Tavus Griffin vs Kling 3: Hội thoại thời gian thực đối đầu với clip mười giây

Hình dạng trung thực của cuộc so tài này là một sự bất đối xứng về định tuyến. Kling 3 là một mô hình có thể gọi được, có giá, có bề mặt tham số và có một mục trong danh mục của chính chúng tôi; Tavus Griffin là bản xem trước nghiên cứu dành cho một số người thử nghiệm đáng tin cậy được chọn lọc, nằm sau một biểu mẫu đăng ký, được công bố ngày 1 tháng 10 năm 2026 mà không có mã định danh, không có endpoint và không có mức giá nào được công bố. Kling 3.0 nằm trong danh mục OrcaRouter với tên kling/kling-v3, có giá $0.084 mỗi yêu cầu, với giá niêm yết của nhà cung cấp được chuyển nguyên và không cộng thêm gì. Griffin không thể định tuyến, và không phải vì chưa ai bỏ thời gian ra làm — một phiên song công toàn phần theo thời gian thực, trong đó mô hình tạo ra 720p thành từng khối 320 mili-giây trong lúc vẫn đang lắng nghe, không phải là một cuộc gọi yêu cầu–phản hồi, và nó sẽ không khớp với cùng một hình dạng kể cả nếu Tavus mở cổng ngay ngày mai. Vậy nên đây không phải là một so sánh mà người mua giải quyết bằng giá. Đây là so sánh giữa hai câu trả lời cho câu hỏi một con người được tạo ra để làm gì.

Kling 3.0 thực sự là gì

Kling 3.0 ra mắt vào ngày 5 tháng 2 năm 2026 dưới dạng một dòng gồm bốn mô hình — Video 3.0, Video 3.0 Omni, Image 3.0 và Image 3.0 Omni. Tính năng đặc trưng của nó là tự động tạo chuỗi nhiều cảnh quay: mô hình tự lên kế hoạch chuyển cảnh, và chế độ tùy chỉnh cho phép bạn đặt số cảnh quay và thời lượng của từng cảnh, với việc các nhà đánh giá báo cáo có thể tạo được chuỗi dùng được gồm tối đa khoảng sáu cảnh quay khác biệt chỉ từ một câu lệnh, đồng thời có thể chỉ định cỡ cảnh, chuyển động máy quay và nhịp kể chuyện cho từng cảnh. Giới hạn trên là 15 giây mỗi lần tạo, với mức tối thiểu ba giây. Ở phía OrcaRouter, nó xuất hiện như một mô hình text-to-video và image-to-video hàng đầu với điều khiển nhiều cảnh quay, chủ thể và chuyển động, các clip dài 3–15 giây và được cho là lên tới native 4K, được cung cấp trên POST /v1/video/generations.

Âm thanh được tạo ra trong cùng một lượt, một cách native. Phiên bản của Kuaishou hỗ trợ tiếng Trung, tiếng Anh, tiếng Nhật, tiếng Hàn và tiếng Tây Ban Nha, xử lý hội thoại trộn nhiều ngôn ngữ trong cùng một clip, gán một giọng nói riêng biệt cho từng nhân vật trong các cảnh nhiều nhân vật, và cung cấp các giọng vùng miền — tiếng Anh Mỹ, Anh và Ấn Độ; tiếng Trung Đông Bắc, Bắc Kinh, Đài Loan, Quảng Đông và Tứ Xuyên. Độ nhất quán của khớp khẩu hình là điểm yếu bị đánh dấu nhiều nhất trong các bài đánh giá trải nghiệm độc lập, với một bài kiểm tra báo cáo rằng khoảng hai trong năm clip hội thoại cần phải làm lại, và các lỗi được báo cáo tập trung quanh phần hội thoại trong môi trường ồn ào, nơi nền âm thanh nước và gió khiến lời nói bị bóp nghẹt.

