Tavus Griffin: Modelo de vídeo corta atraso em conversas

A startup troca a cadeia fragmentada de voz e texto por uma rede única de vídeo bidirecional; versão preliminar convenceu quase metade dos voluntários em chamadas de um minuto.

Em 1º de outubro de 2026, a startup Tavus anunciou o modelo Tavus Griffin, projetado para manter conversas de vídeo face a face em tempo real. Em vez de encadear ferramentas separadas para ouvir, transcrever, processar texto, gerar áudio e animar lábios, o sistema recebe e gera vídeo e áudio sincronizados em fluxo contínuo de ponta a ponta. A desenvolvedora ainda não abriu o acesso geral: por enquanto, liberou apenas uma versão preliminar de pesquisa, o Griffin-Lite, para um grupo restrito de desenvolvedores.

Como o modelo Tavus Griffin substitui pipelines em cascata

Conversar com um avatar digital costuma ser uma experiência truncada. Na maioria dos serviços, a fala do usuário vai para um transcritor, o texto passa para um modelo de linguagem, a resposta escrita segue para um sintetizador de voz e um software final move a boca do personagem sobre uma imagem estática. Essa sequência em cascata acumula segundos de silêncio incômodo. O atraso quebra o ritmo da conversa, inviabiliza interrupções naturais e elimina reações espontâneas.

O Griffin propõe cortar essas etapas intermediárias. Segundo a documentação técnica da Tavus, a arquitetura processa diretamente os sinais de câmera e microfone do usuário e devolve quadros de vídeo e áudio sincronizados. Com um modelo conversacional contínuo que toma decisões em frações de segundo, o sistema monitora pausas, percebe movimentos visuais e corta a própria fala quando a outra pessoa começa a falar.

Desempenho no VideoFDB e o teste de Turing interno

Para medir o desempenho da arquitetura, a Tavus submeteu o Griffin-Lite ao Video Full-Duplex Benchmark (VideoFDB), teste independente mantido pela NVIDIA avaliado em uma escala de 1 a 5. Na trilha de geração de vídeo, o modelo alcançou 3,83 pontos, aproximando-se da referência humana de 3,92 e superando a combinação de Gemini 2.5 com Anam (2,80). Na trilha de percepção, atingiu 3,73 pontos, contra 4,20 do referencial humano.

A empresa também realizou um teste cego de Turing com 54 participantes em chamadas de vídeo de um minuto. No experimento, 48% das pessoas (26 voluntários) relataram acreditar que falavam com uma pessoa de verdade. No modelo anterior da Tavus, o Phoenix-4.5, essa taxa havia sido de apenas 2,4% em um grupo de 41 pessoas.

O avanço chama a atenção, mas os números exigem cautela. O teste de Turing foi conduzido internamente pela própria Tavus, sem revisão independente por pares, com uma amostra modesta de 54 voluntários e restrito a interações de apenas 60 segundos. Manter essa ilusão de naturalidade durante um diálogo longo, técnico ou sujeito a oscilações de conexão ainda é uma questão em aberto.

Renderização de cena completa e clonagem de voz

Diferente de geradores que apenas colam movimentos labiais sobre uma foto estática, o Griffin renderiza todos os pixels do quadro a partir de uma única imagem de referência. O modelo calcula a iluminação do ambiente, sombras e a movimentação de pescoço, tronco e mãos. Na parte vocal, um motor de difusão consegue clonar a voz do interlocutor a partir de uma gravação de 10 segundos.

Limites práticos, infraestrutura e acesso

Apesar das demonstrações técnicas, o Griffin ainda não é um produto aberto ao público. A Tavus colocou o Griffin-Lite sob lista de espera com aprovação manual para desenvolvedores e não estabeleceu data de lançamento para o modelo completo em sua API comercial.

As escolhas de engenharia mostram para onde as interfaces conversacionais caminham: vídeo interativo em tempo real sem o atraso das ferramentas antigas. O principal gargalo prático, contudo, continua sendo a infraestrutura. Gerar quadros de vídeo em tempo real por modelos de difusão exige poder computacional massivo em GPUs, e a Tavus não divulgou a estrutura necessária para sustentar a operação em larga escala. O modelo completo também permanece retido enquanto a empresa calibra salvaguardas contra clonagem não autorizada e deepfakes.