Tavus Griffin 与 MiniMax H3：双工对话模型遇上已正式发布的视频生成器

Tavus Griffin 和 MiniMax H3 都能在屏幕上呈现出一个会动、会说话的人，但抛开这第一印象，它们几乎算不上同一类产品。Griffin 是一款Human Interaction Model——一个为实时双向对话而打造的视频生视频系统，由 Tavus 于 2026 年 10 月发布，目前仅限少数精选的早期测试者使用。而 MiniMax H3 是一款全模态视频生成器：你给它一段提示词，再加上可选的图像、视频和音频参考素材，它就会返回一段成品短片。一个仍在闭门评估之中，另一个则已经可供下载、授权和计费长达数月。决定二者中谁该进入你的技术栈的，正是这一差别——而非分辨率或帧率。

每一个到底是什么

Griffin 是 Tavus 为打造这样一种模型所做的尝试：它的行为更像一位参与者，而非一个渲染器。该公司称其为首个“人类交互模型”（Human Interaction Model），其公开的架构将这项工作拆成两部分：连续对话建模（Continuous Conversational Modeling），负责决定这个数字人每一刻应当做什么；以及音视频生成（Audio-Visual Generation），负责实时输出与之匹配的语音与面部画面。关键在于，它是全双工的——它一边说话一边观察和聆听，因此可以被打断，能在话语中途做出反应，也不必等到清晰的“轮次结束”信号才回应。Tavus 自己的说法是，以往的系统学的是生成人脸，而 Griffin 的目标是从人身上学习对话行为。

MiniMax H3 就是 Hailuo 3 代，于 2026 年 7 月 31 日发布，并于 2026 年 8 月 3 日以 MiniMax H3 社区许可证开源，同时公开发布了 H3-Base-FL2VA 和 H3-Base-Ref2VA 两个变体。它把文本、图像、视频和音频参考作为统一的上下文来读取，并返回一段 4 到 15 秒、768P 或 2K 分辨率、带原生立体声的片段，通过三阶段流水线生成（先是 H3-Context-IR，然后是以 768p 运行的 H3-Base，最后是 H3-Regenerate-2K）。它是一个输入面异常宽广、许可证又真正宽松的生成器——而这一切恰恰是 Griffin 目前所不具备的。

规格，并排对比

为什么"duplex"是个有意思的词

每一款视频生成器，包括 H3 在内，评判标准都是片段完成后的样子。而 Griffin 的评判标准则是片段无法展现的东西：在你打断它之后的 200 毫秒内会发生什么。这正是 Human Interaction Model 这一框架所指向的问题，也是为什么 Tavus 的核心数字是行为层面的，而不是视觉层面的。

最常被引用的数字是，48% 的人在一分钟的视频通话后相信 Griffin 是真人——54 名参与者中有 26 人——而 Tavus 之前由 Phoenix-4.5、Sparrow-2 和 Raven-1 组成的技术栈只有 2.4%，也就是 41 人中有 1 人。Tavus 还报告称，未被说服的人往往会在前 20 秒内产生怀疑，这比那个标题数字更有用：它意味着这种错觉要么很早就成立，要么很早就崩塌。

第二组数字来自 NVIDIA 的 VideoFDB 基准测试，评分于 2026 年 9 月进行；Tavus 称，在一项针对面对面 AI 的独立测试中，Griffin 排名第一。在生成方面，Griffin 得分为 3.83，而报告中最强的基线（Gemini 2.5 加 Anam 配置）为 2.80，人类参考分为 3.92，任务目标达成率为 62.8%。在感知方面，其得分为 3.73，而 MiniCPM-o 4.5 为 3.44，Gemini 2.5 Flash Native 为 3.17，纯音频 OpenAI gpt-realtime 配置为 2.97，人类参考分为 4.20，任务目标达成率为 73.8%，共评估了十五个模型。Tavus 还声称，Griffin 在即时反应方面领先第二好的系统 37%。这些是厂商报告的数据，依托于 NVIDIA 构建的基准测试，因此也应按此来看待——但其中的人类对比点才是值得保留的，因为 3.83 对 3.92 的人类得分，其差距比视频生成历史上所展现的要小得多。

