที่ได้คะแนนสูงสุดรองลงมาได้ 2.80 การจัดแนวอัตราการเทคโอเวอร์ ซึ่งวัดว่าการตัดสินใจของโมเดลเกี่ยวกับจังหวะการพูดสอดคล้องกับจังหวะเวลาในการสนทนาอ้างอิงมากเพียงใด อยู่ที่ 62.8% สำหรับ Griffin-Lite และ 78% สำหรับข้อมูลอ้างอิงของมนุษย์ โดยมีค่าจังหวะเวลาที่ 1,892 ms

• การรับรู้ — อินพุตเสียงและภาพ เอาต์พุตเสียง ให้คะแนนว่าเอเจนต์อ่านสถานการณ์ได้ถูกต้องเพียงใด Griffin-Lite ได้คะแนน 3.73 เทียบกับค่าอ้างอิงจากมนุษย์ที่ 4.20 โดยมีความสอดคล้องของอัตราการเข้าควบคุมที่ 73.8% และจังหวะเวลาที่ 2,232 มิลลิวินาที Tavus อธิบายว่ามันเป็นโมเดลที่รับรู้ได้ดีที่สุดบนเบนช์มาร์กในบรรดา 15 โมเดลที่ประเมิน

มีข้อแม้สองข้อที่ควรกำกับไว้กับตัวเลขเหล่านั้นก่อนที่ใครจะนำไปพูดซ้ำ ค่าฐานเปรียบเทียบที่ใกล้ที่สุดในแทร็กการรับรู้ถูกระบุเป็น MiniCPM-o 4.5 ที่ 3.44 — แต่นั่นคือแถวแบบเสียงเท่านั้น (A2A) ส่วนแถวเสียง-ภาพแบบเต็มของระบบเดียวกันอยู่ที่ 3.40 Griffin สามารถอ่านวิดีโอได้ ดังนั้นการเปรียบเทียบที่ตรงไปตรงมาคือต้องเทียบกับแถวเสียง-ภาพ ซึ่งทำให้ช่องว่างอยู่ที่ 0.33 ไม่ใช่ 0.29 และส่วนหนึ่งที่ช่องว่างนั้นวัดก็เป็นเพียงคุณค่าของการมีดวงตา และช่องว่าง 0.09 คะแนนเมื่อเทียบกับค่าอ้างอิงของมนุษย์บนสเกลห้าคะแนนที่ให้คะแนนโดยโมเดลภาษา ควรตีความว่า "ใกล้เคียงมนุษย์ตามเกณฑ์นี้" มากกว่า "อยู่ในระดับมนุษย์"

ตัวเลขพาดหัวอีกตัวเป็นของ Tavus เอง ในการศึกษาที่บริษัทจัดทำขึ้น ผู้เข้าร่วมที่รับสมัครผ่านแพลตฟอร์มวิจัยอิสระได้รับแจ้งว่าจะถูกจับคู่กับผู้เข้าร่วมอีกคนสำหรับวิดีโอคอลหนึ่งนาที คู่ของพวกเขาคือ PAL ที่รัน Griffin-Lite จากผู้เข้าร่วม 54 คน มี 26 คน — 48% — เชื่อว่าคู่ของตนเป็นคนจริง ภายใต้โปรโตคอลเดียวกัน สแต็กก่อนหน้าของบริษัทที่สร้างจาก Phoenix-4.5, Raven-1 และ Sparrow-2 ให้ผล 2.4% หรือหนึ่งคนจาก 41 คน ทั้งสองกลุ่มต่างมั่นใจ: 79% ในกลุ่มที่บอกว่าเป็นคนจริง, 81% ในกลุ่มที่บอกว่าเป็น AI มากกว่าครึ่งบอกว่าความเป็นไปได้นี้ไม่เคยแวบเข้ามาในหัวเลย และคนที่สงสัยก็ส่วนใหญ่มักสงสัยภายในยี่สิบวินาทีแรก บนมาตราส่วนเจ็ดจุด โมเดลได้คะแนนเฉลี่ย 5.4 สำหรับความดูเป็นธรรมชาติ, 5.6 สำหรับความน่าเชื่อถือ, 5.8 สำหรับความอยากคุยอีกครั้ง, 5.5 สำหรับความรู้สึกว่าถูกฟัง และ 4.9 — ต่ำที่สุดในห้าด้าน — สำหรับว่าบทสนทนาไหลลื่นอย่างเป็นธรรมชาติหรือไม่

การศึกษานั้นเป็นการศึกษาที่ผู้ขายดำเนินการเอง โดยมีระเบียบวิธีที่อธิบายไว้และขนาดตัวอย่างที่ระบุไว้ ซึ่งมากกว่าสิ่งที่การเปิดตัวโมเดลส่วนใหญ่มอบให้ และน้อยกว่าการทำซ้ำโดยอิสระ ยังไม่มีบุคคลที่สามรายใดทำซ้ำระเบียบวิธีแบบเผชิญหน้า และ Tavus Griffin ไม่มีรายการอยู่ในลีดเดอร์บอร์ดโมเดลวิดีโออิสระ คะแนนแทร็ก VideoFDB ทั้งสองรายการเป็นตัวเลขเพียงรายการเดียวในหน้านี้ที่องค์กรอื่นที่ไม่ใช่ Tavus เป็นผู้สร้าง

