Tavus Griffin ปะทะ Kling 3: การสนทนาแบบเรียลไทม์กับคลิปสิบวินาที

รูปทรงที่ตรงไปตรงมาของการจับคู่นี้คือความไม่สมมาตรด้านการจัดเส้นทาง Kling 3เป็นโมเดลที่เรียกใช้ได้ ซึ่งมีราคา มีพื้นผิวของพารามิเตอร์ และมีรายการอยู่ในแคตตาล็อกของเราเอง Tavus Griffinเป็นพรีวิวงานวิจัยสำหรับผู้ทดสอบที่เชื่อถือได้บางรายเท่านั้น อยู่หลังแบบฟอร์มขอเข้าถึง ประกาศเมื่อวันที่ 1 ตุลาคม 2026 โดยไม่มีตัวระบุ ไม่มีปลายทาง endpoint และไม่มีอัตราค่าบริการที่เผยแพร่ Kling 3.0 อยู่ในแคตตาล็อกของ OrcaRouter ในชื่อ kling/kling-v3 ราคา $0.084 ต่อคำขอ โดยส่งผ่านราคาตามรายการของผู้ให้บริการไปตรง ๆ และไม่มีการบวกเพิ่มใด ๆ ส่วน Griffin นั้นไม่สามารถจัดเส้นทางได้ และไม่ใช่เพราะยังไม่มีใครได้ลงมือทำ — เซสชันฟูลดูเพล็กซ์แบบเรียลไทม์ที่โมเดลสร้างภาพ 720p ออกมาเป็นชิ้นละ 320 มิลลิวินาทีพร้อมกับที่ยังฟังอยู่ ไม่ใช่การเรียกแบบคำขอ-ตอบกลับ และต่อให้ Tavus เปิดประตูให้พรุ่งนี้ มันก็ยังไม่เข้ากับรูปแบบเดียวกันอยู่ดี ดังนั้นนี่จึงไม่ใช่การเปรียบเทียบที่ผู้ซื้อจะตัดสินด้วยราคา แต่เป็นการเปรียบเทียบคำตอบสองแบบต่อคำถามที่ว่า "มนุษย์ที่ถูกสร้างขึ้น" มีไว้เพื่ออะไร

Kling 3.0 จริง ๆ แล้วคืออะไร

Kling 3.0 เปิดตัวเมื่อวันที่ 5 กุมภาพันธ์ 2026 ในฐานะซีรีส์สี่โมเดล ได้แก่ Video 3.0, Video 3.0 Omni, Image 3.0 และ Image 3.0 Omni จุดเด่นที่นิยามตัวมันคือการจัดลำดับหลายช็อตอัตโนมัติ: โมเดลวางแผนการเปลี่ยนช็อตด้วยตัวเอง และโหมดกำหนดเองให้คุณตั้งจำนวนช็อตและระยะเวลาของแต่ละช็อตได้ โดยผู้รีวิวรายงานว่าสามารถได้ลำดับที่ใช้งานได้ยาวถึงประมาณหกช็อตที่แตกต่างกันจากการพรอมป์ต์เดียว และสามารถระบุขนาดช็อต การเคลื่อนกล้อง และจังหวะการเล่าเรื่องได้เป็นรายช็อต เพดานอยู่ที่ 15 วินาทีต่อการสร้างหนึ่งครั้ง โดยมีพื้นขั้นต่ำที่สามวินาที ในฝั่ง OrcaRouter มันปรากฏเป็นโมเดลระดับเรือธงสำหรับข้อความเป็นวิดีโอและภาพเป็นวิดีโอ พร้อมการควบคุมหลายช็อต ตัวแบบ และการเคลื่อนไหว คลิปความยาว 3–15 วินาที และอ้างว่ารองรับ Native 4K ให้บริการที่ POST /v1/video/generations.

