Tavus Griffin: Mô hình Tương tác Con người, được giải thích

Tavus Griffin là một Human Interaction Model — HIM, tên danh mục do chính nhà cung cấp đặt — và điều hữu ích nhất cần xác lập trước tiên về nó là những gì nó không phải. Nó không phải là một trình tạo video. Một mô hình video nhận một câu lệnh, một khung hình tĩnh hoặc một đoạn clip rồi trả về một tệp hoàn chỉnh; tệp đó chính là sản phẩm. Tavus Griffin lấy một người đang ngồi trước camera và trò chuyện với họ, tạo ra khuôn mặt, giọng nói và các hành vi phi ngôn ngữ ngay tại thời điểm nó đang lắng nghe và quyết định, liên tục, trong suốt thời gian cuộc gọi diễn ra. Phiên bản duy nhất mà bất kỳ ai bên ngoài công ty từng chạm tới là Griffin-Lite, một bản xem trước nghiên cứu với trang thông tin ghi ngày 1 tháng 10 năm 2026, mở cho một số tester tin cậy được chọn lọc thông qua một biểu mẫu yêu cầu, không có giá công bố, không có mã định danh mô hình trong tài liệu API của Tavus và không có endpoint. Trang này là câu trả lời thường trực cho việc mô hình là gì, nó chạy trên nền tảng nào, những gì đã thực sự được đo lường và ai có thể sử dụng nó.

Câu hỏi của lớp, vì nó đã liên tục bị trả lời sai.

Tìm kiếm Tavus Griffin và người đọc cũng dễ bắt gặp một so sánh với mô hình text-to-video hoặc image-to-video ngang với bất cứ nội dung nào về hội thoại. Cách đóng khung đó đáng được chỉnh sửa thay vì lách qua, bởi vì mọi thứ phía sau nó — mô hình phù hợp để làm gì, điểm số của nó có ý nghĩa gì, độ trễ của nó nhanh hay chậm — đều phụ thuộc vào việc bạn xếp nó vào lớp nào. Hai lớp này không phải là những biến thể của cùng một chủ đề. Chúng chấp nhận những thứ khác nhau, tạo ra những thứ khác nhau, và được đo bằng những công cụ khác nhau.

• Các mô hình tạo video — đầu vào là một prompt, một hình ảnh hoặc một đoạn clip; đầu ra là một tệp có độ dài cố định; tương tác kết thúc khi quá trình render hoàn tất. Các benchmark chấm điểm các pixel.

• Tavus Griffin — đầu vào là một người trực tiếp, cùng âm thanh và video của họ, liên tục; đầu ra là một luồng giọng nói và video không bao giờ phải kết thúc; sự tương tác chính là sản phẩm. Các phép đánh giá chuẩn phải chấm điểm được cuộc trao đổi.

Theo cách diễn đạt của nhà cung cấp, Griffin cũng là sự bác bỏ cách thông thường mà một tác nhân tương tác được lắp ghép. Tavus đối chiếu nó một cách rõ ràng với các hệ thống xếp tầng nối nhận dạng giọng nói, một mô hình ngôn ngữ và tổng hợp giọng nói lần lượt với nhau, chờ người dùng nói xong trước khi bắt đầu phản hồi. Griffin được mô tả là song công toàn phần video-to-video: nhận thức, quyết định về thời điểm và cách phản hồi, cùng việc tạo ra phản hồi đều chạy đồng thời, và chúng vẫn tiếp tục chạy trong khi mô hình đang nói.

Có một tín hiệu trong cách diễn đạt mà người đọc thực sự gõ. Một trong những truy vấn được ghi nhận cho mô hình này là "tavus griffin human interaction model", đó là một người tìm kiếm đang mô tả lớp sản phẩm trước khi họ tìm thấy một trang gọi tên nó. Đó là mô tả đúng. Tavus đặt ra thuật ngữ này, viết tắt nó thành HIM, và đặt tiêu đề cho trang của chính mô hình là Mô Hình Tương Tác Con Người Đầu Tiên. Vậy câu trả lời ngắn gọn cho Tavus Griffin là gì: một hệ thống avatar hội thoại theo thời gian thực, được nhà sản xuất xếp vào loại Mô Hình Tương Tác Con Người, vốn là một nhóm sản phẩm khác với mô hình video chứ không phải là một mô hình tốt hơn.

