Griffin by Tavus

Griffin hört zu, während es spricht. Es kann den Turn halten, abgeben oder stoppen, wenn Sie dazwischenreden, und verfolgt das Gespräch während der eigenen Antwort weiter. Tavus hat das als durchgehende Schleife gebaut und nicht als Übergabe von Turn zu Turn. Darum beendet eine Pause in Ihrem Satz nicht automatisch Ihren Redebeitrag.

Das Modell erzeugt jedes Pixel im Bild aus einem einzigen Referenzfoto. Das umfasst Gesicht, Hände, den Stuhl, auf dem die Person sitzt, Schatten und Hintergrund. Die meisten Avatar-Systeme bewegen einen freigestellten Kopf, sodass eine bewegte Hand die Illusion zerstört. Griffin hat diese Nahtstelle nicht.

Das Video kommt als Echtzeitvideo in 720p aus dem laufenden Anruf, ein Latent nach dem anderen. Tavus hat auf einer H100 im Schnitt 0,43 Sekunden für das kleinste Videostück gemessen, im besten Fall 0,27 Sekunden. Im Gespräch zählt der Abstand zwischen Ihrer Unterbrechung und der Reaktion des Gesichts, und eine halbe Sekunde wirkt bereits aufmerksam.

Griffin nimmt Video auf, nicht nur Ton. Es erfasst Blickrichtung, Mimik, Gesten und Gegenstände, die Sie in die Kamera halten, und liest einen geteilten Bildschirm. So reagiert es, wenn Sie ein defektes Teil hochhalten oder zum Nachdenken wegschauen, statt nur das Transkript Ihrer Worte zu beantworten.

Das Modell ändert Ton, Ausdruck und Gestik mit dem Kontext des Gesprächs. Es lacht im richtigen Moment, wird ernst, wenn das Thema kippt, und bestätigt mit nonverbalen Signalen, was Sie gesagt haben. Tavus hat diese Verhaltensweisen im selben System trainiert, das über den Inhalt entscheidet, nicht als nachträglich aufgesetzte Schicht.

Der Sprachgenerator von Griffin klont eine Stimme aus etwa zehn Sekunden Referenzaudio. Er läuft auf Tavec, dem Audiocodec von Tavus, der in Paketen von bis zu 10 Millisekunden streamt. Wer einen eigenen Marken-Avatar baut, spart sich mit dieser kurzen Probe eine Aufnahmesitzung.