今天你可以买什么

在这里，这两个模型完全不再具有可比性。

MiniMax H3 是一款产品。它采用托管服务，按生成输出的秒数计费，而其开放变体正放在一个模型中心里等待下载。如果你想要一段十五秒、2K、立体声的、现实中并不存在的东西的片段，今天下午就能拿到；如果你不想租用这些权重，也可以自己运行。

Tavus Griffin 不是一款产品。Tavus 在 Griffin 的说明中明确表示，研究预览版 Griffin-Lite 今天已面向一小群早期测试者开放，后续将更广泛地发布一个更强大的模型，而且 Griffin 目前尚未登陆 Tavus 平台，只有在公司想清楚如何安全发布之后才会推出。一家厂商对自己最引人注目的成果如此坦诚，实属罕见，这对规划很重要：你不能把 Griffin 作为依赖项列入产品路线图，也无法给它定价，因为根本还没有价格。

所以，诚实的规划问题不是“哪个更好”，而是“哪一个存在于我所需要的层级上”。

OrcaRouter 的定位

MiniMax H3 已收录在我们的目录中。模型页面位于 minimax/minimax-h3，其计费方式与提供商一致：768P 下每秒生成输出 $0.08，2K 下每秒 $0.13。OrcaRouter 按 0% 加价透传提供商的标价，因此 MiniMax 的价格变动会在公布当天就反映在我们的定价卡上，而不是等到下一个计费周期。Griffin 尚未收录在目录中，在 Tavus 将其交付给客户之前也不会收录——我们不会托管无法提供服务的模型，而仅限选定测试人员使用的研究预览，也不是路由器能够路由的对象。

实际后果是：这两个模型中的一个距离接入你的应用只有一行代码之遥，另一个则不过是一篇附了电话号码的研究论文。如果你已经在为多个视频和语言模型做路由，H3 的按秒计费也使它成为一种值得置于自动故障转移之后的路由：命中已饱和提供商的请求会改为向健康的提供商重试，而不是直接抛出超时；路由 DSL 还能让你把 2K 任务固定到特定提供商，同时让 768P 草稿落到容量最便宜的地方。模型融合是这里另一个值得一提的杠杆——H3 的按秒价格足够低，以至于在生成前花一个文本模型来改写并重新剪辑提示词，往往比一次糟糕的首轮尝试所浪费的秒数更便宜。

比较可能反转的情况

有三件事会改变这个比较，而且只有三件。

第一，如果 Tavus 将 Griffin 放到具有公开费率的商业 API 上，那么整个“对话还是片段”的框架就变成了真正的购买决策，而非排期决策，而 48% 的面对面比例也开始直接与生成输出的质量展开竞争。第二，如果 H3 的实时表现有所提升——而 MiniMax 一直在积极交付——那么一个能够流式输出的按秒计费生成器将削弱 Griffin 的核心优势。第三，如果 NVIDIA 或其他中立第三方在纳入 H3 或其继任者的情况下重新运行 VideoFDB，那么 Griffin 是面对面 AI 领域第一这一说法就不再是无法证伪的了。Tavus 表示，它预计在安全问题得到解决后很快就会发布 Griffin；这句话就是整个时间表。

最重要的一点

MiniMax H3 和 Tavus Griffin 目前并非竞争对手，因为两者之中只有一个能买得到。H3 是一款已交付、开放权重、按秒计费的全模态生成器，有公开定价，输出窗口为 4 到 15 秒；Griffin 是一款双工对话模型，拥有目前任何人公布过的最佳面对面指标，但没有 API、没有价格，其自家厂商还明确表示客户目前无法使用它。如果你今天就需要视频生成，H3 就是答案，而且它的成本可以精确到每秒几分钱。如果你需要一个能被随时打断的实时人脸，那就关注 Tavus——但请先把产品的其余部分做出来，因为它的发布时间只是一句说辞，而不是一个具体日期。