การเข้าถึงและราคา: สิ่งที่มีอยู่ในปัจจุบัน

นี่คือส่วนที่สั้นที่สุดในหน้านี้ เพราะแทบไม่มีอะไรอยู่ในนั้น สิ่งที่เผยแพร่ ในสื่อของผู้ขายเอง:

• สถานะ — Griffin-Lite เป็นตัวอย่างทดลองเพื่อการวิจัย และ Tavus ระบุว่าจะยังไม่พร้อมให้ลูกค้าใช้งานในขณะนี้ แม้ว่าจะเปิดให้ผู้ทดสอบที่เชื่อถือได้บางรายได้ใช้งานก็ตาม

• การเข้าถึง — ผ่านแบบฟอร์มคำขอ โดยจะมีการเปิดให้ใช้งานในวงกว้างขึ้นสำหรับโมเดลที่มีความสามารถมากกว่า ซึ่งอธิบายไว้ดังต่อไปนี้

• แพลตฟอร์ม — คำกล่าวปิดท้ายของผู้ขายเองระบุว่า Griffin ยังไม่อยู่บนแพลตฟอร์ม Tavus และจะมาเมื่อบริษัทหาวิธีเปิดตัวมันอย่างปลอดภัยได้แล้ว

• ราคา — ไม่มีการเปิดเผย หน้าสินค้าเรื่องราคาของ Tavus ครอบคลุมผลิตภัณฑ์ PAL และชุดผลิตภัณฑ์ Phoenix, Raven และ Sparrow แต่ไม่ได้กล่าวถึง Griffin เลย และไม่มีตัวเลขต่อนาที ต่อวินาที หรือต่อคำขอ ปรากฏอยู่ที่ใดบนเว็บไซต์ของผู้ขาย

• Endpoint และ identifier — ไม่มี Griffin ไม่ปรากฏในดัชนีเอกสาร API ของ Tavus ซึ่งหน้า models ของดัชนีนั้นได้ระบุถึง Phoenix สำหรับการเรนเดอร์ใบหน้า, Raven สำหรับการรับรู้ และ Sparrow สำหรับการผลัดกันพูด ไม่มีสตริงโมเดลให้เรียกใช้

ผู้ขายระบุว่าคาดว่าจะเปิดตัว Griffin ในไม่ช้าหลังจากงานด้านความปลอดภัยที่ระบุไว้นั้นได้รับการจัดการแล้ว นั่นเป็นความตั้งใจที่ได้ระบุไว้ ไม่ใช่วันที่ที่แน่นอน และเป็นข้อความเชิงคาดการณ์เพียงข้อเดียวเกี่ยวกับเรื่องนี้

Tavus Griffin ไม่ได้มีไว้สำหรับอะไร

ช่องว่างระหว่างผลลัพธ์จาก benchmark กับสถานะการเปิดตัวคือเนื้อหาที่นำไปใช้ได้จริงของหน้านี้ ดังนั้นจึงคุ้มค่าที่จะพูดตรง ๆ ถึงสิ่งที่โมเดลยังไม่สามารถนำไปใช้ได้ในปัจจุบัน

มันไม่ใช่สิ่งที่ควรใช้สร้างเส้นทางสำหรับลูกค้าในไตรมาสนี้ การปรับใช้หนึ่งครั้งต้องมีตัวระบุโมเดล ราคา ขีดจำกัดอัตรา เรื่องราวเกี่ยวกับภูมิภาค และคำมั่นเรื่องความพร้อมใช้งานในรูปแบบใดรูปแบบหนึ่ง และไม่มีสิ่งเหล่านี้อยู่เลย ทีมที่วางแผนโดยอิง Griffin ในวันนี้ กำลังวางแผนโดยอิงแบบฟอร์มคำขอ

มันไม่ใช่ตัวสร้างวิดีโอ และไม่ควรถูกนำไปใส่ในไปป์ไลน์คลิปโดยอาศัยเพียงตัวเลข คะแนนของมันมาจากชุดทดสอบการสนทนาแบบฟูลดูเพล็กซ์ซึ่งมีเกณฑ์การประเมินและผู้ตัดสินของตัวเอง ส่วนลีดเดอร์บอร์ดของโมเดลวิดีโอให้คะแนนคลิปสั้นด้วยการให้คะแนนความชอบแบบจับคู่บนพรอมป์ต์ เครื่องมือทั้งสองไม่ให้ตัวเลขที่เปรียบเทียบกันได้ ซึ่งหมายความว่า Tavus Griffin ยังไม่เคยถูกวัดแบบตัวต่อตัวกับโมเดลวิดีโอใดที่ระดับความพยายามและชุดทดสอบเท่ากัน และไม่ควรอนุมานอันดับระหว่างกันจากสิ่งที่เผยแพร่