เสียงถูกสร้างขึ้นในรอบการประมวลผลเดียวกันแบบเนทีฟ เวอร์ชันของ Kuaishou รองรับภาษาจีน อังกฤษ ญี่ปุ่น เกาหลี และสเปน จัดการบทสนทนาที่ใช้หลายภาษาภายในคลิปเดียว ผูกเสียงที่แตกต่างกันให้กับตัวละครแต่ละตัวในฉากที่มีหลายตัวละคร และมีสำเนียงภูมิภาคให้เลือก ได้แก่ อังกฤษสำเนียงอเมริกัน อังกฤษสำเนียงบริติช และอังกฤษสำเนียงอินเดีย; จีนสำเนียงตะวันออกเฉียงเหนือ จีนสำเนียงปักกิ่ง จีนสำเนียงไต้หวัน จีนสำเนียงกวางตุ้ง และจีนสำเนียงเสฉวน ความสม่ำเสมอของลิปซิงก์เป็นจุดอ่อนที่ถูกตั้งข้อสังเกตมากที่สุดเป็นอันดับหนึ่งในรีวิวแบบลองใช้จริงโดยอิสระ โดยการทดสอบหนึ่งรายงานว่าคลิปบทสนทนาประมาณสองในห้าต้องเทคใหม่ และอาร์ติแฟกต์ที่ถูกรายงานกระจุกตัวอยู่รอบบทสนทนาในสภาพแวดล้อมที่มีเสียงรบกวน ซึ่งพื้นหลังเป็นเสียงน้ำและเสียงลมทำให้คำพูดอู้อี้

Griffin จริง ๆ แล้วคืออะไร ในหนึ่งย่อหน้า

Griffin ไม่ใช่เครื่องสร้างวิดีโอที่มีโหมดสนทนา แต่เป็นสองเอนจินที่ทำงานพร้อมกัน เอนจินการสร้างแบบจำลองการสนทนาต่อเนื่องจะรับข้อมูลเสียงและวิดีโอของบุคคล ประเมินการสนทนาใหม่ทุกช่วงเวลาต่ำกว่าวินาที และตัดสินใจในแต่ละช่วงว่าจะเงียบ ส่งสัญญาณ ส่งเสียงตอบรับ หรือรับช่วงพูด — โดยส่งออกการควบคุมที่แสดงออกซึ่งสื่อจังหวะเวลา ท่าที สีหน้า และกิริยาท่าทาง ไม่ใช่แค่คำพูด เอนจินการสร้างเสียงและภาพจะเปลี่ยนการควบคุมเหล่านั้นให้เป็นเสียงและพิกเซลพร้อมกัน: ทรานส์ฟอร์เมอร์แบบแพร่กระจายออโตรีเกรสซีฟที่สร้างเสียงพูดทีละชังก์แฝงจากคำนำหน้าผู้พูดที่เข้ารหัสไว้ และเครื่องสร้างวิดีโอออโตรีเกรสซีฟแบบไม่กี่ขั้นตอนที่สร้างวิดีโอความละเอียด 720p เป็นชังก์ละ 320 มิลลิวินาที ที่ 25 เฟรมต่อวินาทีจากภาพถ่ายอ้างอิงเพียงภาพเดียว ไม่มีพรอมต์ ไม่มีระยะเวลาคลิป และไม่มีไฟล์ ในด้านเสียง Griffin รายงานความหน่วงจริงจากเสียงไปวิดีโอที่ 0.43 วินาทีบน H100s เมื่อเทียบกับเบสไลน์การแพร่กระจายแบบสตรีมมิ่งที่เผยแพร่แล้วสี่รายการ ซึ่ง Tavus อธิบายว่าเป็นครึ่งหนึ่งของวิธีที่เร็วที่สุดรองลงมา

ราคา และตารางด้านเดียว

ราคาของ Kling 3.0 เป็นจุดเดียวในบทความนี้ที่มีตัวเลขชัดเจนทั้งสองด้านของการเปรียบเทียบ และอีกด้านหนึ่งว่างเปล่า

• Kling 3.0 บน OrcaRouter — $0.084 ต่อคำขอ ราคาตั้งต้นจากผู้ให้บริการถูกส่งผ่านโดยบวกเพิ่ม 0% ดังนั้นหาก Kuaishou เปลี่ยนอัตราหรือลดราคาโปรโมชัน ที่นี่จะอัปเดตให้ทันทีในวันเดียวกัน แทนที่จะรอจนจบรอบสัญญา