Những gì nó nhận vào và những gì nó tạo ra, trực tiếp

Các đầu vào là âm thanh và video của một người thật, cùng với một lời nhắc hệ thống, lịch sử hội thoại, một hình ảnh tham chiếu và một đoạn âm thanh tham chiếu, và khả năng gọi một công cụ giữa cuộc hội thoại. Về phía đầu ra, mô hình hội thoại không chỉ phát ra văn bản: nó phát ra văn bản cùng với một tập hợp các tín hiệu điều khiển định hướng cho các bộ tạo giọng nói và video, đó là cách mà giọng điệu, thái độ, biểu cảm khuôn mặt và cử chỉ vẫn gắn liền với quyết định đã tạo ra chúng.

Về phía tạo sinh, Tavus cho biết kiến trúc này tạo ra video 720p theo thời gian thực, từng latent một, đồng thời tiếp nhận các điều khiển truyền phát để mô hình hội thoại có thể chỉ đạo hành vi phi ngôn ngữ như ra hiệu, nhìn đi chỗ khác hoặc thay đổi sắc thái cảm xúc. Phía giọng nói phát ra các gói âm thanh nhỏ tới 10 ms, và một giọng nói có thể được nhân bản từ khoảng mười giây âm thanh tham chiếu. Mỗi một con số đó đều là mô tả của chính nhà cung cấp về hệ thống của chính họ, trên trang của chính họ.

Độ trễ là con số duy nhất trong nhóm đó mà nhà cung cấp công bố như một phép đo thực tế chứ không phải một mục tiêu thiết kế. So với bốn mô hình khuếch tán streaming đã được công bố, trong bối cảnh audio-to-video khi mỗi hệ thống được cung cấp giọng nói cùng một ảnh tham chiếu và phải tạo ra khuôn mặt đang nói, Tavus báo cáo Griffin-Lite đạt trung bình 0,43 giây độ trễ audio-to-video thực tế trên H100, với trường hợp tốt nhất là 0,27 giây và trường hợp xấu nhất là 0,59 giây. Để hình dung quy mô, con số của chính nhà cung cấp cho phương pháp nhanh thứ hai trong so sánh đó đạt trung bình 0,86 giây, còn phương pháp chậm nhất đạt trung bình 1,45 giây. Tavus đã thực hiện so sánh đó với các đường cơ sở do chính Tavus lựa chọn, nên hãy coi đây là con số do nhà cung cấp báo cáo gắn với một quy trình cụ thể, chứ không phải một bảng xếp hạng khách quan.

Điều mà nhà cung cấp không công bố là hình học khung của trình tạo video. Không có con số khung hình trên giây nào trên trang và cũng không có tuyên bố về việc một latent bao phủ bao nhiêu khung hình video, nghĩa là bất kỳ thời lượng đoạn cụ thể nào mà bạn đã thấy được trích dẫn cho Griffin — 320 ms, hoặc một latent tám khung hình, hoặc một tỷ lệ nén được nêu — đều không có trên trang của Tavus hiện nay và không nên được lặp lại như thể là có. Điều được nêu là 720p, mỗi lần một latent, và mức trung bình 0,43 giây từ âm thanh sang video.

Pipeline thực sự được tạo nên từ những gì

Tavus mô tả Griffin là một hệ thống gồm hai phần, và cả hai phần đều được ghi tài liệu đủ chi tiết để kiểm tra.