Griffin thực sự là gì, trong một đoạn văn

Griffin không phải là một trình tạo video có chế độ hội thoại. Nó là hai bộ máy chạy đồng thời. Một bộ máy Mô hình hội thoại liên tục tiếp nhận âm thanh và video của một người, đánh giá lại cuộc trao đổi ở các khoảng dưới một giây, và tại mỗi khoảng đó quyết định xem nên im lặng, phát tín hiệu, đáp lời tối thiểu hay giành lượt — phát ra các điều khiển biểu cảm mang theo thời điểm, thái độ, nét mặt và cử chỉ, chứ không chỉ là từ ngữ. Một bộ máy tạo sinh âm thanh-hình ảnh biến những điều khiển đó thành âm thanh và pixel cùng lúc: một transformer khuếch tán tự hồi quy tạo ra lời nói theo từng chunk tiềm ẩn một từ tiền tố người nói đã được mã hóa, và một trình tạo video tự hồi quy vài bước tạo ra 720p trong các chunk 320 ms ở 25 fps từ một bức ảnh tham chiếu duy nhất. Không có prompt, không có độ dài clip, và không có tệp. Về âm thanh, nó báo cáo độ trễ thực từ âm thanh sang video là 0,43 giây trên H100s so với bốn baseline khuếch tán streaming đã công bố, mà Tavus mô tả là bằng một nửa phương pháp nhanh thứ hai.

Giá, và bảng một mặt

Giá của Kling 3.0 là chỗ duy nhất trong bài viết này mà ở đó có một con số cụ thể ở cả hai vế của một phép so sánh và một vế thì trống.

• Kling 3.0 trên OrcaRouter — 0,084 USD mỗi yêu cầu, giá niêm yết của nhà cung cấp được chuyển tiếp nguyên vẹn với mức cộng thêm 0%, vì vậy khi Kuaishou thay đổi biểu phí hoặc giảm giá khuyến mãi, mức đó sẽ được cập nhật tại đây ngay trong cùng ngày thay vì phải chờ hết một chu kỳ hợp đồng.

• Kling 3.0 trên đấu trường độc lập — bảng xếp hạng text-to-video có âm thanh ghi nhận ngày 2 tháng 10 năm 2026 liệt kê gói 1080p Pro ở mức 10,08 USD/phút và gói Omni 1080p Pro ở mức 8,40 USD/phút. Cùng bảng xếp hạng đó đánh giá bốn gói của Kling 3.0 theo bốn mức giá khác nhau, nên "giá của Kling 3.0" không phải là một con số duy nhất.

• Griffin — không có giá. Griffin-Lite hiện khả dụng cho một số người thử nghiệm đáng tin cậy được chọn làm bản xem trước nghiên cứu, không nằm trên nền tảng Tavus, và thông báo của chính nó cho biết nó sẽ không khả dụng để khách hàng sử dụng vào thời điểm này. Không có mức giá theo yêu cầu, không có mức giá theo giây và không có gói miễn phí để báo giá, và mô hình sẽ chỉ ra mắt sau khi Tavus tìm ra cách phát hành nó một cách an toàn.

Đó là toàn bộ phần giá, và sẽ trung thực hơn nếu để nguyên như vậy thay vì bịa ra một ước tính theo từng giây từ dấu vết tính toán.

Các bảng điểm đo lường những thứ khác nhau và không gặp nhau.

Cả hai mô hình đều đã được chấm điểm bởi một bên nào đó không phải nhà cung cấp của chúng, trên những công cụ không thể so sánh được với nhau.

Kling 3.0 nằm trên đấu trường video của Artificial Analysis, nơi Elo được tính từ sở thích của con người theo kiểu so sánh cặp mù trên các clip ngắn. Hai kết quả đọc được trong cùng một ngày lại kể hai câu chuyện khác nhau, và đây chính là cái bẫy đáng gọi tên: trên bảng text-to-video có âm thanh, các hạng của Kling nằm ở giữa bảng, trong khi trên bảng image-to-video có âm thanh, chúng xếp cao hơn đáng kể — nhưng không phải tất cả các hạng của Kling đều xuất hiện trên cả hai bảng. Chỉ có các bản dựng Pro và Omni Pro 1080p mới có mặt trên bảng text; hạng Standard 720p chỉ được chấm điểm trên image-to-video và không xuất hiện ở nơi nào khác.

• Kling 3.0 trong chuyển văn bản thành video (có âm thanh) — 1080p Pro ở vị trí thứ 16, Elo 1.000 với 4.844 phiếu bầu, $10,08/phút; Omni 1080p Pro ở vị trí thứ 16, Elo 987 với 2.741 phiếu bầu, $6,90/phút. Gói đắt hơn trong hai gói đạt điểm thấp hơn, đây cũng chính là kết quả không đáng kể mà mức chênh lệch giữa các gói thể hiện ở mọi nơi khác trên bảng xếp hạng này.