• Kling 3.0 บนอารีนาอิสระ — บอร์ดจัดอันดับ text-to-video with-audio ที่อ่านเมื่อวันที่ 2 ตุลาคม 2026 ระบุว่าระดับ 1080p Pro อยู่ที่ $10.08/นาที และระดับ Omni 1080p Pro อยู่ที่ $8.40/นาที บอร์ดเดียวกันให้คะแนนสี่ระดับของ Kling 3.0 ด้วยราคาที่แตกต่างกันถึงสี่ราคา ดังนั้น "ราคาของ Kling 3.0" จึงไม่ใช่ตัวเลขเดียว

• Griffin — ไม่มีราคา Griffin-Lite เปิดให้ผู้ทดสอบที่เชื่อถือได้บางรายใช้งานในรูปแบบตัวอย่างสำหรับการวิจัย ยังไม่มีบนแพลตฟอร์ม Tavus และประกาศของตัวเองระบุว่าจะยังไม่พร้อมให้ลูกค้าใช้งานในขณะนี้ ไม่มีอัตราค่าบริการต่อคำขอ ไม่มีอัตราต่อวินาที และไม่มีแพ็กเกจฟรีให้เสนอราคา และโมเดลนี้จะเปิดให้ใช้ก็ต่อเมื่อ Tavus หาแนวทางปล่อยออกมาอย่างปลอดภัยได้แล้วเท่านั้น

นั่นคือส่วนราคาทั้งหมด และเป็นการซื่อตรงกว่าที่จะปล่อยไว้แค่นั้น แทนที่จะกุการประมาณการต่อวินาทีขึ้นมาจากปริมาณการใช้การประมวลผล

กระดานคะแนนวัดสิ่งที่แตกต่างกันและไม่ตรงกัน

โมเดลทั้งสองได้รับการให้คะแนนโดยบุคคลอื่นที่ไม่ใช่ผู้ขายของตน ด้วยเครื่องมือที่ไม่สามารถนำมาเปรียบเทียบกันได้

Kling 3.0 อยู่ใน video arena ของ Artificial Analysis ซึ่งค่า Elo มาจากการเปรียบเทียบแบบปิดบังเป็นคู่โดยอิงจากความชอบของมนุษย์ต่อคลิปสั้น ค่าการอ่านสองชุดในวันเดียวกันบอกเรื่องราวที่แตกต่างกัน นี่คือกับดักที่ควรค่าแก่การกล่าวถึง: บนกระดาน text-to-video แบบมีเสียง รุ่นต่าง ๆ ของ Kling อยู่อันดับกลางตาราง ขณะที่บนกระดาน image-to-video แบบมีเสียง พวกมันอยู่อันดับสูงกว่าอย่างมีนัยสำคัญ — แต่รุ่นต่าง ๆ ของ Kling ไม่ได้ปรากฏบนทั้งสองกระดานทั้งหมด มีเพียงเวอร์ชัน Pro และ Omni Pro 1080p เท่านั้นที่อยู่บนกระดาน text ส่วนรุ่น 720p Standard ได้รับการให้คะแนนบน image-to-video และไม่มีที่อื่นเลย

• Kling 3.0 ในหมวดข้อความเป็นวิดีโอ (พร้อมเสียง) — 1080p Pro อยู่อันดับที่ 16, Elo 1,000 จาก 4,844 โหวต, $10.08/นาที; Omni 1080p Pro อยู่อันดับที่ 16, Elo 987 จาก 2,741 โหวต, $6.90/นาที ระดับที่แพงกว่าของสองระดับได้คะแนนต่ำกว่า ซึ่งเป็นผลลัพธ์ที่ไม่มีนัยสำคัญแบบเดียวกับที่การกระจายตามระดับแสดงให้เห็นในส่วนอื่น ๆ ทั้งหมดของบอร์ดนี้

