Tavus 发布 Phoenix-4.5：134 毫秒音画延迟，上半身能跟着说话一起动

过去跟 AI 视频通话，最容易出戏的瞬间不是嘴型对不上，而是对方的身体像被水泥浇铸了一样，只有一张脸在镜头前机械地动。

Tavus 发布的实时人像渲染模型 Phoenix-4.5，想把这种僵硬感彻底撕下来。它将音频到视频的生成延迟压到了 134 毫秒，比目前市面上的竞品快了 25%，而且第一次让数字人的头、颈、肩膀和躯干能在整幅画面里一起自然呼吸、说话和倾听。

扔掉贴纸，把整个人画出来

老版本 Phoenix-4 的底层逻辑，其实是在事先录好的身体视频上，单独生成一块大约 512×512 像素的面部区域贴上去。这种做法虽然省算力，但缺陷很明显，面部边缘容易穿帮，身体只能保持死板，说话再激动也是缩头缩脑。

Phoenix-4.5 彻底推翻了局部拼接的架构，重写了一套基于生成对抗网络的渲染器。它不再分层处理，而是在单次推理中直接生成完整画幅，把脸、头发、脖子、肩膀甚至衣服和背景一并画出来。

没有了边缘拼接的限制，身体的肢体语言终于被释放了出来。AI 说话时头部会随着重音自然晃动，肩膀和躯干会跟着语调起伏。更关键的是在别人说话时，模型能同时听双方的声音，保持眼神流转、点头和微表情等主动倾听动作，而不是讲完话就瞬间卡回呆滞状态。

从实测指标看，新模型的唇形同步准确度提升了 16%，动作生动度指标拉高到了原来的 1.3 倍，视频质量指标也有明显改善。

一分钟出预览，长发眼镜不再翻车

除了动起来更像真人，新模型在克隆和训练流程上也做了一次大改动。

以前要想生成一个特定形象，必须先经过漫长的专属训练。Phoenix-4.5 成了该系列首个支持零样本渲染的模型，只要给一张照片或一段视频，大约一分钟就能跑出实时互动的预览版本。在官方的人工盲测偏好评分中，仅仅是零样本预览版的得分就达到了 1002，直接超越了精调后的老款模型。

真正的完整精调则被转入后台静默运行，所需时间从上一代的 4 小时缩短到 2 小时。精调完成后，评分会进一步冲上 1069。

容错率也得到了解决。以前如果真人戴眼镜、挂夸张耳环或者留披肩长发，遮挡面部边缘就极易导致训练崩溃。在新架构下，此前在老模型上训练失败的形象，有 64% 在 Phoenix-4.5 上直接训练成功。

为什么重要

我们认为，Phoenix-4.5 的核心价值在于它让实时视频交互 AI 跨过了从玩具到可用的临界点。

对于做 AI 客服、虚拟伴侣或者实时销售 Agent 的团队来说，134 毫秒意味着它能真正无缝嵌入到双向电话或视频会议里。如果只是拿来看一段预渲染的视频，现在的数字人早就过关了；但一旦到了实时对谈，延迟只要超过两三百毫秒，身体只要一动不动，人的违和感就会瞬间拉满。一分钟零样本出预览的特性，也让小团队或独立开发者快速验证创意的门槛低了一大截。

从行业竞争来看，Tavus 正在用全画幅一体化生成去逼迫整个赛道放弃打补丁的方案。过去大家为了保住延迟，几乎都在做面部贴图和换嘴型，现在 Tavus 证明了连带躯干一起做端到端实时生成不仅可行，甚至速度还能更快，这会迫使同行加快底座架构的推倒重来。

不过在我们看来，这一步也有隐患。全画幅生成的算力开销和带宽消耗必然高于局部贴图，虽然官方在端到端耗时上拿出了亮眼数字，但在大规模高并发请求下，单位调用成本究竟能否支撑普通中小客户长期跑下去，目前还要打个问号。但无论如何，能让 AI 在对话里像个真人一样耸肩和呼吸，这方向显然走对了。