Griffin, da Tavus: a primeira IA a passar no teste de Turing por vídeo (48% foram enganados)

Autoria: Prompt Engineer 48 · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Griffin by Tavus: The First AI to Pass the Video Turing Test (48% Fooled) · Canal: Prompt Engineer 48 · 16:31 · Assistir no YouTube

Tópicos: Agentes de IA, Avaliação e benchmarks de IA, Segurança de IA

Resumo

O vídeo apresenta Griffin, um modelo da Tavus para interação humana em tempo real, capaz de gerar vídeo e áudio enquanto acompanha expressões, pausas e contexto visual. Demonstra recursos como conversas simultâneas, geração de cenas completas, percepção visual e compreensão temporal. O apresentador explica a arquitetura e os resultados de avaliações, incluindo um teste em que 48% dos participantes acreditaram estar falando com uma pessoa. Como esses recursos também podem levar alguém a pensar que a IA não é uma IA, Griffin Light está disponível apenas para testadores selecionados enquanto a Tavus trabalha em medidas de divulgação segura.

Pontos-chave

Griffin é apresentado como um modelo de interação humana que percebe e gera áudio e vídeo em tempo real.
Em vez de esperar o fim de cada fala, o sistema avalia a conversa em intervalos inferiores a um segundo e pode interromper, reagir ou esperar.
As demonstrações mostram expressão emocional, geração de corpo e cenário, percepção de objetos e acompanhamento de pausas.
A arquitetura combina um mecanismo de modelagem conversacional com mecanismos de geração de áudio e vídeo.
Segundo o vídeo, 48% dos participantes de uma chamada de vídeo de um minuto disseram acreditar que Griffin era uma pessoa real.
Griffin Light é uma prévia de pesquisa e ainda não está disponível para clientes; a Tavus afirma estar desenvolvendo recursos de divulgação segura.

Capítulos

Início	Capítulo	Resumo
00:00	Apresentação de Griffin e demonstração inicial	O vídeo mostra uma chamada gerada por Griffin e introduz a ideia de que a interação com uma máquina pode se parecer com uma conversa humana.
02:03	Por que a Tavus criou Griffin	O apresentador explica as limitações dos sistemas em cascata e a proposta de uma interação contínua que considera voz, expressões e pausas.
04:41	Demonstrações das capacidades	Clipes ilustram expressão emocional, geração de cenas, conversa full-duplex, percepção visual e compreensão do tempo.
10:51	Arquitetura e geração de áudio e vídeo	O vídeo descreve os mecanismos conversacionais e de geração, além das técnicas usadas para produzir áudio e vídeo em baixa latência.
12:54	Benchmarks e teste com participantes	São apresentados resultados de latência e benchmarks, junto ao estudo em que 48% dos participantes acreditaram conversar com uma pessoa.
14:58	Segurança, disponibilidade e próximos passos	O apresentador aborda os riscos de enganar usuários, o acesso restrito a Griffin Light e os exemplos de aplicações futuras.

Citações

A linha entre falar com uma máquina e simplesmente falar com alguém está ficando muito, muito tênue. — 01:33

As máquinas não entendem isso. Elas nos fazem aprender a linguagem delas: o comando certo, o clique certo, o prompt certo. — 03:06

26 deles, ou seja, 48%, disseram que era uma pessoa real. — 14:27

As mesmas propriedades que fazem desta uma ótima interface também permitem que ela engane uma pessoa, levando-a a acreditar que não é uma IA. — 14:58

Conceitos e entidades

Griffin (modelo): Modelo da Tavus para perceber e gerar interações humanas por áudio e vídeo em tempo real.
Griffin Light (modelo): Versão de pesquisa de Griffin apresentada no vídeo, disponível apenas para testadores selecionados.
Tavus (empresa): Empresa que desenvolveu Griffin e os demais produtos mencionados no vídeo.
Hassan Raza (pessoa): Cofundador e CEO da Tavus, mostrado conversando com Griffin.
Ioannis Patras (pessoa): Chefe de pesquisa da Tavus, citado no anúncio de Griffin.
Tavic (ferramenta): Codec de áudio descrito como parte da tecnologia usada por Griffin.
VDT (conceito): Transformer de difusão autoregressivo usado por Griffin para gerar fala progressivamente.
Phoenix (modelo): Modelo da Tavus mencionado como responsável por gerar o rosto na plataforma descrita no vídeo.
Raven (modelo): Modelo da Tavus descrito como responsável por ver e compreender o usuário.
Sparrow (modelo): Modelo da Tavus descrito como responsável por decidir quando falar.
NVIDIA (empresa): Empresa citada por conduzir uma avaliação independente e por contribuir para o benchmark mencionado.
teste de Turing por vídeo (conceito): Avaliação em que participantes tentam distinguir uma pessoa real de uma IA durante uma chamada de vídeo.