Đầu tiên là một engine Mô hình hóa Hội thoại Liên tục. Nó cảm nhận âm thanh và video đến, quyết định khi nào và phản hồi như thế nào, rồi phát ra văn bản cùng các tín hiệu điều khiển. Điểm thiết kế nằm ở khoảng thời gian: nó đưa ra các quyết định hội thoại theo những khoảng đều đặn dưới một giây thay vì mỗi lượt một lần, điều mà nhà cung cấp gọi là các mini-turn. Tại mỗi khoảng như vậy, nó đánh giá trạng thái của cuộc hội thoại và có thể giành lượt nói, giữ lượt, nhường lượt, đáp lại xen ngang mà không cắt lời, hoặc dừng lại khi bị ngắt lời. Vì quyết định diễn ra liên tục thay vì bị chi phối bởi ranh giới lượt, một khoảng dừng để suy nghĩ không bị coi là kết thúc một lượt. Griffin cũng cảm nhận video trong khi hầu hết các hệ thống tương tác chỉ cảm nhận âm thanh, và chính điều đó mang lại cho nó khả năng nhận biết ánh mắt, biểu cảm khuôn mặt, môi trường của người dùng, cùng bất cứ thứ gì người dùng giơ lên hoặc chia sẻ trước camera.

Thứ hai là một Trình tạo Âm thanh-Hình ảnh — bản thân nó gồm hai kiến trúc: tạo giọng nói dạng luồng và tạo video dạng luồng — chuyển đổi các tín hiệu điều khiển đó thành âm thanh và điểm ảnh. Mô hình giọng nói là một transformer khuếch tán tự hồi quy nhanh, nhận một đoạn clip tham chiếu đã được mã hóa làm tiền tố và tạo giọng nói mới dần dần, từng khối tiềm ẩn một, khi các gia số đầu ra và điều khiển đến, thay vì chờ toàn bộ phát ngôn được soạn xong trước khi bắt đầu nói.

Bên dưới phần giọng nói có một codec mà nhà cung cấp gọi là Tavec v1.7, và đây là chỗ các con số được công bố trở nên cụ thể. Nó là một autoencoder tích chập ánh xạ âm thanh 48 kHz thành một latent liên tục gồm 40 giá trị mỗi khung ở 100 khung mỗi giây, không có codebook. Bộ giải mã của nó hoàn toàn nhân quả, nên nó mang trạng thái qua các khối và tạo ra một dạng sóng liền mạch từ các latent được truyền theo luồng. Độ gọn nhẹ là mấu chốt: một phút giọng nói là 6.000 khung latent so với 2,88 triệu mẫu âm thanh thô, và chính điều này khiến chuỗi đủ ngắn để một transformer tự hồi quy dự đoán nhanh hơn thời gian thực. Tavus báo cáo giải mã 2.193× thời gian thực, ViSQOL MOS-LQO là 4,242 và 28,42 triệu tham số bộ giải mã, với thông lượng được đo trên H100. Tất cả đều do nhà cung cấp báo cáo.

Phía video cũng đạt tới cùng đích từ hướng ngược lại. Các mô hình trước đây của Tavus dựa nhiều vào các tiên nghiệm 3D phong phú, điều này giới hạn những gì chúng có thể biểu đạt; các yêu cầu mà nhà cung cấp đưa ra cho trình tạo video Griffin là phản hồi nhanh với từng đoạn âm thanh đầu vào, khả năng chịu đựng các điều khiển thay đổi nhanh, và danh tính, đồng bộ khẩu hình cùng chất lượng hình ảnh ổn định qua các lần tạo dài. Con đường tới đó là quá trình chưng cất ba giai đoạn từ một mô hình giáo viên khuếch tán nhiều bước, hai chiều, quy mô lớn. Distribution Matching Distillation tạo ra một mô hình học sinh ít bước, nhanh nhưng vẫn sinh ra toàn bộ video trong một khối. Teacher forcing chuyển mô hình học sinh đó thành một mô hình tự hồi quy sinh từng latent một. Self-Forcing sau đó huấn luyện nó trên lịch sử do chính nó sinh ra, với một cơ chế bổ sung tác động lên các khung lịch sử, để các rollout dài không bị trôi — đây là dạng lỗi mà lớp mô hình này thường mắc phải: khuôn mặt bị suy giảm hoặc nền bị trôi dạt qua một cuộc trò chuyện kéo dài hàng phút.

