Tavus Griffin so với Google Veo 3.1: Một bên gắn watermark lên mọi khung hình, bên kia đánh lừa được 48% người trong một căn phòng

Đặt Tavus Griffin và Google Veo 3.1cạnh nhau, và phép so sánh thông thường — giá mỗi giây, Elo, độ dài clip — sụp đổ ngay lập tức, bởi vì chỉ một trong hai có giá, và chỉ một trong hai được chấm điểm dựa trên thứ mà người mua có thể tra cứu. Nhưng bên dưới có một trục thật sự, và nó không phải là chất lượng. Câu trả lời của Google cho truyền thông tổng hợp là làm cho nó có thể bị phát hiện: mọi đầu ra của Veo 3.1 đều mang SynthID, một hình mờ vô hình được ghi vào từng pixel theo từng khung hình và vào phổ âm thanh, cùng với C2PA Content Credentials ghi lại nguồn gốc tệp, và Google đã đưa một công cụ phát hiện vào ứng dụng Gemini để người dùng có thể hỏi liệu một clip có phải do Google AI tạo ra hay không. Lý do được Tavus Griffin nêu ra cho việc tồn tại ở dạng xem trước thay vì như một sản phẩm chính là hình ảnh phản chiếu: trong nghiên cứu trực tiếp của chính Tavus, 26 trong số 54 người tham gia kết thúc một cuộc gọi video dài một phút mà tin rằng đối tác của mình là người thật, so với 1 trong số 41 người dùng hệ thống trước đó của công ty, và Tavus nói rằng họ đang giữ mô hình lại cho đến khi tìm ra cách tiết lộ nó là gì. Một trong những nhà cung cấp này bán khả năng phát hiện. Nhà cung cấp còn lại hiện đang là lý do khiến việc phát hiện trở nên quan trọng, và biết rõ điều đó.

Hai sản phẩm được xây dựng trên những giả định trái ngược nhau

Veo 3.1 là một trình tạo clip với phạm vi hoạt động hẹp có chủ đích. Trên API Gemini của Google, nó tạo ra các clip dài 4, 6 hoặc 8 giây mỗi lượt ở 24 fps, với độ phân giải gốc 720p, còn 1080p và 4K đạt được thông qua một lượt nâng cấp độ phân giải được thêm vào trong bản cập nhật tháng 1 năm 2026. Tính năng gia hạn cộng thêm bảy giây mỗi lượt và có thể lặp tối đa hai mươi lần, đạt mức trần lý thuyết khoảng 148 giây, nhưng đầu vào phải là clip do Veo tạo, không quá 141 giây ở 720p theo tỷ lệ 16:9 hoặc 9:16, và độ dài tám giây là bắt buộc đối với tính năng gia hạn, đối với đầu vào ảnh tham chiếu và đối với mọi thứ trên 720p. Bạn không thể tạo clip 1080p dài bốn giây. Đầu ra là một tệp bạn sở hữu, có gắn watermark, kèm theo một hồ sơ truy xuất nguồn gốc đã được ký.

Griffin không tạo ra một tệp. Nó vận hành một cuộc trò chuyện. Một engine Continuous Conversational Modeling nhận âm thanh và video rồi đánh giá lại cuộc trao đổi theo từng khoảng dưới một giây, chọn xem nên im lặng, ra tín hiệu, đáp lời đệm hay giành lượt lời, và phát ra các điều khiển biểu cảm dẫn dắt một bộ tạo giọng nói truyền phát cùng một bộ tạo video truyền phát. Bộ tạo video tạo ra 720p thành các đoạn 320 ms, từng latent một, ở 25 fps từ một bức ảnh tham chiếu duy nhất, và phát từng đoạn ngay khi giải mã. Không có độ dài clip vì không có clip; có một phiên chạy liên tục cho đến khi ai đó ngừng nói.

Sự khác biệt đó quyết định gần như mọi dòng khác trong so sánh này. Phạm vi của Veo 3.1 là một tập hợp các ràng buộc mà một pipeline sản xuất có thể lập kế hoạch xoay quanh — danh sách cảnh quay dài tám giây, một thang kéo dài cho các cảnh quay dài hơn, 24 fps cố định, một thang độ phân giải đã biết. Đầu ra của Griffin hoàn toàn không thể phân cảnh trước được, vì những gì nó kết xuất phụ thuộc vào việc người đó làm gì tiếp theo.