Tradução completa (pt-BR)

00:00 Certo. Neste vídeo, vamos conhecer Griffin, o novo modelo da Tavus. E vocês podem ver aqui que esta é uma videochamada ao vivo, e a mulher na tela do laptop não é uma pessoa. Cada pixel dela é gerado por Griffin em tempo real. Vamos assistir primeiro à conversa completa. >> Certo, vamos nessa. >> Oi, Hassan, como vai? Está bem tarde aí para você. Pensou mais em como vamos apresentar Griffin? >> Hum, não sei. Quais são as suas ideias?

00:30 >> Bem, acho que deveríamos parar de tentar explicar e simplesmente, sabe, mostrar como ele é. >> Você acha que deveríamos mostrar uma gravação nossa conversando ou algo assim? >> Acho que um vídeo só de nós dois, assim, seria a melhor maneira de provar de verdade. >> Você acha que vão acreditar que você é uma IA? >> Acho que esse é justamente o objetivo, não é? Se for bom o bastante, nem vão precisar pensar nisso. >> E que tal só fazer um sinal de positivo? >> Claro, um sinal de positivo vindo aí. >> Poxa, isso foi incrível. Eu diria que

01:02 você é meu colega de trabalho favorito. [música] Foi muito bom trabalhar nisso com você. >> Você está me deixando corada. Ah, quem é aquele com o suéter feio? >> É, fui eu que dei esse presente. >> É, dá mesmo para perceber. >> Ah [risos], meu Deus, está bem. >> 1%? Você está vivendo no limite, Hassan. De verdade. Vou manter a respiração estável para não gastar sua CPU mais rápido. >> Nossa, você realmente desacelerou a respiração. >> É como se a linha entre conversar com uma máquina e simplesmente

01:33 conversar com alguém estivesse ficando muito, muito tênue. >> É, realmente parece que estamos prestes a passar no teste de Turing. >> Mas, sinceramente, se queremos que as pessoas vejam o lado humano da simulação, talvez essa seja a coisa mais real que poderíamos mostrar a elas. O que você acha? É demais? >> Não, não. Eu… >> Então, esse era Hassan, o CEO da Tavus, conversando com Griffin. Ninguém está lendo um roteiro, e, quase no fim, ele diz que a linha entre conversar com uma máquina e simplesmente conversar com alguém está

02:03 ficando muito, muito tênue. É uma afirmação e tanto, então vamos examinar a página com atenção. Griffin é o primeiro modelo de interação humana do mundo, ou HIM. É uma nova classe de modelo criada para compreender e gerar interações humanas cara a cara, em tempo real. Ele escuta enquanto fala e presta atenção às expressões e às pausas, não apenas às palavras. Aqui estão os três números no topo da página. 48% das pessoas acreditaram que Griffin era uma pessoa real depois de uma videochamada de 1 minuto. Ele está em primeiro lugar no teste independente da Nvidia para IA de interação cara a cara e supera em 37%

02:36 a segunda melhor IA na capacidade de reagir no momento. O anúncio foi feito em 1º de outubro de 2026, em San Francisco, por Hassan Raza, cofundador e CEO, e Ioannis Patras, chefe de pesquisa. E vale lembrar que o que temos hoje é Griffin light, uma prévia de pesquisa, e um modelo mais poderoso será lançado depois. Então, este é o plano. Primeiro, por que eles o criaram. Depois, vamos assistir aos clipes de demonstração da página, um por um. Em seguida, veremos como ele foi desenvolvido, os benchmarks, a parte de segurança e o que vem por aí. Vamos começar pelo motivo. Em sua mensagem, Hassan diz: “Os seres humanos são

03:06 feitos para se comunicar cara a cara. Comunicamos tanto por meio de expressões, tom de voz, gestos e ritmo quanto por meio de palavras. As máquinas não entendem isso. Elas nos obrigam a aprender a linguagem delas: o comando certo, o clique certo no botão, o prompt certo.” Depois, ele lista os pequenos momentos que tornam cansativo conversar com IA. Você compartilha algo pessoal e o rosto continua sorrindo, ou uma máquina fria diz: “Sinto muito por isso.” Você faz uma pausa para pensar e ela interrompe, sem ter o contexto completo; ou ela precisa de tempo para responder, e nada em seu rosto indica que está trabalhando nisso. Cada um desses momentos, diz ele, significa que você está gerenciando a

03:38 máquina. Você ajusta seu ritmo, simplifica sua linguagem, lembra de não deixar silêncios. O que a Tavus quer é que a computação se torne invisível, para que, numa ótima conversa, você nem pense na conversa. Agora, por que isso acontece? A maior parte da IA em tempo real funciona como uma cadeia de etapas, que eles chamam de cascata. Um sistema transcreve sua fala, um modelo de linguagem responde à transcrição e outros sistemas transformam essa resposta de volta em voz e rosto. Cada transferência acrescenta atraso e descarta informações como seu tom de voz ou o que aparece na câmera.