• Kling 3.0 สำหรับการแปลงภาพเป็นวิดีโอ (พร้อมเสียง) — 1080p Pro อยู่อันดับที่ 18–20, Elo 1,055 (±6) จาก 14,896 โหวต, $20.16/นาที; 720p Standard อยู่อันดับที่ 18–20, Elo 1,051 (±6) จาก 14,692 โหวต, $15.60/นาที; Omni 1080p Pro อยู่อันดับที่ 21–22, Elo 1,044 (±8) จาก 2,945 โหวต, $16.80/นาที; Omni 720p Standard อยู่อันดับที่ 21–24, Elo 1,036, $13.44/นาที

การตีความคือ Kling 3.0 จะแข็งแกร่งกว่าเมื่อเริ่มจากภาพที่ป้อนให้ มากกว่าเมื่อเริ่มจากข้อความ และบอร์ดภาพเป็นวิดีโอมีจำนวนโหวตมากกว่าสามเท่า ดังนั้นตำแหน่งของมันบนบอร์ดนั้นจึงเป็นตำแหน่งที่ชัดเจนกว่า นั่นก็เป็นโหมดที่งานเชิงพาณิชย์ส่วนใหญ่ใช้ด้วย สังเกตว่าสี่ระดับนั้นให้อะไร: ภายในภาพเป็นวิดีโอ พวกมันกินช่วง 16 คะแนน Elo ครอบคลุมช่วงราคาตั้งแต่ $13.44 ถึง $20.16 ต่อนาที และตัวที่ถูกที่สุดในสี่ตัวไม่ได้มีอันดับต่ำที่สุด การจ่ายแพงขึ้นสำหรับ Kling 3.0 ไม่ได้ทำให้มันเลื่อนขึ้นบนบอร์ดนี้

คะแนนของ Griffin มาจาก VideoFDB ของ NVIDIA ซึ่งให้คะแนนการสนทนาแบบเสียง-ภาพฟูลดูเพล็กซ์บนสองแทร็ก และถูกสร้างและดำเนินการโดย NVIDIA ด้วยผู้ตัดสินของตัวเองเทียบกับเกณฑ์การให้คะแนนที่เผยแพร่ Griffin-Lite ได้ 3.83 จาก 5 ในด้านการสร้าง เทียบกับค่าอ้างอิงจากมนุษย์ที่ 3.92 และได้ 2.80 สำหรับระบบที่เผยแพร่ซึ่งมีคะแนนสูงสุดเป็นอันดับถัดไป และได้ 3.73 ในด้านการรับรู้ เทียบกับค่าอ้างอิงจากมนุษย์ที่ 4.20 โดยมีความสอดคล้องของอัตราการแทรก (takeover rate) ที่ 62.8% และ 73.8% ตัวเลขเหล่านั้นไม่ได้บอกอะไรเลยว่าคลิปหนึ่งดูถูกต้องหรือไม่ที่ 1080p และ Elo ของ Kling ก็ไม่ได้บอกอะไรเลยว่าโมเดลหนึ่งสามารถถูกขัดจังหวะกลางประโยคได้หรือไม่ การใช้ที่ตรงไปตรงมาเพียงอย่างเดียวของค่าใดค่าหนึ่งในสองสิ่งนี้ คือการใช้ภายในคำถามของมันเอง

ช่องว่างที่ไม่มีใครวัด: ความหน่วงเทียบกับความยาว

มีความแตกต่างทางวิศวกรรมที่แท้จริงตรงนี้ ซึ่งไม่มีลีดเดอร์บอร์ดใดจับได้ และนี่คือสิ่งที่มีประโยชน์ที่สุดในการเปรียบเทียบนี้สำหรับใครก็ตามที่กำลังวางแผนผลิตภัณฑ์

Kling 3.0 ปรับให้เหมาะกับความยาวและโครงสร้างภายใต้การสร้างแบบจำกัดขอบเขต: สูงสุดสิบห้าวินาที สูงสุดประมาณหกช็อตที่วางแผนไว้ และการควบคุมต่อช็อต ต้นทุนของมันเพิ่มขึ้นตามระยะเวลาเอาต์พุต และคุณภาพของมันเพิ่มขึ้นตามความเฉพาะเจาะจงของพรอมต์ ไม่มีส่วนใดของมันทำงานขณะที่ผู้ใช้ยังพูดอยู่ และนั่นไม่ใช่ข้อบกพร่อง — มันคือรูปร่างของหมวดหมู่นี้