Chi phí của Veo 3.1 là bao nhiêu, ở mọi gói

Giá API Gemini do Google công bố là đã bao gồm âm thanh, tính theo mỗi giây đầu ra, và không có gói miễn phí ở bất kỳ cấp Veo 3.1 nào. Không thể tắt âm thanh trên API đó — âm thanh được tạo trong mọi yêu cầu — điều này quan trọng vì các nguồn bên thứ ba mô tả bảng giá Vertex AI trong đó video im lặng có giá bằng khoảng một nửa con số đã bao gồm âm thanh. Tài liệu của chính Google không công khai tùy chọn đó. Nếu mức giá không có âm thanh quan trọng đối với hóa đơn của bạn, hãy xác nhận dựa trên hóa đơn Vertex của chính bạn thay vì một trang so sánh, kể cả trang này.

• Veo 3.1 Standard — $0.40/s ở 720p và 1080p, $0.60/s ở 4K.

• Veo 3.1 Fast — 0,10 USD/giây ở 720p, 0,12 USD/giây ở 1080p, 0,30 USD/giây ở 4K.

• Veo 3.1 Lite — 0,05 USD/giây ở 720p, 0,08 USD/giây ở 1080p, {{1}}không có gói 4K{{/1}}.

Đem quy tắc tám giây áp lên các mức giá đó, và chi phí mỗi lần thử chính là thứ mà một đội sáng tạo thực sự đưa vào ngân sách: 32 xu cho một lần quay 1080p dài tám giây trên gói Standard, 80 xu cho một lần quay bốn giây ở cùng độ phân giải vì mức sàn tám giây không áp dụng dưới 720p, và 4,80 đô-la cho một lần quay 4K tám giây duy nhất. Con số cuối cùng đó là con số đáng để ngồi ngẫm, vì một cuộc tìm kiếm bốn lần thử cho một cảnh quay 4K dùng được chỉ chưa đầy hai mươi đô-la, và yêu cầu tám giây nghĩa là bạn không thể thử ý tưởng đó ở một nửa độ dài với một nửa giá.

Griffin không có giá, không có gói miễn phí và không có bất kỳ loại bảng giá nào. Griffin-Lite khả dụng cho một số người thử nghiệm đáng tin cậy được chọn dưới dạng bản xem trước nghiên cứu qua biểu mẫu yêu cầu, không có trên nền tảng Tavus, và thông báo nói rõ rằng nó sẽ không khả dụng để khách hàng sử dụng vào thời điểm này. Câu kết của Tavus trên trang là Griffin sẽ xuất hiện khi công ty đã tìm ra cách phát hành nó một cách an toàn. Mọi tuyên bố trong bài viết này so sánh hai bên về bất cứ điều gì giống như một quyết định mua hàng đều có một lỗ hổng trong nửa phần về Griffin, và không lượng nghiên cứu nào lấp đầy được lỗ hổng đó.

Hai bảng điểm thực sự đo lường điều gì

Hai mô hình đã được đánh giá bằng các công cụ khác nhau vì cùng một lý do khiến chúng khó định giá so với nhau.

Veo 3.1 nằm trên đấu trường video của Artificial Analysis, nơi điểm Elo đến từ sự ưu tiên của con người khi so sánh từng cặp một cách ẩn danh trên các clip ngắn. Đọc ngày 2 tháng 10 năm 2026 trên bảng text-to-video có âm thanh:

• Veo 3.1 — 18–21, Elo 968 (±11) trên 2.857 phiếu bầu, 24,00 USD/phút.

• Veo 3.1 Fast — hạng 18–21, Elo 961 (±10) trên 3.595 phiếu bầu, 7,20 USD/phút.

• Veo 3.1 Lite — hạng 21–24, Elo 949 (±11) với 2.762 phiếu bầu, $4,80/phút. • Veo 3.1 ở chế độ hình ảnh sang video (có âm thanh) — hạng 11 trong số 34, Elo 1.082 với 7.049 phiếu bầu, $24,00/phút. Đây là vị trí tốt nhất của nó trên bất kỳ bảng xếp hạng nào và là vị trí có nhiều phiếu bầu nhất ủng hộ nó.

Hai điều rút ra từ đó. Cả ba bậc đều nằm trong vòng mười chín điểm Elo của nhau với các khoảng tin cậy chồng lấn, nên mức giá mỗi giây cao gấp bốn lần của bậc tiêu chuẩn không mua được sự ưa thích mù có thể đo lường. Và dòng Gemini Omni Flash mới hơn của chính Google vượt qua mọi bậc Veo 3.1 trên cùng bảng xếp hạng — thứ 7–8 ở Elo 1.117 với 7.801 phiếu bầu và $9,12/phút, xếp trên cả ba bậc trong khi chỉ tốn bằng từ một phần tư đến một phần năm mỗi phút — một câu hỏi mà mọi người mua Veo 3.1 nên đặt ra, và là điều mà bài viết này không phải nơi để trả lời.