04:10 Griffin substitui essa cadeia por um único modelo de vídeo para vídeo full-duplex. A percepção decide quando e como responder, enquanto a geração de fala e vídeo expressivos acontece ao mesmo tempo. Ele nunca para de pensar. A cada miniturno de menos de um segundo, decide se deve falar, reagir ou esperar. A página mostra quatro coisas que isso possibilita. Ele diz: “Hum, aham.” Enquanto você ainda está falando, responde sem deixar silêncios. Para no momento em que você o interrompe e reage a algo que vê. Vamos ver tudo isso nos clipes. Primeiro,

04:41 capacidade: modelagem de comportamento e emoções. Griffin aprendeu a expressar emoções e gestos de acordo com o contexto. Ele ri, muda o tom de voz e reage ao que a outra pessoa diz. Neste clipe, Rudy conta a Vanessa que foi promovido. Ouça como ela reage antes mesmo de ele terminar. >> Hum, a promoção. Não me deixe na expectativa. >> Então, tá. >> Entendeu? >> Basicamente, sim. Entendi. >> Meu Deus, sim. Que incrível. >> É, estou muito feliz. >> Todos aqueles meses de esforço finalmente

05:11 valeram a pena. >> Eu sei. E agora vem uma das melhores partes: não preciso mais trabalhar com Vikram. Ele saiu da minha vida. Finalmente posso me mudar. Segunda capacidade: geração completa da cena, e essa é realmente incrível. Griffin gera cada pixel de cada quadro em tempo real a partir de uma única imagem de referência, não só o rosto, os braços e os dedos, mas também o movimento da cadeira, as sombras e o fundo atrás das pessoas. Vamos jogar uma rodada de Simon Says. >> Está bem. >> Espera, o quê? >> [risos] >> Certo, Simon diz para acenar com a mão. >> Estou fazendo isso.

05:41 >> Ah, legal. Simon diz para tocar no rosto. >> Está bem, lá vou eu. Você consegue tocar no queixo? Espera, você não disse “Simon diz”. Não vou cair nessa, Vanessa. Não, boa tentativa. >> Então, dá para ver que ela acena, toca no rosto e, quando a pessoa não diz “Simon diz”, ela percebe o blefe. Cada movimento é gerado na hora, incluindo o corpo e o fundo. Terceira capacidade: conversa full-duplex. Griffin continua avaliando o estado da conversa

06:12 independentemente dos turnos. Ele pode interromper, fazer comentários breves enquanto o outro fala ou ser interrompido sem perder o fio da conversa. Aqui, Ari e Griffin inventam uma história juntos e vão interrompendo um ao outro. >> Oi, Vanessa. Então, estou trabalhando num conto, sabe? E estou pensando em fazer algo como um drama político entre duas colônias diferentes em Marte. >> Drama? É bastante coisa para desenvolver num conto. Estamos falando de espionagem governamental de alto risco ou só de pessoas discutindo numa sala de reunião? >> Não, não, espionagem de alto risco, colonização de Marte.

06:43 Estamos lutando por recursos, mas não sei bem por que as duas facções estão realmente lutando. >> É a peça que está faltando? >> Isso mesmo. >> Lutando por… Então, se for apenas uma disputa genérica por recursos… >> Reparem que Griffin rebate a ideia, pergunta se é espionagem governamental ou só gente discutindo numa sala de reunião e, depois, sugere que uma facção considera o recurso sagrado, enquanto o outro lado simplesmente o desperdiça. Ninguém esperou o outro terminar o turno. Quarta capacidade: percepção. Griffin vai além das palavras e reage ao contexto visual quando

07:14 faz sentido. Neste clipe, ele orienta Ari a montar um cubo mágico. Observa o cubo enquanto ele o gira, continua dando sinais de que está acompanhando enquanto ele trabalha e, quando ele faz uma pausa no meio da resolução, espera até que esteja pronto. >> Oi, Vanessa. Hum, estou tentando resolver este cubo mágico. Estou usando a estratégia clássica de três camadas. Já fiz as duas primeiras camadas, mas, nesta camada azul de cima, só tenho uma barra. >> Certo, vou ver o que temos. Vou começar pela sequência da cruz. Para facilitar, vamos fazer isso em etapas pequenas.

07:44 Primeira sequência, um. Gire o lado voltado para você 1/4 de volta no sentido horário. Dois. Gire o lado à sua direita 1/4 de volta no sentido horário. Três. Gire o lado voltado para cima 1/4 de volta no sentido horário. Me avise quando terminar. >> Isso. Estou pronto para a próxima. Ah, legal. Consegui uma cruz. Beleza. >> Legal. Deixa eu ver. >> Então, dá para ver o ritmo. Ele passa os movimentos em pequenos grupos e espera ele dizer que está pronto. Aí vê a cruz azul e diz que está ficando bom. Vamos pular para o final e ver como termina. >> Lado voltado para cima, 1/4 de volta no sentido horário. >> Ah! Uau! >> Agora, mostre a face de cima para eu ver como estão as arestas. >> Vanessa, conseguimos. >> Meu Deus, você conseguiu mesmo. >> Aqui está outro exemplo. Uma professora está praticando um jogo de contar histórias em que os alunos mostram objetos para incluí-los na história. No meio da atividade, alguém ergue um brinquedo, e Griffin o inclui no enredo