Điều gì đã được đo, và bởi ai

Gần như mọi con số ở trên đều là Tavus đo lường Tavus. Ngoại lệ, và cũng là lý do nó có sức nặng, là VideoFDB của NVIDIA — một bộ đánh giá chuẩn cho hội thoại âm thanh-hình ảnh song công toàn phần mà NVIDIA xây dựng, và NVIDIA tuyên bố rằng họ thực hiện độc lập bằng các chỉ số đã công bố cùng giám khảo của riêng mình. Nó chấm điểm một mô hình trên hai hạng mục, tạo sinh và nhận thức, mỗi hạng mục có tiêu chí đánh giá riêng và bảng xếp hạng riêng, trên thang điểm từ 0 đến 5.

• Tạo sinh — những gì tác nhân tạo ra, gồm cả âm thanh và video, để phản hồi một sự kiện động trong luồng của người dùng. Griffin-Lite đạt 3,83 so với tham chiếu chuẩn người là 3,92; hệ thống cao tiếp theo đạt 2,80. Căn chỉnh tỷ lệ chiếm lượt nói, đo mức độ khớp giữa các quyết định của mô hình về thời điểm nói với thời điểm trong các cuộc hội thoại tham chiếu, là 62,8% đối với Griffin-Lite và 78% đối với tham chiếu người, với con số định thời là 1.892 ms.

• Nhận thức — đầu vào nghe nhìn, đầu ra âm thanh, chấm điểm xem tác nhân có nắm bắt đúng khoảnh khắc hay không. Griffin-Lite đạt 3,73 so với tham chiếu của con người là 4,20, với độ khớp về tỷ lệ takeover là 73,8% và 2.232 ms về thời gian. Tavus mô tả đây là mô hình nhận thức tốt nhất trên benchmark trong số 15 mô hình được đánh giá.

Hai lưu ý cần được gắn kèm với những kết quả đó trước khi bất kỳ ai lặp lại chúng. Mốc so sánh gần nhất trên nhánh nhận thức được liệt kê là MiniCPM-o 4.5 với 3.44 — nhưng đó là hàng chỉ âm thanh (A2A); hàng âm thanh-thị giác đầy đủ của cùng hệ thống là 3.40. Griffin đọc video, nên so sánh trung thực là với các hàng âm thanh-thị giác, điều này đặt khoảng cách ở 0.33 chứ không phải 0.29, và một phần điều mà khoảng cách đo lường chỉ đơn giản là giá trị của việc có mắt. Còn khoảng cách 0.09 điểm so với tham chiếu con người trên thang năm điểm do một mô hình ngôn ngữ chấm thì nên được hiểu là "gần với con người theo tiêu chí này" hơn là "ngang mức con người".

Con số tiêu đề còn lại là của chính Tavus. Trong một nghiên cứu do công ty thực hiện, những người tham gia được tuyển qua một nền tảng nghiên cứu độc lập được thông báo rằng họ sẽ được ghép với một người tham gia khác để thực hiện cuộc gọi video kéo dài một phút; đối tác của họ là một PAL đang chạy Griffin-Lite. Trong số 54 người tham gia, 26 người — 48% — tin rằng đối tác của mình là người thật. Trên cùng một quy trình, bộ công nghệ trước đó của công ty được xây dựng từ Phoenix-4.5, Raven-1 và Sparrow-2 tạo ra 2,4%, tức một người tham gia trong số 41. Cả hai nhóm đều tự tin: 79% trong số những người nói là người thật, 81% trong số những người nói là AI. Hơn một nửa cho biết khả năng đó hoàn toàn chưa từng thoáng qua đầu họ, và những người có nghi ngờ thì phần lớn nghi ngờ trong vòng hai mươi giây đầu tiên. Trên thang điểm bảy, mô hình đạt trung bình 5,4 về việc có vẻ tự nhiên, 5,6 về độ đáng tin cậy, 5,8 về việc muốn trò chuyện lại, 5,5 về cảm giác được lắng nghe, và 4,9 — mức thấp nhất trong năm chỉ số — về việc cuộc trò chuyện có diễn ra tự nhiên hay không.

