Tavus ha presentado Griffin, un nuevo modelo de inteligencia artificial diseñado específicamente para mantener interacciones cara a cara en tiempo real. La compañía lo define como su primer Human Interaction Model (HIM), una categoría de sistemas que busca comprender y generar comunicación audiovisual teniendo en cuenta no solo las palabras, sino también expresiones, pausas, gestos y otros elementos de la conversación.
El anuncio se realizó el 1 de octubre de 2026 y llega acompañado de una versión de investigación denominada Griffin-Lite. Tavus afirma que este modelo es capaz de escuchar, observar y responder simultáneamente, evitando el funcionamiento por turnos habitual en muchos sistemas de IA conversacional. La versión inicial está disponible para un grupo limitado de usuarios mientras la compañía prepara una versión más potente.
Griffin intenta acercar la conversación con IA a una interacción humana
La propuesta de Tavus parte de una idea sencilla: las conversaciones humanas no se producen únicamente mediante palabras. Cuando dos personas hablan, también utilizan miradas, expresiones faciales, gestos, tono y silencios para interpretar lo que ocurre. Griffin ha sido diseñado para tener en cuenta parte de esa información mientras mantiene la conversación.
Según Tavus, el modelo combina percepción en tiempo real, generación de vídeo expresivo y modelado conversacional dentro de un único sistema de vídeo a vídeo. La compañía asegura que esto permite reducir algunas de las limitaciones de las arquitecturas en cascada, en las que diferentes sistemas se encargan sucesivamente de transcribir el audio, generar una respuesta y convertirla después en voz y vídeo.
El resultado que Tavus destaca es una interacción de tipo full-duplex. Griffin puede seguir escuchando mientras habla y decidir en intervalos de menos de un segundo si debe continuar en silencio, reaccionar, intervenir o ceder el turno. Esto permite comportamientos como asentir mientras el usuario todavía está hablando, responder sin dejar silencios prolongados o detenerse cuando la otra persona interrumpe.
La compañía ha utilizado el concepto de Turing test de vídeo en tiempo real para evaluar esta capacidad. En una prueba realizada mediante llamadas de vídeo de un minuto, el 48 % de los participantes creyó que estaba hablando con una persona real. Tavus compara este resultado con versiones anteriores de su propia interfaz de vídeo conversacional, que habían obtenido porcentajes mucho menores.
El modelo también interpreta lo que ocurre delante de la cámara
Una de las diferencias que Tavus destaca es que Griffin no se limita a procesar el audio. El modelo también recibe información visual y puede utilizarla para interpretar expresiones, movimientos y elementos del entorno. Esto abre la puerta a conversaciones en las que el usuario no necesita describir verbalmente todo lo que está mostrando a la cámara.
Entre las demostraciones publicadas por la compañía aparece un caso relacionado con un cubo de Rubik. Griffin observa cómo la persona manipula el cubo y puede continuar la interacción teniendo en cuenta lo que está ocurriendo visualmente. En otra demostración, el sistema guía a una persona mientras realiza una tarea técnica y tiene en cuenta el momento en el que debe intervenir.
Tavus también señala que Griffin puede modelar comportamientos y emociones de acuerdo con el contexto. El sistema puede cambiar el tono, reírse o modificar sus expresiones y gestos en función de lo que ocurre durante la conversación. La intención es que la respuesta no sea únicamente correcta desde el punto de vista verbal, sino también coherente con el desarrollo de la interacción.
La comprensión temporal es otra de las capacidades descritas. Griffin puede tener en cuenta cuánto dura un silencio y distinguir entre una pausa deliberada y un momento en el que la persona espera una respuesta. De esta forma, Tavus pretende que el sistema no interprete automáticamente cualquier silencio como el final de un turno de conversación.
Una arquitectura diseñada para funcionar en tiempo real
La arquitectura de Griffin se divide en dos grandes partes. La primera es un motor de Continuous Conversational Modeling, encargado de recibir audio y vídeo, interpretar el estado de la conversación y decidir qué debe ocurrir a continuación. La segunda reúne los sistemas de generación audiovisual que transforman esas decisiones en voz, vídeo, gestos y expresiones.
La diferencia fundamental frente a un sistema por turnos está en que percepción, decisión y generación funcionan de manera concurrente. Griffin puede seguir interpretando la conversación mientras está hablando y adaptar su comportamiento si aparece nueva información. Tavus considera que este funcionamiento es clave para reducir la sensación de retraso durante una conversación audiovisual.
El sistema toma decisiones en intervalos inferiores a un segundo, según la descripción técnica publicada por la compañía. En cada uno de estos pequeños ciclos puede decidir si debe hablar, esperar, reaccionar con una expresión o responder a una interrupción. También puede producir señales relacionadas con la postura, la expresión facial y los gestos.
La generación de vídeo se ha diseñado igualmente para el streaming. Griffin-Lite produce vídeo en resolución 720p en bloques de 320 milisegundos, según Tavus. La compañía explica que utiliza un generador de difusión autorregresivo de pocos pasos y técnicas de compresión temporal para conseguir una generación suficientemente rápida para conversaciones en directo.
Griffin-Lite llega primero como versión de investigación
El producto que Tavus pone inicialmente a disposición de usuarios no es todavía la versión final del sistema. Griffin-Lite está disponible como research preview para un grupo seleccionado de primeros probadores. La empresa indica que una versión más potente tendrá una disponibilidad posterior, aunque no fija en el anuncio una fecha concreta para ese lanzamiento.
Antes de esta fase, Tavus sometió el sistema a diferentes evaluaciones. La empresa probó por separado su generador de vídeo y después evaluó el sistema completo en conversaciones audiovisuales. Entre las pruebas utilizadas aparece el benchmark Video Full-Duplex de NVIDIA, centrado en medir cómo un modelo interpreta el comportamiento de una persona y cómo responde ante él.
La compañía también realizó llamadas de vídeo de un minuto con personas que no sabían que estaban hablando con un modelo. El 48 % de los participantes identificó la interacción como humana, según los resultados publicados por Tavus. La empresa utiliza este dato como una de las principales referencias para presentar Griffin como un avance en la interacción entre humanos y máquinas.
El objetivo final de Tavus es que el usuario pueda comunicarse con una IA de una forma menos dependiente de comandos y prompts precisos. La compañía plantea aplicaciones potenciales en educación, trabajo, atención al cliente y asistencia práctica. Por ahora, sin embargo, Griffin sigue en una fase inicial y su disponibilidad general dependerá de la evolución de las pruebas y del desarrollo de la siguiente versión.