Tavus 发布三款对话视频模型：表情感知全包，对话卡顿大幅改善

视频通话时最让人出戏的，往往不是画质不够高，而是对方卡顿的眼神、慢半拍的接话，或者你说完之后那段令人尴尬的死寂。

做对话式视频界面的 Tavus 想把这层假人感撕掉。3 月 6 日，Tavus 正式推出三款全新的 AI 底层模型，分别是 Phoenix-3、Raven-0 和 Sparrow-0，并且当天就通过 API 全面开放。

这三款模型分工极细，目的只有一个：让数字人跟真人视频通话时，不再像是在读提词器。

拆解三款模型：表情、眼睛与搭话节奏

负责皮囊和表情的是 Phoenix-3。这是一个全脸动画模型，专攻微表情与口型同步。

它不仅能做到对齐口型，还能在保持人物原本容貌特征的前提下，根据对话上下文产生连续的情绪反应，让数字人的喜怒哀乐顺畅流动，而不是上一秒微笑、下一秒突然面瘫。

光有表情还不够，AI 必须能看懂你。视觉感知模型 Raven-0 扮演了数字人的眼睛。

它能实时感知环境和画面中的视觉线索，比如直接读出屏幕上的文字、识别你的手势，甚至捕捉你的面部情绪变化，从而根据你的反应做出即时互动。

但最击中行业痛点的，其实是负责接话节奏的 Sparrow-0。

跟数字人聊天最怕抢话或冷场。Sparrow-0 专门优化了对话轮换的节奏与语流，能准确判断你什么时候说完了、什么时候只是稍作停顿。在衡量接话准确度的 Turn Accuracy 指标上，它的平均绝对误差仅为 0.3989，相比此前行业最优的 1.7467，误差直接缩减了一大截。

在 Tavus 的对话视频系统里，这三款模型共同串起了一条实时思维链。官方展示的 AI 助手 Charlie，已经能在视频通话中一边陪你自然闲聊，一边看你的屏幕、检索网页甚至随手生成图片。

为什么重要

对于需要搭建 AI 销售、虚拟客服或个性化导师的团队来说，这套组合极具吸引力。以前做视频数字人，要么只能播放预渲染视频，要么延迟高到没法正常对话。现在开发者只要调 API，就能组装出一个能看懂肢体动作、接话节奏舒服的实时视频助手。

我们认为，Tavus 这一步走得相当聪明。很多团队还在死磕把画面渲染得有多像好莱坞大片，但人际沟通的信任感其实建立在微小的非语言信号上：对上眼神、看懂手势、在该接话的那一刻刚好开口。把视觉感知和话轮控制单独做成模型，切中了交互体验的真实命门。

不过隐患也同样摆在眼前。实时视频生成加上视觉输入和意图推理，背后的算力消耗非常惊人。Tavus 畅想数字人会像智能手机一样普及，但在高频交互下，API 的调用延迟和账单成本能不能被普通企业甚至个人承受，依然需要打个问号。至少在目前阶段，它更适合客单价高、极其依赖面对面沟通的商业场景。