Nghiên cứu đó là một nghiên cứu do nhà cung cấp tự thực hiện, với một giao thức được mô tả và kích thước mẫu được nêu rõ; điều này nhiều hơn những gì hầu hết các đợt ra mắt mô hình cung cấp và ít hơn một bản tái lập độc lập. Chưa có bên thứ ba nào tái lập giao thức face-to-face, và Tavus Griffin không có mục nào trên một bảng xếp hạng mô hình video độc lập. Hai điểm số track VideoFDB là những số liệu duy nhất trên trang này do một tổ chức khác ngoài Tavus tạo ra.

Truy cập và giá: những gì hiện có ngày nay

Đây là phần ngắn nhất trên trang vì hầu như không có gì trong đó. Những gì được công bố, trên tài liệu của chính nhà cung cấp:

• Trạng thái — Griffin-Lite là bản xem trước nghiên cứu, và Tavus cho biết nó sẽ không khả dụng cho khách hàng sử dụng vào thời điểm này, mặc dù nó có sẵn cho một số người thử nghiệm đáng tin cậy được chọn lọc.

• Truy cập — bằng biểu mẫu yêu cầu, với một đợt phát hành rộng rãi hơn của một phiên bản có năng lực cao hơn được mô tả như sau.

• Nền tảng — câu kết của chính nhà cung cấp nói rằng Griffin hiện chưa có trên nền tảng Tavus và sẽ xuất hiện khi công ty đã tìm ra cách phát hành nó một cách an toàn.

• Giá — không công bố. Trang định giá của Tavus đề cập đến sản phẩm PAL cùng bộ Phoenix, Raven và Sparrow; trang này không nói gì về Griffin, và không có bất kỳ con số nào theo phút, theo giây hay theo yêu cầu ở bất cứ đâu trên trang web của nhà cung cấp.

• Endpoint và mã định danh — không có. Griffin không xuất hiện trong chỉ mục tài liệu API của Tavus, nơi trang mô hình ghi nhận Phoenix cho kết xuất khuôn mặt, Raven cho nhận thức và Sparrow cho việc luân phiên lượt nói. Không có chuỗi mô hình nào để gọi.

Nhà cung cấp tuyên bố rằng họ dự kiến sẽ phát hành Griffin rất sớm sau khi công việc an toàn mà họ mô tả được giải quyết. Đó là một ý định đã được tuyên bố, không phải một mốc thời gian, và đây là tuyên bố hướng tới tương lai duy nhất về chủ đề này.

Tavus Griffin không dành cho điều gì

Khoảng cách giữa kết quả đánh giá chuẩn và trạng thái phát hành chính là nội dung thực tiễn của trang này, nên đáng để nói thẳng về những việc mà mô hình hiện tại chưa thể được dùng để làm.

Đây không phải là thứ để xây dựng một lộ trình hướng tới khách hàng trong quý này. Một bản triển khai cần có mã định danh mô hình, một mức giá, giới hạn tốc độ, câu chuyện về khu vực và một số hình thức cam kết về tính sẵn sàng, và không có thứ nào trong số đó tồn tại. Một nhóm lập kế hoạch dựa trên Griffin hôm nay đang lập kế hoạch dựa trên một biểu mẫu yêu cầu.

Nó không phải là một trình tạo video và không nên được đưa vào pipeline clip chỉ dựa vào độ ấn tượng của các con số. Điểm số của nó đến từ một khung đánh giá hội thoại song công toàn phần với bảng tiêu chí riêng và giám khảo riêng; các bảng xếp hạng mô hình video chấm điểm các clip ngắn bằng cách so sánh ưu tiên theo từng cặp trên các prompt. Hai công cụ này không tạo ra những con số có thể so sánh với nhau, nghĩa là Tavus Griffin chưa được đánh giá đối đầu trực tiếp với bất kỳ mô hình video nào ở cùng mức độ nỗ lực và cùng khung đánh giá, và không nên suy ra thứ hạng nào giữa chúng từ những gì đã được công bố.

