Il 1 ottobre 2026 Tavus ha presentato Griffin, il modello che chiama primo Human Interaction Model (HIM). In uno studio interno, 26 partecipanti su 54 hanno creduto di aver parlato con una persona dopo una videochiamata di un minuto. La versione in circolazione è Griffin-Lite, research preview per tester selezionati, non un’API.
Un HIM, nella definizione di Tavus, non è un talking head agganciato a un LLM. È un sistema video-to-video full-duplex: ascolta mentre parla, legge segnali non verbali e genera il frame. Il post è firmato da Hassaan Raza, co-founder e CEO, e da Ioannis Patras, head of research.
Cosa fa un Human Interaction Model
Griffin unisce due motori che girano insieme. Il continuous conversational modeling legge audio e video, decide se parlare, tacere o intervenire, e emette controlli su tono, sguardo, espressione e gesto. L’audio-visual generation li trasforma in voce e immagine nello stesso mini-turno, sotto il secondo.
La voce è un diffusion transformer autoregressivo (VDiT) condizionato da circa 10 secondi di audio del parlante. Il codec Tavec mappa audio a 48 kHz in un latente continuo, senza codebook, e il decoder causale emette pacchetti fino a 10 ms. Il video è un generatore diffusion a pochi step: un’immagine di riferimento, audio in streaming e controlli producono un latente alla volta, in 3 step. Il VAE comprime il tempo di 8 volte, quindi un latente è un chunk da 320 ms a 720p e 25 fps. La distillazione è in tre fasi: distribution matching da un teacher bidirezionale, teacher forcing autoregressivo, poi self-forcing per roll-out lunghi senza drift. Tavus indica una latenza audio-to-video media di 0,43 secondi su H100, senza lookahead. Infrastruttura della preview: Baseten, Daily e Cerebrium, con collaborazione di ricerca della Queen Mary University of London.
Rispetto allo stack a cascata Phoenix-4.5, Sparrow-2 e Raven-1, il modello non aspetta la fine del turno. Può fare backchannel, essere interrotto e riprendere, e reagire a ciò che vede, non solo alla trascrizione.
Il 48% e cosa misura davvero
I partecipanti, reclutati da una piattaforma di ricerca non nominata, credevano di essere abbinati a un’altra persona per un minuto sul tema «cosa aspetti di quest’anno». Il partner era un PAL su Griffin-Lite. Solo dopo dovevano dire se fosse reale.
- Griffin-Lite: 26 su 54, il 48%, con confidenza media del 79% tra chi ha detto «persona».
- Phoenix-4.5 + Sparrow-2 + Raven-1: 1 su 41, il 2,4%.
- Chi ha detto AI era sicuro all’81%. Oltre la metà non ha sospettato durante la call; chi ha dubitato lo ha fatto in genere entro 20 secondi.
- Su scala 1-7: naturalezza 5,4, fiducia 5,6, voglia di riparlare 5,8 (5,4 anche tra chi lo ha riconosciuto come AI).
Tavus parla di primo modello a passare il video Turing test. Il protocollo non è quello del 1950: il giudice non sapeva che una delle due parti potesse essere una macchina, il campione è piccolo e la chiamata è brevissima. Il 48% è anche appena sotto il caso. È un salto rispetto al 2,4% interno, non una certificazione indipendente.
VideoFDB: vicini all’umano in generation
VideoFDB di NVIDIA valuta conversazione audio-visiva full-duplex su 237 clip diadiche e 11 dinamiche non verbali. Un giudice LM assegna punteggi 0-5. Paper: arXiv:2605.30256. NVIDIA ha valutato Griffin-Lite a settembre 2026.
Generation, voce e volto del sistema, secondo i numeri pubblicati da Tavus sull’eval NVIDIA:
- Griffin-Lite: 3,83
- Riferimento umano: 3,92
- Gemini 2.5 + Anam: 2,80
- Allineamento takeover-rate: 62,8%, il più alto tra i sistemi valutati
Perception, se la risposta usa ciò che il modello vede, sulla leaderboard NVIDIA:
- Griffin-Lite: 3,73 (fluency 3,60, flow 3,67, visual grounding 3,92)
- Umano: 4,20, timing 90% / 1.400 ms
- MiniCPM-o 4.5 audio-only: 3,44
- Gemini 2.5 Flash Native: 3,17
- Timing Griffin-Lite: 73,8% / 2.232 ms
Il «37% avanti» del post è il divario 3,83 contro 2,80, non un secondo punteggio. Griffin è l’unico modello valutato su entrambi i binari AV2AV. Parte dei baseline è audio-only, quindi il confronto di perception non è simmetrico. In generation è a 0,09 dal riferimento umano; in perception il gap resta 0,47, e risponde più lento di MiniCPM-o.
Safety, e cosa si può usare oggi
Tavus scrive che un modello scambiabile per una persona non va in mano ai clienti finché disclosure e allineamento non sono pronti. Griffin-Lite si richiede da tester fidati. Sul sito, i PAL in produzione restano Phoenix per il volto, Raven per la percezione e Sparrow per il turno di parola, la base usata da circa 150.000 sviluppatori.
Il film di lancio, con una PAL di nome Vanessa, è su YouTube. Non ci sono prezzi, data di API né pesi aperti.
Per chi costruisce agenti video il salto è il duplex unificato, non il claim sul Turing test. Per chi valuta il rischio, il punto è l’opposto: se in un minuto quasi metà del campione non sospetta, l’etichetta visibile non è un dettaglio di prodotto.
Fonti
Testo: assistito da AI · revisionato da Carlos H. P. Ross
