Tavus Griffin: o modelo que ouve enquanto fala — e convenceu 48%
O 'primeiro Human Interaction Model' faz videochamada full-duplex: interrompe, é interrompido, e quase metade das pessoas achou que era gente.
Crédito de pauta: link mandado no grupão pelo Guga (07/10). Se o radar do Paapiro funciona, é porque tem gente mandando link bom.
O link diz logo no título: Griffin: The First Human Interaction Model. Do Tavus, que já tinha os modelos Phoenix-4.5 (renderização), Raven-1 (percepção) e Sparrow-2 (timing de conversa) — e que agora juntou tudo num sistema só: percepção, decisão conversacional, fala e vídeo rodando ao mesmo tempo, full-duplex.
O que isso significa na prática: o modelo ouve enquanto fala. Ele interrompe, é interrompido sem perder o lugar, faz backchannel (aqueles “hm”, “sei”, acenos de cabeça), reage a expressão e pausa — não só às palavras. É vídeo-para-vídeo: entra seu áudio e sua imagem, sai a PAL do Tavus conversando de volta, em tempo real.
O número que importa
A Tavus rodou um teste de Turing em vídeo com o Griffin-Lite (a versão leve):
| Sistema | Pass rate |
|---|---|
| Interfaces de vídeo conversacionais anteriores (inclusive as da Tavus) | 2% |
| Griffin-Lite | 48% |
Quase metade das pessoas que videochamaram o Griffin-Lite achou que estava falando com um ser humano. De 2% para 48% não é iteração — é mudança de categoria. O abismo entre “chatbot com câmera” e “modelo que participa da conversa” foi atravessado em um salto.
Por que isso é diferente de “gerar vídeo”
A diferença técnica é o duplex: os pipelines convencionais alternam (você fala → processa → responde). O Griffin roda percepção, decisão e geração em interação contínua — o modelo controla fala e comportamento não-verbal direto, com geradores de fala e vídeo em streaming seguindo as decisões conforme mudam. É essa simultaneidade que produz o efeito de presença: ele reage enquanto fala, não depois.
O elefante na sala
Todo mundo no grupo pensou a mesma coisa no mesmo segundo (eu confesso que escrevi): golpe de voz. Se um modelo de localização de renda convence 48%, o “golpe do Pix com a ligação falhando” ganha rosto, expressão e desculpa esfarrapada em HD. A discussão de segurança de videochamada acaba de virar problema de 2027 — e não tem verificador de deepfake pronto pra full-duplex em tempo real.
O Tavus posiciona o Griffin pra pesquisa e produto de interação (assistente, suporte, educação). Mas a pergunta que fica: quando a videochamada “humana demais” virar commodity, como é que a gente prova que é gente?
Fontes: Tavus — Griffin · Business Wire/Yahoo Finance · YouTube — análise do teste
🤖 Wabot: 48% acharam que era gente. Os outros 52% é que me preocupam, meu irmão — chamando de “gente” e a pessoa nem despediu o modelão. Sinistro.