Theo chính lời thừa nhận của nhà cung cấp, hiện vẫn chưa an toàn để phát hành công khai. Tavus viết rằng chính những đặc tính khiến một Human Interaction Model trở thành giao diện tốt hơn cũng khiến nó giỏi hơn trong việc lừa một người tin rằng nó không phải là AI, rằng cần thêm công việc về căn chỉnh và an toàn, và rằng các tính năng công bố thông tin cùng các đánh giá an toàn từ bên ngoài đang được tiến hành. Xét việc gần một nửa trong một mẫu trực tiếp không thể nhận ra, và những người tham gia nhận ra được thì phần lớn chỉ mất chưa đầy hai mươi giây, câu hỏi về công bố thông tin không phải là một chú thích bên lề của mô hình — mà là cánh cổng gác cho nó.

Thứ có thể mua được ngày hôm nay là phần còn lại của stack bao quanh nó. Một pipeline video hội thoại là một chuỗi — nhận dạng giọng nói, mô hình ngôn ngữ, tổng hợp giọng nói, rồi đến lớp render biến nó thành một khuôn mặt — và ba thành phần đầu là hàng phổ thông, có thể thay thế cho nhau, và đã sẵn sàng để định tuyến. Chúng chạy phía sau một endpoint tương thích OpenAI tại OrcaRouter, với hơn hai trăm mô hình trên một khóa duy nhất, giá niêm yết của nhà cung cấp được chuyển tiếp với mức markup 0% nên thay đổi giá từ nhà cung cấp được cập nhật ngay trong ngày thay vì phải chờ hết một chu kỳ hợp đồng, tính năng failover tự động định tuyến lại khi một nhà cung cấp suy giảm — điều này quan trọng hơn trong một cuộc gọi trực tiếp so với một tác vụ batch, vì lỗi có thể nghe thấy được — cùng một DSL định tuyến để diễn đạt mô hình nào nên xử lý việc gì, và tính năng hợp nhất mô hình để kết hợp các đầu ra. Lớp tạo sinh là phần vẫn còn ở dạng bản xem trước nghiên cứu; các lớp phía trên nó là phần mà một đội ngũ có thể lắp ghép ngay bây giờ. Tavus Griffin không xuất hiện trên danh sách mô hình trực tiếp của OrcaRouter, điều này nhất quán với một mô hình không có endpoint được công bố và không có định danh để định tuyến tới.

Điều gì sẽ thay đổi trang này

Ba điều, và chúng đủ cụ thể để có thể theo dõi. Một thẻ mô hình với một chuỗi mô hình và một mức giá sẽ đưa Tavus Griffin từ kết quả nghiên cứu thành câu hỏi mua sắm. Một sự tái lập độc lập của giao thức mặt đối mặt — một phòng thí nghiệm thứ hai chạy cùng cuộc gọi một phút với những người tham gia riêng của mình — sẽ làm được nhiều hơn cho 48% so với bất kỳ nghiên cứu nào khác từ nhà cung cấp. Và một báo cáo phiên dài từ ai đó bên ngoài Tavus sẽ kiểm tra tuyên bố duy nhất mà kiến trúc được xây dựng xoay quanh và không có benchmark nào bao quát: rằng Self-Forcing và cơ chế khung lịch sử thực sự giữ được một khuôn mặt và một nền lại với nhau qua một cuộc trò chuyện kéo dài hàng phút thay vì vài giây. Cho đến khi một trong những điều đó thành hiện thực, hai nhánh VideoFDB là bằng chứng mạnh nhất hiện có, và chúng đi kèm với khoảng cách 0,09 điểm so với con người về phần tạo và 0,47 về phần nhận thức.