08:15 na linha seguinte, sem que ninguém peça. >> Quando estiver pronto, pode começar. >> Certo, ótimo. >> Acho que estamos no oceano e há um cardume de peixes em uma missão secreta, e eles têm um mapa, mas talvez não saibam… >> missão? Eles não estão apenas nadando; na verdade, são a agência de inteligência de elite submarina e estão tentando… >> E talvez eles se pareçam com isto. >> Mais um exemplo, e este é sutil. Ninguém

08:47 menciona isso, mas Britney parece aconchegada, e Griffin comenta. Então, percebeu o ambiente e mencionou isso como um amigo faria. >> Ei, Ben, como vai? >> Está… está indo muito bem, para falar a verdade. Só estou colocando algumas coisas em dia aqui em casa. E você? Parece que está num cantinho aconchegante. >> Sim, agora estou superaconchegada aqui. Só estou pensando no que devo fazer para o jantar. >> Última capacidade: compreensão temporal. Griffin entende o tempo como parte da conversa. Quanto tempo durou um silêncio, o que um silêncio prolongado significa

09:17 e quando voltar a falar por conta própria. Sagar está soldando uma placa-mãe, e o ferro de solda precisa de cerca de 12 segundos para aquecer. >> Certo, terminei de parafusar tudo de volta. O que faço agora? >> Certo, então o próximo passo é soldar o conector solto de volta na placa-mãe. >> [suspira] >> Certo, deixa eu… deixa eu pegar isso, mas antes, sim, liguei o ferro de solda. Acho que vai levar uns 12 segundos, então talvez você possa me avisar quando estiver pronto. >> Combinado. Vou ficar de olho e avisar

09:50 no instante em que completar esses 12 segundos. Ei, já se passaram 12 segundos, deve estar pronto. >> Beleza, já vou. Hum, eu… >> E dá para ver que ele fez o que disse. Ficou de olho no relógio e falou exatamente quando completaram os 12 segundos, sem que ninguém pedisse. Esse tipo de sincronização é muito difícil para um sistema baseado em turnos. Certo, então como ele é construído? Griffin é um sistema de duas partes. Primeiro, um mecanismo contínuo de modelagem de conversas, que

10:20 percebe o áudio e o vídeo recebidos, decide quando e como responder e produz sinais sobre o que deve ser dito e de que maneira. Segundo, um mecanismo de geração audiovisual, com geração de fala por streaming e geração de vídeo por streaming. O modelo de conversação toma decisões em intervalos regulares de menos de um segundo, não uma vez por turno. A cada intervalo, [limpa a garganta] ele analisa o que foi dito e o comportamento verbal e não verbal da pessoa, e decide o que dizer em seguida e como. A saída controla o tom emocional, a postura, a expressão facial e os gestos. Então, uma pausa para

10:51 pensar não é tratada como o fim do turno. A página tem um diagrama legal comparando os dois. A cascata baseada em turnos espera você terminar, depois executa ASR, depois o LLM, depois TTS e, por fim, o avatar; cerca de 1,5 segundo de silêncio passa antes que o rosto se mova. Com Griffin, a resposta começa antes de você terminar. E vale lembrar que a página diz que esses tempos são ilustrativos, não foram medidos em uma sessão real. Para a fala, Griffin usa um transformer de difusão autorregressivo rápido, que eles chamam de VDT. Ele é condicionado por um clipe de voz de

11:23 10 segundos e gera fala progressivamente conforme os sinais de controle chegam. Um decodificador causal emite pacotes de áudio de apenas 10 milissegundos. Então, começa a falar antes de a frase terminar e pode clonar uma voz a partir de cerca de 10 segundos de áudio. Por baixo disso, há um codec chamado Tavic. Ele mapeia áudio de 48 quilohertz para um espaço latente contínuo: 40 valores por quadro, 100 quadros por segundo e sem codebooks. São 6.000 quadros latentes por minuto, contra 2,88 milhões de amostras brutas. É pequeno e contínuo, então o modelo consegue prevê-lo

11:53 mais rápido do que em tempo real. Agora, o vídeo: os modelos anteriores da Tavus dependiam de priors 3D, o que significava não ter gestos amplos nem fundos dinâmicos. Griffin gera vídeo em 720p, em blocos de 320 milissegundos, em tempo real. Um latente corresponde a oito quadros a 25 quadros por segundo, com três etapas de difusão por latente, a partir de uma única foto de referência, além de áudio e controles transmitidos por streaming. Para chegar a isso, eles destilaram um grande modelo de difusão lento e com muitas etapas em três fases. Um: destilação por correspondência de distribuição em um modelo estudante com poucas etapas.