Các con số của Griffin đến từ VideoFDB của NVIDIA, một benchmark cho hội thoại âm thanh-hình ảnh song công toàn phần do NVIDIA xây dựng và chấm điểm độc lập vào tháng 9 năm 2026. Griffin-Lite đạt 3,83 trên 5 ở hạng mục tạo sinh, so với mức tham chiếu con người là 3,92 và 2,80 cho hệ thống công bố có điểm cao tiếp theo, cùng 3,73 ở hạng mục nhận thức so với mức tham chiếu con người là 4,20. Tavus cũng báo cáo độ trễ thực từ âm thanh sang video là 0,43 giây đối với bộ tạo, so với bốn baseline khuếch tán truyền trực tuyến đã công bố trên H100, mô tả mức này bằng một nửa so với hệ thống nhanh thứ nhì.

Không tập nào trong hai tập chuyển giao được. Điểm Elo từ việc bỏ phiếu ưu tiên trên clip ngắn chẳng nói lên điều gì về việc một mô hình có thể bị ngắt lời hay không; điểm đánh giá theo rubric của giám khảo về hội thoại cũng chẳng nói lên điều gì về việc một clip có trông đúng ở 4K hay không. Và những lưu ý này đúng theo cả hai hướng: khoảng cách 0,09 điểm của Griffin so với tham chiếu con người là đủ nhỏ trên thang rubric năm điểm do mô hình ngôn ngữ chấm để “gần với con người” là cách đọc trung thực, và một phần lợi thế tri giác của nó được đo so với các hệ thống chạy hoàn toàn không có đầu vào video.

Provenance, đó mới là sự khác biệt thực sự của sản phẩm

Đối với một doanh nghiệp có bất kỳ nghĩa vụ công bố thông tin nào, đây là phần duy nhất quan trọng, và không có phần nào khác đến gần.

Đầu ra của Veo 3.1 mang SynthID theo từng khung hình trong các điểm ảnh và trong phổ âm thanh, được thiết kế để tồn tại qua nén, đổi kích thước, cắt cúp và ghi màn hình, còn C2PA Content Credentials ghi lại nguồn gốc tệp và lịch sử chỉnh sửa, có khả năng tương tác với các triển khai của Adobe và Microsoft. Google đã đưa tính năng phát hiện vào ứng dụng Gemini, để người dùng có thể tải video lên và hỏi liệu Google AI có tạo ra nó không, với tính năng phát hiện báo cáo phần nào của track âm thanh hoặc video mang dấu. Hạn chế này là có thật và đáng nói rõ: trình phát hiện đó chỉ nhận diện các mô hình của Google mà thôi. Không có gì trong danh mục của Alibaba hay Kuaishou là tương đương, và Tavus cũng không có gì tương tự.

Tavus chưa công bố dấu thủy vân, công cụ phát hiện hay quy trình Content Credentials nào cho Griffin. Điều họ đã công bố lại chính là lý do họ cần một thứ như vậy. Nghiên cứu tương tác trực tiếp đặc biệt thẳng thắn về kiểu thất bại này: hơn một nửa số người tham gia cho biết khả năng có AI đã không hề thoáng qua đầu họ trong cuộc gọi, gần như toàn bộ nhóm đó kết luận người đối thoại là thật, và những người thực sự nghi ngờ thường nhận ra điều đó trong vòng hai mươi giây đầu tiên. Những người tin có độ tự tin trung bình 79% và những người nghi ngờ là 81%. Đó là một mô hình mà tính lừa dối không phải là tác dụng phụ của chất lượng tạo sinh — nó chính là chất lượng tạo sinh.

Phản hồi của Tavus nằm trong thông báo chứ không phải ở chú thích cuối trang: chính những đặc tính khiến Human Interaction Models trở thành giao diện mạnh mẽ cho giao tiếp tự nhiên cũng cho phép chúng đánh lừa một người tin rằng đó không phải là AI, cần có thêm các quy trình căn chỉnh và an toàn để phát hành an toàn, và công ty đang phát triển các tính năng tiết lộ an toàn cũng như làm việc với các tổ chức giải quyết vấn đề an toàn AI. Đó là lý do cổng này tồn tại. Griffin-Lite sẽ không khả dụng cho khách hàng sử dụng vào thời điểm này.

Những điều khoản dành cho doanh nghiệp mà Google mang đến còn Tavus thì không

Veo 3.1 được cung cấp thông qua Vertex AI với cơ sở hạ tầng theo khu vực, IAM và bề mặt hợp đồng doanh nghiệp mà điều đó hàm ý, và Google giới hạn những gì mô hình sẽ làm tùy theo khu vực tài phán: thông qua một tham số tạo người, EU, Vương quốc Anh, Thụy Sĩ và MENA chỉ cho phép chủ thể là người trưởng thành, trong khi các khu vực khác có thể cho phép mọi đối tượng. Đó là một bề mặt chính sách có tài liệu, nhận biết khu vực và đối với người mua chịu quy định, điều đó có thể quan trọng hơn một vị trí trên bảng xếp hạng.

