Tavus introduceert realtime AI-videomodel Griffin

Griffin, Tavus’ realtime AI-videomodel, liet in een gesprek van één minuut 26 van 54 deelnemers geloven dat ze met een mens spraken, meldt het bedrijf.

Voor Nederlandse organisaties die AI in klantcontact overwegen, verschuift daarmee de ontwerpvraag naar herkenbare AI-identiteit, toestemming en de route naar een medewerker. Tavus biedt Griffin-Lite voorlopig alleen als onderzoekspreview aan geselecteerde testers aan. Het model is nog niet beschikbaar voor regulier klantgebruik.

Een model blijft kijken terwijl het praat

Tavus noemt Griffin een Human Interaction Model. In plaats van losse stappen voor spraakherkenning, antwoord en videoweergave verwerkt het model beeld en geluid doorlopend. Het bepaalt met tussenpozen van minder dan een seconde of het moet spreken, wachten of reageren. Ondertussen kan het blijven luisteren, gezichtsuitdrukking en gebaren aanpassen en inhaken terwijl de gebruiker nog praat. The Decoder beschrijft Griffin als een model dat spraak, gezichtsuitdrukking, toon, gebaren en stiltes tegelijk verwerkt.

Tavus demonstreert onder meer een gesprek waarin Griffin via de camera meekijkt terwijl iemand een Rubiks kubus oplost. Het model reageert op wat er in beeld gebeurt en wacht wanneer de gebruiker pauzeert. Voor klantenservice kan die combinatie van beeld, stem en timing relevant zijn bij hulp waarbij iemand een onderdeel of probleem moet laten zien. Dat is een mogelijke toepassing, geen functie die Tavus al aan klanten levert.

Wat de 48 procent meet

Tavus rekruteerde 54 deelnemers in de Verenigde Staten en Europa via een onafhankelijk onderzoeksplatform. De deelnemers dachten dat ze voor een videogesprek van één minuut aan een andere deelnemer werden gekoppeld. Ze praatten over waar ze naar uitkeken dat jaar. In werkelijkheid genereerde Griffin-Lite de gesprekspartner, inclusief gezicht, stem en antwoorden.

Pas aan het einde van de vragenlijst werd gevraagd of het bij de deelnemers was opgekomen dat hun gesprekspartner geen mens was. Daarna kregen alle deelnemers te horen dat ze met AI hadden gesproken. 26 van de 54 deelnemers zeiden dat ze dachten dat hun gesprekspartner een mens was. Dat is de gerapporteerde 48 procent. Het gaat dus om zelfrapportage na één korte, vooraf opgezette ontmoeting, niet om een representatieve schatting van hoe vaak klanten AI in de praktijk missen. Tavus vergelijkt dit met zijn eerdere Phoenix-4.5-model: daar dachten 1 van de 41 deelnemers onder hetzelfde protocol met een mens te spreken, oftewel 2,4 procent.

Een aparte technische benchmark

De menselijke herkenningstest staat los van VideoFDB, een technische benchmark van NVIDIA en David AI. Die beoordeelt onder meer hoe een model audiovisueel reageert in door mensen gevoerde gesprekken. De dataset omvat 237 videoclips en elf soorten non-verbale interactie. Een taalmodel beoordeelt de gegenereerde antwoorden op een schaal van nul tot vijf. Op de generatietaak van NVIDIA’s VideoFDB scoorde Griffin-Lite 3,83 op 5, tegenover 3,92 voor de menselijke referentie en 2,80 voor Gemini 2.5 met Anam. Dat cijfer meet de gegenereerde reactie, niet of een gebruiker doorheeft dat de gesprekspartner AI is.

Tavus zegt dat de menselijk ogende reacties het risico vergroten dat iemand AI niet herkent. Daarom blijft Griffin-Lite in onderzoekspreview voor geselecteerde vertrouwde testers. Bredere toegang volgt volgens het bedrijf pas nadat extra veiligheids- en bekendmakingsmaatregelen zijn uitgewerkt.

De vertrouwensvraag speelt ook in een andere context: in een zeven dagen durende USENIX-test stemde 46 procent van 22 deelnemers in met het verzoek van een AI-agent om een app te installeren, tegenover 18 procent na een verzoek van een getrainde menselijke oplichter. Die test ging over oplichting, niet over klantservice. Samen laten de onderzoeken zien waarom het bij AI-contact niet alleen om een natuurlijk gesprek gaat. Zodra software overtuigend op een mens lijkt, worden herkenbare AI-identiteit, toestemming en een duidelijke route naar een medewerker onderdeel van de dienstverlening.