HeyGen Video 1 vs Tavus Griffin：一秒生成的人類值多少
兩項產品在九月底相隔三十六小時內於市場的同一個角落發布。兩者都能在螢幕上生成逼真的人類。將它們放在一起比較，最有用的一點並不是買家會從中二選一，因為發布時只有其中一款買得到。而是它們之間的差異說明了各自是為了什麼而打造，以及在各自情況下，一秒合成人類的價值是多少。
HeyGen Video 於 9 月 30 日正式上線，整個 10 月定價為每秒一美分。Tavus Griffin 於 10 月 1 日發布，並附上一項即時面對面研究，其中 54 名參與者有 26 人相信他們的對話對象是真實的人。Griffin 僅透過申請表提供給少數受信任測試者，沒有公開識別碼、沒有端點，也沒有價格。
一個賣的是片段，另一個賣的是對話
HeyGen Video 是一款通用影片模型，恰好在人物方面表現得異常出色。它接受提示詞，或提示詞加上一張圖片，或提示詞加上最多九張參考圖片、三段參考影片和三段參考音訊片段。它會回傳一段五到十五秒的片段，解析度為 480p 或 768p，每秒 24 影格，並帶有 AAC 音訊，包含生成的對話、環境音和音效。三種模式涵蓋條件控制：文字轉影片、圖像轉影片，以及參考轉影片，其中參考轉影片是預設模式。請求中的未知欄位會被拒絕，而不是忽略；種子（seed）則用來讓你在每次只改一個子句時，仍能重現同一個鏡頭。
那是一款具有確定性範圍的製作工具。你知道自己要求了什麼，你知道回傳了什麼，而且你可以重現它。
Griffin 幾乎顛覆了上述每一項特性。它從單一張參考照片生成 720p、每塊 320 毫秒、每秒 25 影格的內容，並在解碼時逐塊播放。沒有片長可供指定，也不會交回檔案。一個持續運作的對話建模引擎會吸收音訊與視訊，並以不到一秒的間隔重新評估交流，決定要沉默、示意、發出簡短回應，還是接過發話權。它的表達控制會並行驅動串流語音生成器和串流視訊生成器，因此句子講到一半所做的決定，會在同一個迷你回合內反映在聲音和臉上。
你不需要寫提示詞。你對它說話，而它會對停頓、目光移開或打斷做出回應。這就是為什麼兩者雖然都能生成人類，卻不是彼此的替代品。HeyGen Video 被問的是，一個被描述出來的時刻看起來是什麼樣子。Griffin 被問的則是，接下來應該發生什麼事。
定價，以及為什麼它是頭條
HeyGen 的上市價格是每秒一美分，該公司將其描述為標準價每秒兩美分的五折。同一頁面上的成本圖表則標示為三美分，其註腳寫明那是 768p 含音訊、上市促銷之前的每秒定價。這是同一份廠商自家素材中，文字敘述與圖表之間出現的百分之五十落差。在 HeyGen 公布 API 定價頁之前，安全的解讀是：一美分這個數字已獲確認，因為它正在實施；而十月之後的價格則落在兩到三美分之間。
以一千秒來計算，也就是一百支十秒片段，而這正是大量生產團隊實際思考的單位。HeyGen Video 在十月是十美元。十月之後，若以兩美分計算就是二十美元，若以圖表上的三美分計算則是三十美元。MiniMax H3 是它微調所依據的基礎模型，定價為每秒八美分，所以同樣一千秒要價八十美元。Kling 3.0 Pro 則要 168 美元，Veo 3.1 要 400 美元。
這套算術之所以是頭條，原因在於丟棄率。在影片生成中，你最終保留的片段，很少是你第一次生成的那一段。團隊會生成好幾個版本，然後把大部分丟掉。一個每秒便宜但需要嘗試六次的模型，成本會高於一個較貴、但第一次或第二次就命中的模型。HeyGen 實際上是在押注：當價格降到每秒一美分，反覆迭代就不再是昂貴的部分。
那個應該附帶但書的數字
Tavus 的頭條數字是 54 名參與者中有 26 人相信自己的對話對象是人類。這是來自對照研究的真實結果，但它也是那種很容易被過度解讀的數字。研究的條件不等於部署的條件。面對面實驗的參與者被引導去進行對話，而不是去審查對話。在有利情境下呈現的 48% 冒充人類成功率，告訴你技術正在進步，卻沒有告訴你，當有人試圖偵測它時，或當對話持續二十分鐘而不是幾分鐘時，它會如何表現。
Griffin 真正有趣的地方是互動模型，而不是欺騙率。一個能即時決定是否開口，並在同一拍點內把句子講到一半所做的決定反映在臉上的數位人類，是與影片生成器不同類別的產品。它更接近客服中心、家教或陪伴應用的即時虛擬化身。那些市場的價值在於互動循環，而不是片段。
Griffin 無法購買，這也不是一個小小的但書。受信任測試者計畫之所以存在，正是因為產品還不夠穩定或可預測，不足以販售。這是一個合理的階段，但也意味著，今天任何與 HeyGen Video 的比較，都是拿一個已出貨的產品和一個承諾相比。
兩者實際上各自的用途
把兩者並排放在一起，市場就清楚地一分為二。
如果你需要的是一批完成的影片片段，無論是廣告、社群影片或本地化行銷素材，HeyGen Video 是今天已經存在的工具，有可以放進試算表的價格，以及可以圍繞它打造流程的確定性範圍。
如果你需要的是在即時通話中表現得像個人、會回應而不是只做渲染的東西，Griffin 是指向那個方向的產品，而且它還不是你能整合的產品。
更大的重點在於合成影片的走向。過去兩年，基準測試關注的是單一影格中的真實感。如今前沿關注的是隨時間變化的行為：一個生成的人如何回應、記憶，並在整段互動中保持一致。HeyGen 競爭的是「渲染後保留」工作流程中的成本與可靠性。Tavus 競爭的是互動究竟感覺像不像互動。兩者都能勝出，因為它們賣的不是同一秒。