Griffin ปรับแต่งเพื่อความหน่วงภายในเซสชันที่ไม่มีขอบเขต: ชิ้นส่วนขนาด 320 มิลลิวินาที, 25 fps, การตัดสินใจที่เกิดขึ้นทุกช่วงเวลาต่ำกว่าหนึ่งวินาที, ไม่มีคลิปให้วางแผนเพราะบทสนทนาไม่มีจุดสิ้นสุด ค่าใช้จ่ายของมัน ไม่ว่าจะออกมาเป็นเท่าใด จะเพิ่มขึ้นตามระยะเวลาของบทสนทนามากกว่าตามวินาทีที่เรนเดอร์ และคุณภาพของมันจะขึ้นอยู่กับความเป็นธรรมชาติของบุคคลที่อยู่อีกฝั่งมากกว่าขึ้นอยู่กับบรีฟ การกลั่นสามขั้นตอนลงในตัวสร้างแบบออโต้รีเกรสซีฟที่ฝึกด้วยประวัติของตัวเองนั้นมีอยู่ precisely เพราะโหมดความล้มเหลวของสถาปัตยกรรมนี้คือการดริฟต์เมื่อดำเนินไปเป็นเวลานานมากกว่าการสร้างช็อตที่แย่

วางสองสิ่งนี้ไว้เคียงข้างกัน และผลที่ตามมาในทางปฏิบัติก็คือพวกมันล้มเหลวในทิศทางตรงกันข้าม Kling 3.0 ล้มเหลวอย่างเห็นได้ชัดและตั้งแต่เนิ่นๆ — เทคที่ก้ำกึ่งซึ่งคุณสามารถลบและสร้างใหม่ได้ในราคาไม่กี่เซนต์ โดยมีงบประมาณการถ่ายใหม่ที่รวมอยู่ในเวิร์กโฟลว์ Griffin หากทำงานได้ตามที่มีรายงาน จะล้มเหลวอย่างมองไม่เห็นและล่าช้า โดยการไม่เป็นในสิ่งที่มันดูเหมือนเป็น ซึ่งเป็นเหตุผลที่ Tavus เก็บมันไว้

จุดที่เราเตอร์ช่วยได้จริง และจุดที่มันไม่ช่วย

Kling 3.0 อยู่ในแค็ตตาล็อกของ OrcaRouter ในชื่อ kling/kling-v3 ในราคา 0.084 ดอลลาร์ต่อคำขอ ใช้คีย์เดียวกันและเอนด์พอยต์ที่เข้ากันได้กับ OpenAI เดียวกันกับโมเดลอื่นอีกกว่า 200 รุ่น นี่คือความแตกต่างที่แท้จริงจากการต้องถือบัญชี Kuaishou บวกกับการเชื่อมต่อแยกต่างหากสำหรับโมเดลข้อความที่ไปป์ไลน์ของคุณต้องใช้ เพราะเราไม่บวกเพิ่มจากราคาของผู้ให้บริการ การเปลี่ยนแปลงราคาของ Kuaishou จึงมีผลฝั่งเราทันทีในวันเดียวกัน และหากผู้ให้บริการต้นทางมีประสิทธิภาพลดลงหรือจำกัดอัตราการใช้งาน ระบบสำรองอัตโนมัติจะย้ายคำขอไปก่อนที่การตอบกลับจะเริ่มต้น แทนที่จะส่งข้อผิดพลาดกลับไปยังแอปพลิเคชันของคุณ สำหรับไปป์ไลน์วิดีโอที่การเรียกครั้งเดียวอาจมีค่าใช้จ่ายมากกว่าการเรียกโมเดลข้อความหนึ่งพันครั้ง การที่คำขอสามารถผ่านนาทีที่ต้นทางมีปัญหาไปได้ ย่อมมีค่ามากกว่าส่วนต่างราคาที่คุณไม่ได้จ่าย

