HeyGen Video 1 vs. Tavus Griffin: Was eine Sekunde eines generierten Menschen wert ist

Zwei Produktstarts erfolgten Ende September innerhalb von sechsunddreißig Stunden zueinander, in derselben Marktnische. Beide erzeugen einen überzeugenden Menschen auf dem Bildschirm. Das Nützlichste an der Gegenüberstellung ist nicht, dass ein Käufer zwischen ihnen wählen würde, denn zum Zeitpunkt des Starts war nur einer von beiden käuflich zu erwerben. Es ist, dass der Unterschied zwischen ihnen erklärt, wofür jeder gebaut wurde und was eine Sekunde synthetischen Menschen im jeweiligen Fall wert ist.
HeyGen Video ging am 30. September live, mit einem Preis von einem Cent pro Sekunde bis Ende Oktober. Tavus Griffin wurde am 1. Oktober angekündigt, zusammen mit einer Live-Studie von Angesicht zu Angesicht, in der 26 von 54 Teilnehmenden glaubten, ihr Gesprächspartner sei eine echte Person. Griffin ist nur ausgewählten vertrauenswürdigen Testern über ein Anfrageformular zugänglich, ohne öffentliche Kennung, ohne Endpunkt und ohne Preis.
Der eine verkauft einen Clip, der andere ein Gespräch
HeyGen Video ist ein Allzweck-Videomodell, das zufällig ungewöhnlich gut mit Menschen ist. Es nimmt einen Prompt, oder einen Prompt plus ein Bild, oder einen Prompt plus bis zu neun Referenzbilder, drei Referenzvideos und drei Referenzaudioclips. Es liefert einen Clip zwischen fünf und fünfzehn Sekunden Länge bei 480p oder 768p, 24 Bilder pro Sekunde, mit AAC-Audio, das generierten Dialog, Ambiente und Effekte trägt. Drei Modi decken die Konditionierung ab: Text-zu-Video, Bild-zu-Video und Referenz-zu-Video, wobei Letzteres der Standard ist. Unbekannte Felder in der Anfrage werden abgelehnt statt ignoriert, und ein Seed sorgt dafür, dass eine Aufnahme wiederholbar ist, während man jeweils eine Klausel ändert.
Das ist ein Produktionswerkzeug mit einem deterministischen Rahmen. Man weiß, was man angefordert hat, man weiß, was zurückkam, und man kann es reproduzieren.
Griffin kehrt fast jede dieser Eigenschaften um. Es erzeugt 720p in 320-Millisekunden-Blöcken bei 25 Bildern pro Sekunde aus einem einzigen Referenzfoto und spielt jeden Block ab, während er dekodiert. Es gibt keine Clip-Länge anzugeben und keine Datei, die zurückgegeben wird. Eine kontinuierliche Konversationsmodellierungs-Engine nimmt Audio und Video auf und bewertet den Austausch in Subsekundenintervallen neu, wobei sie entscheidet, ob sie schweigen, ein Signal geben, einen Backchannel einwerfen oder den Redebeitrag übernehmen soll. Ihre Ausdruckssteuerungen treiben parallel einen Streaming-Sprachgenerator und einen Streaming-Videogenerator an, sodass eine mitten im Satz getroffene Entscheidung innerhalb desselben Mini-Turns in Stimme und Gesicht sichtbar wird.
Man schreibt keinen Prompt. Man spricht mit ihm, und es reagiert auf eine Pause, einen Blick zur Seite oder eine Unterbrechung. Deshalb sind die beiden keine Ersatzprodukte füreinander, obwohl beide einen Menschen erzeugen. HeyGen Video wird gefragt, wie ein beschriebener Moment aussieht. Griffin wird gefragt, was als Nächstes passieren soll.
Die Preisgestaltung und warum sie die Schlagzeile ist
HeyGens Einführungspreis beträgt einen Cent pro Sekunde, was das Unternehmen als 50 Prozent Rabatt auf einen Standardpreis von zwei Cent beschreibt. Die Kostentabelle auf derselben Seite, mit Fußnote als Listenpreis pro Sekunde bei 768p mit Audio vor Einführungsaktionen, gibt drei Cent an. Das ist eine Lücke von fünfzig Prozent zwischen dem Fließtext und der Tabelle im eigenen Material eines Anbieters. Bis HeyGen eine API-Preisseite veröffentlicht, ist die sichere Lesart, dass der Ein-Cent-Wert bestätigt ist, weil er live ist, und dass die Zahl nach Oktober irgendwo zwischen zwei und drei Cent liegt.
Rechnen Sie die Zahlen für tausend Sekunden durch, also hundert Zehn-Sekunden-Clips – die Einheit, in der ein Team für Massengenerierung tatsächlich denkt. HeyGen Video kommt im Oktober auf zehn Dollar. Nach Oktober sind es zwanzig bei zwei Cent oder dreißig bei den drei Cent der Tabelle. MiniMax H3, das Basismodell, von dem es abgeleitet wurde, ist mit acht Cent pro Sekunde gelistet, sodass dieselben tausend Sekunden achtzig Dollar kosten würden. Kling 3.0 Pro kommt auf 168 Dollar und Veo 3.1 auf 400.
