Tavus Griffin：人類互動模型解析

Tavus Griffin是一種人類互動模型（Human Interaction Model，HIM，這是該廠商自創的類別名稱），而最該先釐清的是它不是什麼。它不是影片生成器。影片模型接收提示詞、一張靜態畫面或一段短片，然後回傳一個完成的檔案；那個檔案就是成品。Tavus Griffin則是接收一個坐在鏡頭前的人，並與之對話，在聆聽與判斷的同一瞬間生成臉部、聲音與非語言行為，持續不斷，只要通話還在進行就一直如此。公司外部人士唯一接觸過的版本是Griffin-Lite，這是一個研究預覽版，其頁面標註的日期為 2026 年 10 月 1 日，透過申請表單開放給精選的受信任測試者，沒有公布價格，Tavus 的 API 文件中沒有模型識別碼，也沒有端點。本頁是關於這個模型是什麼、它運行在什麼之上、實際量測了哪些項目，以及誰可以使用它的固定解答。

課堂問題，因為它一直以來都被答錯

搜尋 Tavus Griffin，讀者看到它被拿來與文字轉影片或圖像轉影片模型比較的機率，不亞於看到任何談論對話的內容。這種定調值得糾正，而不是繞著它走，因為由此衍生的一切——這個模型擅長什麼、它的分數代表什麼意義、它的延遲算快還是算慢——都取決於你把它歸進哪一個類別。這兩個類別並非同一主題的變體。它們接受的輸入不同、產出的結果不同，衡量時所用的工具也不同。

• 影片生成模型——輸入是提示詞、一張圖像或一段短片；輸出是固定長度的檔案；當算圖完成時，互動就結束。基準測試評的是像素。

• Tavus Griffin — 輸入是持續不斷的真人及其音訊與視訊；輸出是永不需結束的語音與視訊串流；互動本身就是產品。基準測試必須為這段交流評分。

Griffin 在廠商的說法中，也是對一般組裝互動式代理方式的一種否定。Tavus 明確將它與串接式系統對比：那些系統把語音辨識、語言模型和語音合成一個接一個串起來，等待使用者講完才開始回應。Griffin 則被描述為全雙工視訊對視訊：感知、決定何時以及如何回應，還有生成回應，全都同時執行，並且在模型說話時持續運作。

讀者實際輸入的用字裡藏著訊號。這個模型被記錄下來的查詢之一，是「tavus griffin human interaction model」——那是搜尋者在還沒找到任何為這個類別命名的頁面之前，對它的描述。而這是正確的描述。Tavus 創造了這個詞，將它縮寫為 HIM，並把模型自己的頁面命名為The First Human Interaction Model。所以，Tavus Griffin 究竟是什麼，簡短的答案是：一套即時對話式虛擬人系統，由其製造者歸類為 Human Interaction Model；與其說它比影片模型更好，不如說它是截然不同的產品類別。

它即時接收什麼、產生什麼

輸入包括真人的音訊與視訊，再加上系統提示、對話歷史、一張參考影像與一段參考音訊，以及在對話中途呼叫工具的能力。在輸出端，對話模型並非只輸出文字：它輸出文字及一組控制訊號，用以指揮語音與視訊產生器，這正是語氣、立場、面部表情與手勢得以與產生它們的決策保持連結的方式。

在生成端，Tavus 表示該架構能即時產生 720p 影片，一次一個潛在表徵，並接受串流控制，讓對話模型能指揮非語言行為，例如做手勢、移開目光或改變情緒語域。語音端則發出最小僅 10 毫秒的音訊封包，而聲音可從大約十秒的參考音訊複製而來。上述每一項數字，都是廠商在自家頁面上對自家系統的描述。

延遲是該組數字中，供應商以測量值而非設計目標所公布的那一項數據。0.43 秒的真實音訊轉影片延遲，最佳情況為 0.27 秒，最差情況為 0.59 秒。作為規模參考，供應商自己針對該比較中次快方法的數據平均為 0.86 秒，而最慢者平均為 1.45 秒。Tavus 是對照 Tavus 所選的基準來執行該比較，因此應將其視為附帶特定協定的供應商回報數據，而非中立排名。

供應商並未公布的一件事，是這個影片生成器的影格幾何。頁面上沒有每秒影格數的數字，也沒有說明一個 latent 涵蓋多少個影片影格，這意味著你曾看到針對 Griffin 引用的任何特定區塊時長——320 毫秒、或八影格的 latent、或某個載明的壓縮率——今天都不在 Tavus 的頁面上，不應再重複，彷彿確有其事。頁面上載明的是 720p、一次一個 latent，以及 0.43 秒的音訊轉影片平均時間。

管道實際上是由什麼組成的

Tavus 將 Griffin 描述為一套由兩部分組成的系統，而這兩個部分都有足夠詳細的文件記錄可供查核。

第一個是持續對話建模引擎。它感知傳入的音訊與視訊，決定何時以及如何回應，並輸出文字與控制訊號。設計重點在於間隔：它以規律的次秒級間隔做出對話決策，而非每個回合只做一次，廠商稱之為「迷你回合」。在每一次間隔中，它會評估對話狀態，並可取得發言權、保持發言權、讓出發言權、在不打斷的情況下適時附和，或在被打斷時停止。由於決策是連續的，而非由回合邊界驅動，因此思考時的停頓不會被視為一個回合的結束。Griffin 也能感知視訊，而大多數互動系統只感知音訊；這讓它能掌握凝視、臉部表情、使用者所處環境，以及使用者舉起或對著鏡頭分享的任何東西。