• Kling 3.0 ở chế độ chuyển ảnh thành video (có âm thanh) — 1080p Pro ở vị trí 18–20, Elo 1.055 (±6) với 14.896 phiếu bầu, $20,16/phút; 720p Standard ở vị trí 18–20, Elo 1.051 (±6) với 14.692 phiếu bầu, $15,60/phút; Omni 1080p Pro ở vị trí 21–22, Elo 1.044 (±8) với 2.945 phiếu bầu, $16,80/phút; Omni 720p Standard ở vị trí 21–24, Elo 1.036, $13,44/phút.

Cách diễn giải là Kling 3.0 mạnh hơn khi bắt đầu từ một hình ảnh được cung cấp so với khi bắt đầu từ văn bản, và bảng xếp hạng image-to-video có số phiếu gấp ba lần, nên vị trí của nó ở đó là vị trí được xác định rõ hơn. Đó cũng là chế độ mà hầu hết công việc thương mại sử dụng. Hãy lưu ý bốn hạng này mang lại gì: trong image-to-video, chúng trải dài mười sáu điểm Elo trong khoảng giá từ $13.44 đến $20.16 một phút, và cái rẻ nhất trong bốn không phải là cái có thứ hạng thấp nhất. Trả nhiều tiền hơn cho Kling 3.0 không đưa nó lên cao hơn trên bảng này.

Điểm của Griffin đến từ VideoFDB của NVIDIA, hệ thống chấm điểm hội thoại nghe nhìn song công hoàn toàn trên hai hạng mục, do NVIDIA xây dựng và vận hành với giám khảo riêng của mình dựa trên một bộ tiêu chí đã công bố. Griffin-Lite đạt 3,83 trên 5 ở phần tạo sinh, so với mốc tham chiếu con người là 3,92, và 2,80 cho hệ thống được công bố cao thứ hai; cùng 3,73 ở phần nhận thức so với mốc tham chiếu con người 4,20, với mức khớp về tỷ lệ giành lượt là 62,8% và 73,8%. Những con số đó không nói lên điều gì về việc một clip trông có đúng ở 1080p hay không, và Elo của Kling cũng không nói lên điều gì về việc liệu một mô hình có thể bị ngắt giữa câu hay không. Cách sử dụng trung thực duy nhất của mỗi cái là nằm trong chính câu hỏi của nó.

Khoảng trống không ai đang nói đến: độ trễ so với

Có một tương phản kỹ thuật thực sự ở đây mà không bảng xếp hạng nào nắm bắt được, và đó là điều hữu ích nhất trong so sánh này đối với bất kỳ ai đang lập kế hoạch cho một sản phẩm.

Kling 3.0 tối ưu cho độ dài và cấu trúc trong một lần tạo có giới hạn: tối đa mười lăm giây, tối đa khoảng sáu cảnh quay được lên kế hoạch, điều khiển theo từng cảnh quay. Chi phí của nó tỉ lệ với thời lượng đầu ra, và chất lượng của nó tỉ lệ với mức độ cụ thể của câu lệnh. Không có gì về nó chạy trong khi người dùng còn đang nói, và đó không phải là một khiếm khuyết — đó là hình dạng của cả phạm trù.

Griffin tối ưu cho độ trễ bên trong một phiên không giới hạn: các khối 320 mili-giây, 25 fps, một quyết định được đưa ra mỗi khoảng dưới một giây, không có clip nào để lập kế hoạch vì cuộc trò chuyện không có hồi kết. Chi phí của nó, dù rốt cuộc là bao nhiêu, sẽ tỉ lệ với thời lượng cuộc trò chuyện chứ không phải với số giây được kết xuất, và chất lượng của nó tỉ lệ với mức độ tự nhiên của người ở đầu bên kia chứ không phải với đề bài. Việc chưng cất ba giai đoạn thành một bộ sinh tự hồi quy được huấn luyện trên chính lịch sử của nó tồn tại chính xác bởi vì chế độ thất bại của kiến trúc này là sự trôi dạt qua một quá trình sinh kéo dài chứ không phải một cảnh quay tồi.

Đặt hai cái cạnh nhau và hệ quả thực tế là chúng thất bại theo hai hướng trái ngược. Kling 3.0 thất bại một cách rõ thấy và sớm — một cú máy ở mức sát nút mà bạn có thể xóa và tạo lại chỉ với vài xu, với ngân sách quay lại đã được tính sẵn vào quy trình. Griffin, nếu nó hoạt động như được báo cáo, sẽ thất bại một cách vô hình và muộn, bằng việc không phải là thứ nó trông có vẻ là, và đó là lý do Tavus đang giữ nó lại.