Griffin ไม่ได้อยู่ในแคตตาล็อกของเรา ไม่ได้อยู่ในแคตตาล็อกของใคร และไม่สามารถอยู่ในได้ — โมเดลเซสชันแบบฟูลดูเพล็กซ์ไม่ใช่คำขอแบบจัดเส้นทาง มันเข้าถึงได้เพียงการส่งคำขอเข้าถึงเท่านั้น การที่ Tavus เองชี้นำเหล่าผู้ที่อยากเป็นผู้สร้างไปยังโมเดลรุ่นเก่าของตนแทนที่จะเป็น Griffin นั่นคือสัญญาณบ่งบอก: รุ่นก่อนหน้าทั้งสามขับเคลื่อน PALs ที่นักพัฒนาและธุรกิจจำนวน 150,000 รายใช้งานอยู่แล้ว และ Griffin ไม่ได้อยู่ในนั้น

อันไหน เพื่ออะไร

• เลือก Kling 3.0 สำหรับลำดับหลายช็อตที่วางแผนไว้จากพรอมป์ตเดียว สำหรับงานภาพเป็นวิดีโอที่อันดับในอารีนาสำหรับงานไร้เสียงนั้นแข็งแกร่งและได้รับการโหวตหนาแน่น สำหรับบทสนทนาหลายภาษาที่ผูกเสียงกับตัวละครแต่ละตัวได้ในห้าภาษา สำหรับความคงเส้นคงวาขององค์ประกอบเมื่อกล้องเคลื่อนที่ และสำหรับ 4K หากคุณยืนยันระดับแพ็กเกจเป็นลายลักษณ์อักษร — เอกสารของ Kuaishou เองอ้างว่าเป็น 4K แบบเนทีฟ ขณะที่คู่มือผู้ใช้ระบุเพียง 720p และ 1080p และอัตราเครดิตจากบุคคลที่สามสำหรับ 4K นั้นแตกต่างกันเกินกว่าสองเท่าระหว่างแหล่งข้อมูลต่างๆ

• ทดสอบ lip sync ของ Kling 3.0 ก่อนถ้าไดอะล็อกเป็นประเด็นสำคัญ เพราะนั่นคือจุดที่รีวิวจากการลองใช้จริงโดยอิสระบอกว่ามันพัง และเป็นความล้มเหลวที่ทำให้ต้องถ่ายซ้ำมากที่สุด

• อย่าวางแผนโดยอิงกับ Griffin จงขอสิทธิ์เข้าถึง หากคำถามที่คุณต้องการคำตอบคือว่าบุคคลหนึ่งสามารถแยกมนุษย์ที่ถูกสร้างขึ้นจากคนจริงได้หรือไม่ในการสนทนาทางสายหนึ่งนาที หรือว่าการรู้ว่าเลเยอร์การโต้ตอบกำลังมุ่งไปทางใดควรกำหนดสิ่งที่คุณสร้างบนเลเยอร์คลิปในตอนนี้

• จับตาสองเรื่อง ไม่ใช่เรื่องเดียว ในฝั่ง Kling ให้ดูว่าการกระจายของระดับชั้นเริ่มสอดคล้องกับราคาหรือไม่ เพราะตอนนี้สี่ระดับชั้นอยู่ห่างกันไม่เกินสิบเก้าคะแนน Elo ในงาน image-to-video ขณะที่ราคาต่างกันถึงครึ่งหนึ่งอีก และระดับที่ถูกที่สุดไม่ใช่ระดับที่อันดับแย่ที่สุด ในฝั่ง Griffin ให้ดูว่าจะมีกลไกการเปิดเผยข้อมูลและโมเดลการ์ดปรากฏขึ้นหรือไม่ หากมี การเปรียบเทียบจะไม่ใช่เรียงความเชิงออกแบบอีกต่อไป แต่จะกลายเป็นการตัดสินใจจัดซื้อจัดจ้าง และบทความนี้จะต้องเขียนใหม่