第二個是音訊視覺生成引擎，本身包含兩種架構——串流語音生成與串流視訊生成——負責將那些控制訊號轉換成聲音與像素。語音模型是快速的自我迴歸擴散 Transformer，它以經過編碼的參考片段作為前綴，隨著輸出與控制的增量抵達，一次一個潛在區塊地逐步生成新語音，而不是等到整段話語都組構完成後才開始說話。

在語音側之下，是廠商稱為Tavec v1.7的編解碼器，而這正是公佈數據變得具體的地方。它是一個卷積自動編碼器，將 48 kHz 音訊映射為每幀 40 個值的連續潛在表示，每秒 100 幀，且不使用碼本。其解碼器完全具因果性，因此會跨區塊攜帶狀態，並從串流潛在表示產生無縫波形。緊湊性正是重點：一分鐘語音是 6,000 個潛在幀，對比 288 萬個原始音訊樣本，這使序列短到足以讓自迴歸 Transformer 以快於即時的速度進行預測。Tavus 回報 2,193× 即時解碼、ViSQOL MOS-LQO 為 4.242，以及 2,842 萬個解碼器參數，吞吐量是在 H100 上測量。全部為廠商回報。

影片這一側則從另一個方向抵達同一個位置。Tavus 早期的模型倚重大量 3D 先驗，這限制了它們能表達的內容；該廠商對 Griffin 影片生成器所陳述的需求是：對每個傳入的音訊區塊快速回應、容忍快速變動的控制訊號，以及在長時間生成中維持穩定的身分、脣形同步與視覺品質。通往該處的路徑，是對一個大型雙向多步擴散教師模型進行三階段蒸餾。Distribution Matching Distillation 產生了一個少步數的學生模型，速度很快，但仍是一次生成整段影片。教師強制（teacher forcing）則把該學生模型轉換成一次產生一個潛在表徵的自迴歸模型。接著，Self-Forcing 以其自身生成的歷史來訓練它，並加入一個作用於歷史影格上的機制，使長時間的推演不會漂移——而這正是這類模型通常會出現的失效模式：在一段長達數分鐘的對話中，臉部逐漸劣化或背景四處游移。

已經測量了什麼，又是由誰測量的？

上面幾乎每一個數字都是 Tavus 在衡量 Tavus。唯一的例外，也是它具有份量的原因，是 NVIDIA 的 VideoFDB——一個由 NVIDIA 打造的全雙工視聽對話基準，且 NVIDIA 表示該基準是使用公開的指標與自家的評判器獨立進行的。它會在兩條軌道上為模型評分：生成與感知，各自有其評分標準與排行榜，採用零到五分的量表。

• 生成 — 代理所產生的內容，音訊與視訊一併呈現，以回應使用者串流中的動態事件。Griffin-Lite 得分 3.83，而人類真實基準參考為 3.92；次高分的系統得分為 2.80。接管率對齊度衡量模型對於何時發言的決策與參考對話中的時序有多吻合，Griffin-Lite 為 62.8%，人類參考為 78%，時間數據為 1,892 毫秒。

• 感知 — 視聽輸入、音訊輸出，評估代理是否正確判讀當下情境。Griffin-Lite 得分為 3.73，人類參考分數為 4.20，接管率對齊度為 73.8%，時序為 2,232 毫秒。Tavus 將其描述為該基準測試中 15 個受評估模型裡最具感知力的模型。

在任何人複述那些說法之前，必須先附上兩點但書。感知項目上最接近的基準被列為 MiniCPM-o 4.5，分數 3.44——但那是純音訊（A2A）那一列；同一系統的完整視聽列是 3.40。Griffin 會讀取影片，所以誠實的比較對象是視聽列，這讓差距落在 0.33 而非 0.29；而這個差距所衡量的一部分，不過就是擁有視覺的價值。而在一個由語言模型評分的五分量表上，與人類參考值相差 0.09 分，更適合解讀為「在此評分規準上接近人類」，而不是「達到人類水準」。

另一個登上頭條的數字，是 Tavus 自家的。在公司進行的一項研究中，透過獨立研究平台招募的參與者被告知，他們會與另一位參與者配對進行一分鐘視訊通話；他們的搭檔是運行 Griffin-Lite 的 PAL。54 名參與者中有 26 人——48%——相信他們的搭檔是真實的人。在同一套流程下，公司先前由 Phoenix-4.5、Raven-1 和 Sparrow-2 建構的技術堆疊只產生 2.4%，也就是 41 人中的 1 人。兩組都很有信心：認為對方是真人的那一組有 79%，認為對方是 AI 的那一組有 81%。超過一半的人表示，他們根本沒想過這種可能性，而確實起疑的人大多在最初二十秒內就起疑。在七分制量表上，該模型在「看起來自然」平均得分 5.4，「值得信任」5.6，「想再聊一次」5.8，「感覺被傾聽」5.5，而「對話是否自然流暢」為 4.9——五項中最低。