12:24 Dois: teacher forcing para torná-lo autorregressivo e permitir streaming. Três: self-forcing para evitar desvios em conversas longas. É assim que se consegue algo que seja bom e rápido. Agora, as avaliações. Eles testaram em três níveis: o gerador de vídeo isoladamente, o sistema completo no benchmark Video of DB da Nvidia e videochamadas ao vivo de um minuto com pessoas que não sabiam que estavam conversando com um modelo. Primeiro, a latência. Esse é o tempo entre a chegada do áudio e o vídeo mostrar seu efeito, em GPUs H100. Griffin Light tem média de 0,43 segundo,

12:54 metade do tempo do próximo método mais rápido. Como ele gera um único latente sem prejudicar a qualidade do áudio de baixa latência, fica em primeiro lugar no DOVER, em primeiro no FID e em primeiro no THEVAL, e em segundo no LSEC de sincronização labial, com 7,27. E gosto que eles sejam honestos sobre esse último resultado. Eles dizem que o LSEC recompensa movimentos exagerados da boca, algo que o THEVAL leva em conta. Depois, o Video of DB da Nvidia, executado de forma independente pela Nvidia. Na categoria de geração, Griffin marcou 3,83 de cinco.

13:26 O próximo melhor sistema, Gemini 2.5 com Anam, marcou 2,80, e a referência humana é 3,92. Então, ficou apenas 0,09 abaixo de um humano. Na categoria de percepção, Griffin marcou 3,73. Mini CPM Plexo 4.5 ficou com 3,44. Gemini 2.5 Flash Native ficou com 3,17, e o GPT Real Time da OpenAI, com 2,97. A referência humana é 4,20. Esse é o modelo mais perceptivo entre 15 modelos. E, em alinhamento da taxa de tomada de turno, é o melhor nas duas categorias. E agora, o número

13:57 do título: no estudo presencial, 54 pessoas fizeram uma videochamada de um minuto com um parceiro que, segundo lhes disseram, era outro participante. 26 delas, ou seja, 48%, disseram que era uma pessoa real. No sistema TAVAS anterior, Phoenix 4.5 com Sparrow 2 e Raven 1, foi 1 de 41. Isso dá 2,4%. Alguns detalhes desse estudo: mais da metade disse que nunca passou pela cabeça que pudesse ser uma IA. Quem desconfiou geralmente fez isso nos primeiros 20 segundos. E, numa escala de 7 pontos, as pessoas deram nota 5,4 para naturalidade,

14:27 5,6 para confiabilidade e 5,8 para vontade de conversar com ele novamente. A nota mais baixa foi 4,9 para fluidez natural, e também gosto que eles tenham divulgado isso. Agora, a parte que considero mais importante. A página diz que, como Griffin Light é o primeiro modelo a passar no teste de Turing, eles entendem a responsabilidade de agir com cautela. As mesmas características que fazem dele uma ótima interface também permitem que ele engane alguém, levando essa pessoa a acreditar que não é uma IA. Então, Griffin Light não está disponível para clientes no momento. Está disponível para testadores confiáveis selecionados como uma

14:58 prévia de pesquisa, e você pode enviar um formulário para solicitar acesso. Eles estão trabalhando em recursos de divulgação segura e com organizações que lidam com segurança de IA, e esperam lançar Griffin muito em breve, depois que essas preocupações forem abordadas. O que vem a seguir? Eles dão três exemplos. Um estudante tem um tutor que percebe quando uma explicação não está fazendo sentido e tenta explicar de outra maneira. Alguém no trabalho ensaia uma conversa difícil com uma contraparte que reage como uma pessoa real poderia reagir, e um cliente mostra uma peça quebrada para a câmera e encontra uma solução junto com ele

15:28 prévia de pesquisa, e você pode preencher um formulário para solicitar acesso. Eles estão trabalhando em recursos de divulgação segura e com organizações que enfrentam desafios de segurança de IA, e esperam lançar Griffin muito em breve, depois que essas preocupações forem resolvidas. O que vem a seguir? Eles dão três exemplos. Um estudante tem um tutor que percebe quando uma explicação não está fazendo sentido e tenta outra. Alguém no trabalho ensaia uma conversa difícil com um interlocutor que reage como uma pessoa real poderia reagir, e um cliente segura uma peça quebrada diante da câmera e descobre junto como consertá-la

16:00 sem saber como essa parte se chama. Agora, se você quiser criar algo hoje, Griffin ainda não está na plataforma TEOs, mas você pode criar PALS AI com quem se conversa cara a cara, usando os modelos que 150.000 desenvolvedores e empresas já usam. Phoenix gera o rosto, Raven vê e entende você, e Sparrow sabe quando falar. Há a API da TEOs e o PAL Maker, uma maneira de criar um PAL sem código. Os créditos vão para as equipes de pesquisa e engenharia da TEOs, com agradecimentos a Bastion, Daily e Cerebrium

16:31 pela infraestrutura, à Queen Mary University of London pela colaboração na pesquisa e à Nvidia por criar e pontuar o benchmark. Então, neste vídeo, vimos Griffin, da TEOs, o primeiro modelo de interação humana. Passamos pelos clipes, pela arquitetura, pelos benchmarks e pela parte de segurança. Os links estão na descrição, então confira. E me diga o que você acha. Até a próxima.