Khi nào một router thực sự hữu ích và khi nào thì không.

Kling 3.0 có trong danh mục của OrcaRouter với tư cách là kling/kling-v3 ở mức $0.084 mỗi yêu cầu, trên cùng một khóa và cùng một endpoint tương thích OpenAI như hơn 200 mô hình khác. Đó là một khác biệt thực sự so với việc phải duy trì một tài khoản Kuaishou cùng một tích hợp riêng cho bất kỳ mô hình văn bản nào mà pipeline của bạn cần: vì chúng tôi không cộng thêm gì vào giá của nhà cung cấp, thay đổi giá của Kuaishou sẽ có hiệu lực phía chúng tôi ngay trong cùng ngày, và nếu nhà cung cấp thượng nguồn suy giảm hoặc giới hạn tốc độ, chuyển đổi dự phòng tự động sẽ chuyển yêu cầu trước khi phản hồi bắt đầu thay vì trả lỗi về ứng dụng của bạn. Đối với một pipeline video nơi một lần gọi có thể tốn hơn một nghìn lần gọi văn bản, việc yêu cầu vượt qua được một phút tồi tệ ở thượng nguồn đáng giá hơn khoản markup mà bạn không phải trả.

Griffin không có trong danh mục của chúng tôi, không có trong danh mục của bất kỳ ai, và không thể có — một mô hình phiên song công toàn phần không phải là một yêu cầu định tuyến. Chỉ có thể truy cập nó bằng cách gửi yêu cầu truy cập. Chính việc Tavus hướng những nhà xây dựng tiềm năng tới các mô hình cũ hơn của mình thay vì Griffin là dấu hiệu: ba mô hình tiền nhiệm vận hành các PAL mà 150.000 nhà phát triển và doanh nghiệp đã sử dụng, và Griffin không nằm trong số đó.

Cái nào, để làm gì

• Chọn Kling 3.0 cho các chuỗi nhiều cảnh quay được lên kế hoạch từ một câu lệnh, cho công việc image-to-video khi vị trí trên đấu trường không âm thanh của nó rất mạnh và được bình chọn nhiều, cho hội thoại đa ngôn ngữ với ràng buộc giọng nói theo từng nhân vật trên năm ngôn ngữ, cho tính nhất quán của phần tử qua các chuyển động camera, và cho 4K nếu bạn xác nhận gói dịch vụ bằng văn bản — tài liệu của chính Kuaishou tuyên bố 4K gốc trong khi hướng dẫn sử dụng của họ chỉ liệt kê 720p và 1080p, và mức tín dụng của bên thứ ba cho 4K chênh lệch hơn gấp đôi giữa các nguồn.

• Hãy kiểm tra Kling 3.0 ở phần đồng bộ khẩu hình trước nếu hội thoại là điểm mấu chốt, vì đó là chỗ mà các bài đánh giá trải nghiệm thực tế độc lập nói rằng nó hỏng, và đó là lỗi khiến phải quay lại nhiều nhất.

• Đừng lập kế hoạch xoay quanh Griffin. Hãy yêu cầu quyền truy cập nếu câu hỏi bạn cần được trả lời là liệu một người có thể phân biệt một con người được tạo ra với một người thật trong một cuộc gọi một phút hay không, hoặc liệu việc biết lớp tương tác đang đi về đâu có nên định hình những gì bạn xây dựng trên lớp clip ngay bây giờ hay không.

• Hãy để mắt đến hai điều, chứ không phải một. Về phía Kling, liệu mức chênh lệch giữa các gói có bắt đầu tương quan với giá hay không, bởi bốn gói hiện chỉ cách nhau trong vòng mười chín điểm Elo ở hạng mục image-to-video trong khi giá lại chênh nhau gấp rưỡi, và gói rẻ nhất không phải là gói có vị trí tệ nhất. Về phía Griffin, liệu một cơ chế công bố thông tin và một model card có xuất hiện hay không; nếu có, so sánh này sẽ không còn là một bài luận về thiết kế nữa mà bắt đầu trở thành một quyết định mua sắm, và bài viết này sẽ cần được viết lại.