Tavus 釋出三款對話影片模型：表情感知全包，對話卡頓大幅改善

視訊通話時最讓人出戲的，往往不是畫質不夠高，而是對方卡頓的眼神、慢半拍的接話，或者你說完之後那段令人尷尬的死寂。

做對話式影片介面的 Tavus 想把這層假人感撕掉。3 月 6 日，Tavus 正式推出三款全新的 AI 底層模型，分別是 Phoenix-3、Raven-0 和 Sparrow-0，並且當天就通過 API 全面開放。

這三款模型分工極細，目的只有一個：讓數字人跟真人視訊通話時，不再像是在讀提詞器。

拆解三款模型：表情、眼睛與搭話節奏

負責皮囊和表情的是 Phoenix-3。這是一個全臉動畫模型，專攻微表情與口型同步。

它不僅能做到對齊口型，還能在保持人物原本容貌特徵的前提下，根據對話上下文產生連續的情緒反應，讓數字人的喜怒哀樂順暢流動，而不是上一秒微笑、下一秒突然面癱。

光有表情還不夠，AI 必須能看懂你。視覺感知模型 Raven-0 扮演了數字人的眼睛。

它能即時感知環境和畫面中的視覺線索，比如直接讀出螢幕上的文字、識別你的手勢，甚至捕捉你的面部情緒變化，從而根據你的反應做出即時互動。

但最擊中行業痛點的，其實是負責接話節奏的 Sparrow-0。

跟數字人聊天最怕搶話或冷場。Sparrow-0 專門優化了對話輪換的節奏與語流，能準確判斷你什麼時候說完了、什麼時候只是稍作停頓。在衡量接話準確度的 Turn Accuracy 指標上，它的平均絕對誤差僅為 0.3989，相比此前行業最優的 1.7467，誤差直接縮減了一大截。

在 Tavus 的對話影片系統裡，這三款模型共同串起了一條即時思維鏈。官方展示的 AI 助手 Charlie，已經能在視訊通話中一邊陪你自然閒聊，一邊看你的螢幕、檢索網頁甚至隨手生成圖片。

為什麼重要

對於需要搭建 AI 銷售、虛擬客服或個性化導師的團隊來說，這套組合極具吸引力。以前做影片數字人，要麼只能播放預渲染影片，要麼延遲高到沒法正常對話。現在開發者只要調 API，就能組裝出一個能看懂肢體動作、接話節奏舒服的即時影片助手。

我們認為，Tavus 這一步走得相當聰明。很多團隊還在死磕把畫面渲染得有多像好萊塢大片，但人際溝通的信任感其實建立在微小的非語言訊號上：對上眼神、看懂手勢、在該接話的那一刻剛好開口。把視覺感知和話輪控制單獨做成模型，切中了互動體驗的真實命門。

不過隱患也同樣擺在眼前。即時影片生成加上視覺輸入和意圖推理，背後的算力消耗非常驚人。Tavus 暢想數字人會像智慧手機一樣普及，但在高頻互動下，API 的呼叫延遲和賬單成本能不能被普通企業甚至個人承受，依然需要打個問號。至少在目前階段，它更適合客單價高、極其依賴面對面溝通的商業場景。