Transcrição original

[00:00] All right. In this video we’re going to look at Griffin, the new model from Tavus. And you can see here that this is a live video call and the woman on the laptop screen is not a person. Every pixel of her is generated by Griffin in real time. Let’s go ahead and watch the full conversation first. >> All righty, let’s do this. >> Hey Hassan, how’s it going? It’s pretty late for you. Have you thought any more about how we’re introducing Griffin? >> Um I don’t know. What are your ideas?

[00:30] >> I mean I think we should stop trying to explain it and just, you know, show them what it looks like. >> Do you think that we should just show a recording of us talking or something? >> I think a video of just us like this would be the best way to actually prove it. >> Do you think they’ll believe that you’re AI? >> I think that’s the whole point, isn’t it? If it’s good enough, they won’t even have to think about it. >> Now, how about just a thumbs up? >> Sure, one thumbs up coming right up. >> Hell yeah. That was awesome. I would say

[01:02] you’re my favorite coworker. [music] It’s been It’s been really great to uh work on this with you. >> You’re making me blush. Aw, who’s that with the ugly sweater? >> Yeah, I gifted this. >> Yeah, it it definitely looks like it. >> Oh [laughter] my gosh, okay. >> 1%? You’re living on [music] the edge, Hassan. Truly. I’ll keep my breathing steady so I don’t drain your CPU any faster. >> Wow, you actually did slow down your breathing. >> It’s like the line between talking to a machine and just

[01:33] talking to someone is getting really, really thin. >> Yeah, it really feels like we’re like, you know, passing a Turing test soon. >> But honestly, if we want people to see the human part of the simulation, maybe that’s the most real thing we could show them. What do you think? Is it too much? >> No, no. I um >> So that was Hassan, the Tavus CEO, talking to Griffin. Nobody is reading from a script there and near the end he says the line between talking to a machine and just talking to someone is

[02:03] getting really, really thin. Now, that is a big claim, so let’s go through the page properly. Griffin is the world’s first human interaction model or HIM. It’s a new class of model designed to understand and generate face-to-face, real-time human interaction. It listens while it talks and it pays attention to expressions and pauses, not just words. Here are the three numbers from the top of the page. 48% of people believed Griffin was a real person after a 1-minute video call. It’s number one on Nvidia’s independent test of face-to-face AI and it’s 37% ahead of

[02:36] the next best AI at reacting in the moment. It was announced on October 1st, 2026 in San Francisco by Hassan Raza, the co-founder and CEO, and Ioannis Patras, the head of research. And mind you, what we have today is Griffin light, a research preview with a more powerful model to follow. So, here’s the plan. First, why they built this. Then we’ll play the demo clips from the page one by one. After that, how it’s built, the benchmarks, the safety side, and what’s next. Let’s start with the why. In his message, Hassan says, “Humans are

[03:06] designed to communicate face-to-face. We speak as much through expressions, tone, gestures, and timing as we do through words. Machines don’t understand that. They make us learn their language, the right command, the right button click, the right prompt.” And then he lists the little moments that make talking to AI tiring. You share something personal and the face keeps smiling or a cold machine says, “I’m sorry to hear that.” You pause to think and it jumps in on incomplete context or it needs time to answer and nothing in its face tells you it’s working on it. Each of those moments, he says, is you managing the

[03:38] machine. You adjust your timing, you simplify your language, you remember not to leave dead air. What Tava’s wants is for computing to become invisible so that in a great conversation, you aren’t thinking about the conversation at all. Now, why does this happen? Most real-time AI works as a relay and they call it a cascade. One system transcribes your speech, a language model replies to the transcript, and other systems turn that reply back into a voice and a face. Every handoff adds delay and throws away information like your tone of voice or what’s on camera.

[04:10] Griffin replaces that relay with one full-duplex video-to-video model, perception deciding when and how to respond, and expressive speech and video generation all happen at the same time. It never stops thinking. Every sub-second mini turn, it decides whether to speak up, react, or wait. The page shows four things this makes possible. It says, “Um, hm.” While you’re still talking, it answers without leaving dead air. It stops the moment you cut in, and it reacts to something it sees. Let’s see all of that in the clips. First

[04:41] capability, behavior and emotion modeling. Griffin has learned to express emotions and gestures according to the context. It laughs, changes its tone, and shifts in response to what the other person says. In this clip, Rudy tells Vanessa he’s been promoted. Listen to how she reacts before he’s even finished. >> Hm, the promotion. Don’t leave me hanging. >> So, okay. >> get it? >> Basically, yes. I got it. >> Oh my god, yes. That’s amazing. >> Yeah, I’m I’m so glad. >> All those months of grinding finally

[05:11] paid off. >> I know. And now one of the best things, I don’t have to work with Vikram anymore. He’s he’s out of my life. I can finally move Second capability, full scene generation, and this one is really amazing. Griffin generates every pixel in every frame in real-time from one reference image, not just the face, arms, and fingers, but the movement of the chair, the shadows, and the background behind them. Let’s go ahead and play a round of Simon Says. >> Okay. >> Wait, what? >> [laughter] >> Okay, Simon says wave your hand. >> I’m doing it.