Der Grund, warum diese Rechnung die Schlagzeile ist, ist die Verwerfungsrate. Bei der Videogenerierung ist der Clip, den man behält, selten der Clip, den man zuerst generiert hat. Teams generieren mehrere Takes und werfen die meisten weg. Ein Modell, das pro Sekunde billig ist, aber sechs Versuche erfordert, kostet mehr als eines, das teurer ist und beim ersten oder zweiten Versuch landet. HeyGen wettet effektiv darauf, dass bei einem Cent pro Sekunde die Iteration aufhört, der teure Teil zu sein.
Die Zahl, die mit einem Vorbehalt zu versehen ist
Tavus' Schlagzeilenzahl sind die 26 von 54 Teilnehmenden, die glaubten, ihr Gegenüber sei ein Mensch. Das ist ein echtes Ergebnis aus einer kontrollierten Studie, und es ist zugleich die Art von Zahl, die man leicht überinterpretiert. Die Bedingungen einer Studie sind nicht die Bedingungen eines Einsatzes. Teilnehmende an einem Face-to-Face-Experiment sind darauf eingestellt, ein Gespräch zu führen, nicht es zu prüfen. Eine Erfolgsquote von 48 Prozent beim Durchgehen als Mensch, präsentiert in einem günstigen Umfeld, sagt Ihnen, dass die Technologie voranschreitet, ohne Ihnen zu sagen, wie sie sich verhält, wenn jemand versucht, sie zu erkennen, oder wenn das Gespräch zwanzig Minuten statt ein paar dauert.
Was Griffin interessant macht, ist das Interaktionsmodell, nicht die Täuschungsrate. Ein digitaler Mensch, der in Echtzeit entscheidet, ob er spricht, und der eine mitten im Satz getroffene Entscheidung im selben Takt in seinem Gesicht widerspiegelt, ist eine andere Produktklasse als ein Videogenerator. Er ist näher an einem Echtzeit-Avatar für ein Callcenter, einen Tutor oder eine Companion-App. Das sind Märkte, in denen der Wert in der Schleife liegt, nicht im Clip.
Dass Griffin nicht käuflich zu erwerben ist, ist ebenfalls kein kleiner Vorbehalt. Programme für vertrauenswürdige Tester existieren genau deshalb, weil das Produkt noch nicht stabil oder vorhersehbar genug ist, um es zu verkaufen. Das ist eine vernünftige Phase, und es bedeutet zugleich, dass jeder Vergleich mit HeyGen Video heute ein Vergleich zwischen einem ausgelieferten Produkt und einem Versprechen ist.
Wofür jedes tatsächlich gedacht ist
Stellt man die beiden nebeneinander, teilt sich der Markt sauber auf.
Wenn Sie eine Bibliothek fertiger Clips brauchen – ob Werbespots, Social-Videos oder lokalisierte Marketing-Fragmente –, ist HeyGen Video das Werkzeug, das heute existiert, mit einem Preis, den Sie in eine Tabellenkalkulation eintragen können, und einem deterministischen Rahmen, um den herum Sie eine Pipeline bauen können.
Wenn Sie etwas brauchen, das sich in einem Live-Call wie ein Mensch verhält – das antwortet, statt zu rendern –, ist Griffin derjenige, der in diese Richtung weist, und es ist noch kein Produkt, das Sie integrieren können.
Der größere Punkt betrifft die Richtung, in die synthetisches Video geht. Zwei Jahre lang ging es bei Benchmarks um Realismus in einem einzelnen Frame. Die Grenze verläuft jetzt beim Verhalten über die Zeit: wie eine generierte Person reagiert, sich erinnert und über eine Interaktion hinweg konsistent bleibt. HeyGen konkurriert über Kosten und Zuverlässigkeit im Rendern-und-Behalten-Workflow. Tavus konkurriert darüber, ob sich die Interaktion überhaupt wie eine Interaktion anfühlt. Beide können gewinnen, weil sie nicht dieselbe Sekunde verkaufen.
Verwandte Artikel
Ein Prozent der Firmen zahlt 80 Prozent der KI-Rechnung, und genau diese Gruppe wächst nicht mehr
600 Millionen Dollar weniger Umsatzwachstum, 26,8 Prozent Preisverfall und eine Käufergruppe, die unter 10.000 Dollar pro Kopf rutschte.
Claude kann jetzt Ihre Kontoauszüge lesen. Anthropic hat ihm bewusst keine Hände gegeben.
Das Read-only-Design ist das Produkt, und das Entkoppeln macht nicht rückgängig, was bereits in einem Chat steht.
Adobe verlangt von Marketingfachleuten nicht mehr, Adobe zu öffnen
Ein Jahrzehnt lang lautete die Strategie: Besitze die Oberfläche. Adobe wettet gerade auf das Gegenteil.
CrowdStrike hat einen Kill Switch für KI-Agenten ausgeliefert. Der schwierige Teil ist zu wissen, was man abschalten muss.
Ein Kill Switch macht aus einer Vermutung etwas Durchsetzbares. Durchsetzung erfordert eine Liste, und die Liste ist der Teil, den niemand hat.