Có một chi phí gắn với hình dạng của nó. Các ID mô hình của Veo 3.1 trên Gemini API vẫn là ID xem trước — veo-3.1-generate-preview và các mô hình anh em của nó — trong khi SKU Vertex mang cách đặt tên sẵn sàng chung, còn các báo cáo của bên thứ ba cho thấy hạn ngạch xem trước chỉ bằng khoảng một phần năm hạn ngạch sản xuất. Google đã ngừng các SKU Veo 3.0 cũ hơn vào ngày 30 tháng 6 năm 2026, điều này cho bạn biết việc luân chuyển giữa các thế hệ được xử lý như thế nào và đáng để tính vào giá của bất cứ thứ gì được xây dựng trên một ID xem trước. Mảng dành cho người tiêu dùng cũng thực sự bị hạn chế: Flow yêu cầu đăng ký Google AI Pro hoặc Ultra và bị chặn ở EU, Vương quốc Anh, Ấn Độ, Indonesia, Trung Quốc đại lục và Nga, không có cách vượt qua VPN nào được đưa ra.

Griffin không có điều khoản dịch vụ nào để đọc, vì không có dịch vụ nào cả. Việc truy cập chỉ là một biểu mẫu yêu cầu và một bản xem trước nghiên cứu. Tavus đã cho biết họ đang làm việc với các tổ chức an toàn về các đánh giá và muốn mọi người tham gia vào các đánh giá đó, đây là định hướng nghiên cứu chứ không phải định hướng thương mại.

Nhận được một trong hai cái đó

Veo 3.1 có thể được truy cập thông qua Gemini API, Vertex AI, Google AI Studio và Flow, cũng như thông qua ứng dụng Gemini chỉ ở 720p. Bên ngoài Trung Quốc, xét về việc lấy được khóa, nó dễ hơn hẳn trong hai lựa chọn — điều này đi ngược lại lập luận về chất lượng ở trên và là lý do chính khiến so sánh này vẫn thú vị bất chấp các con số.

Griffin có thể tiếp cận được bằng cách gửi yêu cầu truy cập và được chọn làm người kiểm thử đáng tin cậy. Đó là toàn bộ quy trình mua sắm.

Chỗ mà một router thực sự hữu ích trong pipeline Veo là ở phần cận kề mô hình video chứ không phải nằm bên trong nó. Các mô hình văn bản của Google — Gemini 3.5 Flash, Gemini 3.1 Pro Preview, Gemini 3.6 Flash và phần còn lại của dòng sản phẩm — đều có trong danh mục OrcaRouter và có thể gọi trên cùng endpoint tương thích OpenAI như hơn 200 mô hình khác theo giá niêm yết của nhà cung cấp, cộng thêm 0% markup. Danh sách cảnh quay, mở rộng prompt, tạo chú thích, ghi chú mạch nối giữa các phân đoạn tám giây, và tóm tắt bài đánh giá đều là công việc văn bản, và đó chính là lớp mà việc có thể đặt một mô hình rẻ vào lượt xử lý hàng loạt và một mô hình tiên tiến vào lượt cuối cùng chỉ tốn một thay đổi cấu hình thay vì phải di trú. Bản thân Veo 3.1 thì chúng tôi không định tuyến, và Griffin cũng vậy; cần nói rõ điều đó thay vì để một đoạn văn như thế này ngụ ý điều ngược lại.

Cái nào, thành thật mà nói

• Chọn Veo 3.1 khi sản phẩm bàn giao cần có dấu vết nguồn gốc, khi người mua thuộc ngành chịu quản lý, khi việc phân phối phải là một tệp có kèm thông tin xác thực, hoặc khi 4K là điều không thể thương lượng. Hãy dự trù mức sàn tám giây trong mọi mô hình chi phí, và kiểm tra vòng đời ID bản xem trước trước khi xây dựng một luồng dành cho khách hàng dựa trên nó.

• Đừng chọn Griffin, vì bạn không thể. Hãy yêu cầu quyền truy cập nếu câu hỏi của bạn là liệu một người có thể phân biệt AI với con người trong một cuộc gọi một phút hay không, hoặc nếu bạn cần biết lớp tương tác đang đi về đâu trước khi bạn cam kết một lộ trình cho lớp clip.

• Hãy để mắt đến công cụ phát hiện, không phải bản demo. Nếu Tavus công bố một cơ chế tiết lộ có thể trụ được qua một cuộc trò chuyện thông thường, khoảng cách giữa hai nhà cung cấp này sẽ thu hẹp đáng kể. Nếu không, Griffin là một kết quả đáng được trích dẫn và Veo 3.1 vẫn là lựa chọn duy nhất trong hai mà bạn có thể đặt trước một đội ngũ tuân thủ.