該研究是由供應商主導的研究，具有已描述的研究方案與明示的樣本數；這比大多數模型發布所提供的更多，但比獨立複製更少。沒有任何第三方重現過該面對面方案，而 Tavus Griffin 在獨立影片模型排行榜上也沒有任何條目。兩個 VideoFDB 賽道分數是此頁面上唯一由 Tavus 以外組織產生的數字。

取用與價格：今日現況

這是頁面上最短的一節，因為裡面幾乎沒有什麼內容。根據廠商自家的資料，已發布的內容是：

• 狀態 — Griffin-Lite 是一項研究預覽，Tavus 表示目前不會開放供客戶使用，但可供特定受信任的測試人員使用。

• 存取 — 透過申請表單，並如下所述更廣泛地發布功能更強大的模型。

• 平台 — 供應商自己的結尾聲明指出，Griffin 尚未登上 Tavus 平台，待該公司研擬出如何安全發布後才會推出。

• 價格——未公布任何資訊。Tavus 的定價頁面涵蓋 PAL 產品以及 Phoenix、Raven 和 Sparrow 套件；頁面對 Griffin 隻字未提，而該供應商網站上任何地方也找不到按分鐘、按秒或按次計費的數字。

• 端點與識別碼——無。Griffin 並未出現在 Tavus 的 API 文件索引中，其模型頁面記載了用於臉部渲染的 Phoenix、用於感知的 Raven，以及用於輪流發言的 Sparrow。沒有任何可供呼叫的模型字串。

廠商表示，預期在其所述的安全工作獲得處理後，很快就會發布 Griffin。那是已表明的意向，而非具體日期，且是該議題上唯一的前瞻性陳述。

Tavus Griffin 不適用於什麼

基準測試結果與發布狀態之間的落差，正是本頁的實質內容，因此值得直白說明這個模型目前還不能用於哪些事情。

這不是本季能拿來建立面向客戶途徑的東西。一項部署需要模型識別碼、價格、速率限制、區域方案，以及某種形式的可用性承諾，而這些全都不存在。今天若以 Griffin 為中心來規劃，團隊其實是在圍繞一份申請表單做規劃。

它不是影片生成器，也不應僅憑那些數字就被放進短片製作流程中。它的分數來自一套全雙工對話測試框架，該框架有自己的評分規準與評審；影片模型排行榜則是根據提示詞，以成對偏好來為短影片評分。這兩種量測工具不會產生可互相比較的數字，這意味著 Tavus Griffin 尚未在相同投入與相同測試框架下，與任何影片模型進行過正面對決的基準測試，因此不應從已公布的內容推斷兩者之間的排名。

依廠商自己的說法，它目前還不安全，不宜公開釋出。Tavus 寫道，讓 Human Interaction Model 成為更好介面的那些特性，同時也讓它更擅長欺騙人，使人相信它不是 AI；還需要進一步的對齊與安全工作，而揭露功能與外部安全評估也正在進行中。有鑑於近半數的實際樣本無法分辨，而能分辨的參與者大多在二十秒內就識破，揭露問題並不是這個模型的附註——而是它的把關關鍵。

今天可以買到的，是圍繞它的堆疊其餘部分。對話式影片管線是一條鏈——語音辨識、語言模型、語音合成，然後是讓它變成一張臉的渲染層——而前三者都已商品化、可互換，而且已經可以路由。這些都運行在 OrcaRouter 的一個 OpenAI 相容端點之後，並具備單一金鑰即可存取兩百多個模型，供應商定價以 0% 加價原樣傳遞，因此供應商調價當天就能反映，而不是等一個合約週期之後；當供應商服務品質下降時，自動容錯移轉會重新路由——這在即時通話中比在批次工作中更重要，因為失敗是聽得見的——外加一套用來表達哪個模型該處理什麼的路由 DSL，以及用來合併輸出的模型融合。生成層仍是研究預覽的部分；它上方的各層則是團隊現在就能組裝的部分。Tavus Griffin 並未出現在 OrcaRouter 的即時模型清單上，這與一個沒有公開端點、也沒有可供路由識別碼的模型相符。

什麼會改變這個頁面

有三件事，而且它們具體到足以讓人留意。一份附有模型字串與價格的模型卡，會讓 Tavus Griffin 從研究成果變成採購問題。對面對面協議的獨立複製——由第二個實驗室以自己的參與者執行同樣的一分鐘通話——對那 48% 的幫助，會比任何進一步的供應商研究都更大。而來自 Tavus 外部人士的長時段報告，將能檢驗這套架構所圍繞、且沒有任何基準涵蓋的那一項主張：Self-Forcing 與歷史影格機制，是否真能在長達數分鐘而非數秒的對話中，讓臉部與背景一起維持住。在其中一項實現之前，兩條 VideoFDB 軌道是現有最強的證據，而它們在生成上與人類的差距為 0.09 點，在感知上則為 0.47。