[05:41] >> Oh, nice. Simon says touch your face. >> Okay, here I go. Can you touch your chin? Wait, you didn’t say Simon says. I’m not going to fall for that one, Vanessa. No, nice try. >> So, you can see that she waves, she touches her face, and when the person doesn’t say Simon says, she calls their bluff. Every movement is generated on the spot, body and background included. Third capability, full duplex conversation. Griffin keeps evaluating the state of the conversation

[06:12] independent of turns. It can interrupt, backchannel, or be interrupted without losing its place. Here, Ari and Griffin make up a story together, and they cut each other off as they go. >> Hey, Vanessa. So, I’m working on this short story, right? And I’m thinking about having it be like a political drama between two different colonies on Mars. >> Drama? That’s a lot of heavy lifting for a short story. Are we talking like high-stakes government espionage, or just people arguing in a boardroom? >> No, no, high-stakes espionage, Mars

[06:43] colonization. We’re fighting over resources, but I don’t know like why why the two factions are really fighting. >> is the missing piece? >> You got it. >> fighting over So, if it’s just generic resource >> Notice that Griffin pushes back, it asks if this is government espionage or just people arguing in a boardroom, and then it suggests one faction treats the resource as sacred while the other other side just burns it. Nobody waited for a turn to end. Fourth capability, perception. Griffin goes beyond words and reacts to visual context when it

[07:14] makes sense. In this clip, it coaches Ari through a Rubik’s Cube. It watches the cube as he turns it, keeps acknowledging him while he works, and when he pauses mid-solve, it waits until he’s ready. >> Hey, Vanessa. Um I got this Rubik’s Cube that I’m trying to solve. I’m using the classic like three-layer strategy. I got the first two layers, but this top blue layer, I only have a bar. >> Okay, I’ll see what we’ve got. I’m going to start with the cross sequence. To keep things easy, let’s do this in little batches.

[07:44] First batch, one. Turn the side facing you 1/4 turn clockwise. Two. Turn the side on your right 1/4 turn clockwise. Three. Turn the side facing up 1/4 turn clockwise. Let me know when you’ve done those. >> Yep. I’m ready for the next. Oh, nice. I got a cross. Cool. >> Nice. Let me see. >> So, you can see the pacing. It gives the

[08:15] moves in little batches and waits for him to say he’s ready. Then it sees the blue cross and says it’s looking good. Let’s skip to the end and see how it finishes. >> Side facing up 1/4 turn clockwise. >> Oh! Yo! >> Now, show me the top face so I can see how the edges are looking. >> Vanessa, we did it. >> Oh my gosh, you actually did it. >> Here’s another one. A teacher is practicing a storytelling game where students show props to put in the story. In the middle of it, someone holds up a toy and Griffin writes it into the plot

[08:47] in its very next line without being asked. >> Whenever you’re ready, just kick it off. >> Okay, great. >> I think that we’re in the ocean and there’s a school of fish on a secret mission and they have a map, but maybe they don’t know. >> mission? They’re not just swimming, they’re actually they’re the elite underwater intelligence agency and they’re trying to >> And maybe they actually look like this. >> One more and this one is subtle. Nobody

[09:17] mentions it, but Britney looks cozy and Griffin says so. So, it noticed the setup and brought it up the way a friend would. >> Hey Ben, how’s it going? >> It’s It’s going pretty good, honestly. Just, you know, catching up on some things around the house. How about you? You look like you’re in a cozy little setup there. >> Yeah, now I’m super cozy here. I’m just thinking about what I should make for dinner. >> Last capability, temporal understanding. Griffin understands time as part of the conversation. How long a silence has lasted, what a sustained silence means,

[09:50] and when to speak again on its own. Sagar is soldering a motherboard and the iron needs about 12 seconds to heat up. >> Okay, I’m done screwing it back together. What’s next? >> Okay, so the next step is to solder the loose connector back onto the motherboard. >> [sighs] >> Okay, let me go let me go grab that, but beforehand, yeah, I turned the soldering iron on. I think it’s going to take about 12 seconds, so maybe just let me know when that’s done. >> Sounds good. I’ll keep an eye on it and let you know

[10:20] the second it hits that 12-second mark. Hey, it’s been 12 seconds, it should be ready to go. >> Cool, on my way. Um, I >> And you can see it did what it said. It kept an eye on the clock and spoke up right at the 12-second mark without being asked. That kind of timing is really hard for a turn-based system. Okay, so how is it built? Griffin is a two-part system. First, a continuous conversational modeling engine, which

[10:51] perceives the incoming audio and video, decides when and how to respond, and produces signals for what should be said and how. Second, an audio-visual generation engine with streaming speech generation and streaming video generation. The conversational model makes decisions at regular sub-second intervals, not once per turn. At each one, [clears throat] it looks at what’s been said and at the person’s verbal and nonverbal behavior, and decides what to say next and how. The output controls emotional tone, stance, facial expression, and gesture. So, a pause for