ตามคำบอกเล่าของผู้ขายเอง ยังไม่ปลอดภัยที่จะเปิดตัวแบบเปิดเผย Tavus เขียนว่าคุณสมบัติเดียวกันที่ทำให้ Human Interaction Model เป็นอินเทอร์เฟซที่ดีขึ้น ยังทำให้มันเก่งขึ้นในการหลอกคนให้เชื่อว่ามันไม่ใช่ AI ว่าต้องมีงานด้าน alignment และความปลอดภัยเพิ่มเติม และว่าคุณสมบัติการเปิดเผยและการประเมินความปลอดภัยจากภายนอกกำลังดำเนินอยู่ เมื่อพิจารณาว่าเกือบครึ่งหนึ่งของกลุ่มตัวอย่างสดไม่สามารถแยกออกได้ และผู้เข้าร่วมที่ทำได้ส่วนใหญ่ก็คิดออกภายในยี่สิบวินาที คำถามเรื่องการเปิดเผยจึงไม่ใช่เชิงอรรถของโมเดล — แต่เป็นประตูด่านของมัน

สิ่งที่ซื้อได้ในวันนี้คือส่วนที่เหลือของสแตกที่อยู่รายรอบมันไปป์ไลน์วิดีโอแบบสนทนาเป็นห่วงโซ่ — การรู้จำเสียง แบบจำลองภาษา การสังเคราะห์เสียง และชั้นการเรนเดอร์ที่ทำให้มันกลายเป็นใบหน้า — และสามส่วนแรกนั้นเป็นของทั่วไป ใช้แทนกันได้ และกำหนดเส้นทางได้แล้ว สิ่งเหล่านี้ทำงานอยู่เบื้องหลังเอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI ที่ OrcaRouter โดยมี แบบจำลองกว่าสองร้อยรายการบนคีย์เดียว, ราคาตามรายการของผู้ให้บริการที่ส่งผ่านด้วยมาร์กอัป 0% ดังนั้นเมื่อราคาของผู้จำหน่ายเปลี่ยนแปลงก็มีผลในวันเดียวกันแทนที่จะรอจนจบรอบสัญญา การสลับสำรองอัตโนมัติที่เปลี่ยนเส้นทางเมื่อผู้ให้บริการมีประสิทธิภาพลดลง — ซึ่งสำคัญกว่าในการสนทนาแบบสดมากกว่างานแบบแบตช์ เพราะความล้มเหลวนั้นได้ยินได้ — รวมถึง DSL สำหรับกำหนดเส้นทางเพื่อระบุว่าแบบจำลองใดควรจัดการงานใด และการหลอมรวมแบบจำลองสำหรับรวมเอาต์พุต ชั้นการสร้างคือส่วนที่ยังเป็นพรีวิวงานวิจัย ส่วนชั้นที่อยู่เหนือขึ้นไปคือส่วนที่ทีมสามารถประกอบขึ้นได้ตอนนี้ Tavus Griffin ไม่ปรากฏอยู่ในรายการแบบจำลองสดของ OrcaRouter ซึ่งสอดคล้องกับแบบจำลองที่ไม่มีเอนด์พอยต์ที่เผยแพร่และไม่มีตัวระบุสำหรับกำหนดเส้นทาง

อะไรจะเปลี่ยนหน้านี้

สามเรื่อง และแต่ละเรื่องก็เฉพาะเจาะจงพอที่จะจับตามองได้ การ์ดโมเดลที่มีสตริงโมเดลและราคาจะทำให้ Tavus Griffin ก้าวจากผลลัพธ์งานวิจัยไปสู่คำถามด้านการจัดซื้อจัดหา การทำซ้ำโปรโตคอลแบบเห็นหน้าต่อหน้าอย่างอิสระ — แล็บที่สองที่รันการสนทนาหนึ่งนาทีแบบเดียวกันกับผู้เข้าร่วมของตัวเอง — จะช่วยเรื่อง 48% ได้มากกว่าการศึกษาจากผู้ขายเพิ่มเติมใด ๆ ที่จะทำได้ และรายงานเซสชันยาวจากคนนอก Tavus จะทดสอบข้ออ้างหนึ่งเดียวที่สถาปัตยกรรมนี้สร้างขึ้นโดยรอบ และไม่มีเบนช์มาร์กใดครอบคลุม: ว่า Self-Forcing และกลไก history-frame สามารถยึดใบหน้าและฉากหลังไว้ด้วยกันได้จริงในบทสนทนาที่ดำเนินไปเป็นนาที ไม่ใช่วินาที จนกว่าหนึ่งในข้อเหล่านั้นจะเกิดผล แทร็ก VideoFDB ทั้งสองคือหลักฐานที่แข็งแกร่งที่สุดเท่าที่มี และมาพร้อมช่องว่าง 0.09 จุดจากมนุษย์ในด้านการสร้าง และ 0.47 ในด้านการรับรู้