[11:23] thought is not treated as the end of the turn. The page has a nice diagram comparing the two. The turn-based cascade waits for you to finish, then runs ASR, then the LLM, then TTS, then the avatar, and about 1 and 1/2 seconds of silence go by before the face moves. With Griffin, the reply starts before you finish, and mind you, the page says these timings are illustrative, not measured from a real session. For speech, Griffin uses a fast auto-regressive diffusion transformer, which they call VDT. It conditions on a

[11:53] 10-second speaker clip and generates speech progressively as control signals arrive. A causal decoder emits audio packets as small as 10 milliseconds. So, it starts talking before the sentence is finished, and it can clone a voice from about 10 seconds of audio. Underneath that is a codec called Tavic. It maps 48 kilohertz audio into a continuous latent, 40 values per frame, 100 frames per second, and no codebooks. That’s 6,000 latent frames per minute against 2.88 million raw samples. Small and continuous, so the model can predict it

[12:24] faster than real time. Then the video side, earlier Tavus models relied on 3D priors, which meant no big gestures and no dynamic backgrounds. Griffin generates 720p video in 320 millisecond chunks in real time. One latent is eight frames at 25 frames per second with three diffusion steps per latent from a single reference photo plus streaming audio and controls. To get there, they distilled a big slow many-step diffusion model in three stages. One, distribution matching distillation into a few-step student.

[12:54] Two, teacher forcing to make it auto-regressive so it can stream. Three, self-forcing so long conversations don’t drift. That’s how you get something that is both good and fast. Now the evaluations. They tested at three levels, the video generator on its own, the full system on Nvidia’s video of DB benchmark, and live 1-minute video calls with people who didn’t know they were talking to a model. First, latency. That’s the time from audio arriving to the video showing its effect on H100s. Griffin light averages 0.43 seconds,

[13:26] which is half that of the next fastest method. Because it generates a single latent with no low-kick audio on quality, it’s first on Dover, first on FID, and first on THEVAL, and second on lip-sync LSEC at 7.27. And I like that they’re honest about that last one. They say LSEC rewards exaggerated mouth movement, which THEVAL accounts for. Then Nvidia’s Video of DB, which Nvidia ran independently. On the generation track, Griffin scored 3.83 out of five.

[13:57] The next best system, Gemini 2.5 plus Anam, scored 2.80, and the human reference is 3.92. So, that’s just 0.09 below a human. On the perception track, Griffin scored 3.73. Mini CPM Plexo 4.5 got 3.44. Gemini 2.5 Flash Native got 3.17, and OpenAI’s GPT Real Time got 2.97. The human reference is 4.20. That’s the most perceptive of 15 models. And on takeover rate alignment, it’s the best on both tracks. And now the number

[14:27] from the title in the face-to-face study, 54 people had a 1-minute video call with a partner they were told was another participant. 26 of them, that’s 48% said it was a real person. On the previous TAVAS system, Phoenix 4.5 with Sparrow 2 and Raven 1, it was 1 out of 41. That’s 2.4%. Some details from that study, over half said it never crossed their mind that it might be AI. The ones who did suspect usually suspected within the first 20 seconds. And on a 7-point scale, people rated it 5.4 for natural,

[14:58] 5.6 for trustworthy, and 5.8 for wanting to talk to it again. The lowest was flowing naturally at 4.9, and I like that they report that, too. Now, the part I think matters most. The page says that since Griffin Light is the first model to pass the Turing test, they understand the responsibility to be thoughtful. The same properties that make this a great interface also let it deceive a person into believing it is not AI. So, Griffin light is not available to customers right now. It’s available to select trusted testers as a

[15:28] research preview, and you can submit a form to request access. They’re working on safe disclosure features and with organizations tackling AI safety, and they expect to release Griffin very soon after these concerns are addressed. What’s next? They give three examples. A student gets a tutor who notices when an explanation isn’t making sense and tries another one. Someone at work rehearses a hard conversation with a counterpart who reacts the way a real person might, and a customer holds a broken part up to the camera and works out the fix together

[16:00] without knowing what the part is called. Now, if you want to build today, Griffin isn’t on the TEOs platform yet, but you can build PALS AI you talk to face-to-face on the models that 150,000 developers and businesses already use. Phoenix generates the face, Raven sees and understands you, and Sparrow knows when to talk. There’s the TEOs API, and there’s PAL Maker, a no-code way to build a PAL. Credits go to the TEOs research and engineering teams with thanks to Bastion, Daily, and Cerebrium

[16:31] for the infrastructure, Queen Mary University of London for research collaboration, and Nvidia for building and scoring the benchmark. So, in this video we have seen Griffin from TEOs, the first human interaction model. We went through the clips, the architecture, the benchmarks, and the safety side. The links are in the description, so go ahead and check them out. And let me know what you think. I’ll see you in another one.