Tavus Phoenix-4: Rauntæk tilfinningaleg greind sem hittir tilvér myndbandið

Frá klippum til samtalanna

Rými tilvér myndbands hefur verið læst í vopnakappi yfir upplausn, lengd og fagmennsku. Kling 3.0 ýtti frumbornum 4K. Seedance 2.0 olli málaferlum Hollywood. Sora 2 lenti Disney-samningi. Allt glæsilegt, allt eftir sama mynstri: skrifaðu boð, bíddu, fáðu myndbandið.

Phoenix-4 brýtur það mynster. Gert 18. febrúar 2026 er það fyrsta módel hannað fyrir rauntíma birtingu andlits með tilfinningalegri greind. Í stað þess að búa til 10 sekúndu klipp á 30 sekúndum, birtir það fullt 1080p andlit á 40 bildum á sekúndu með minni en 600 millisekúndu seinkun.

Það er ekki myndbandskynslumenn. Það er nærveru-vél.

Byggingin: Þrjú módel í sátt

Það sem gerir Phoenix-4 tæknilega áhugaverðan er þriggja hluta leiðslun hennar, hver og ein meðhöndlar sérstakan hluta mannlegrar samskipta.

Raven-1: Tilfinningaleg skynjun

Fyrsti módel stafnsins er Raven-1, skynjunarheild sem greinir myndbandsstrem notandans í rauntíma. Það greinir andlitssvip, röddartón og samtalandi merki til að byggja stöðugt kort af tilfinningalegum ástandi.

Þetta er ekki einföld viðhorf-greining. Raven-1 fylgist með lítilum svipum, djarfi tíðni, talafloti og gæsustefnu. Úttakið er fjölvíddar tilfinningavigur sem flytur inn í birtingarrörleiðsluna.

Sparrow-1: Samtalandi tímasetning

Annar hluti, Sparrow-1, meðhöndlar óháðasta vandamálið í samtalandi gervigreind: að vita hvenær á að tala. Núverandi raddtrúir annað hvort komast þér í köfun eða bíða of lengi. Sparrow-1 notar fullduplex arkitektúr sem hlustrar og talar samtímis, endurheimt hvernig raunverulegir menn eiga samtal.

Það spáir fyrir um skipti merkja, stjórnar bakrásastöðum (toppar, "já-já" jafngildis), og stillir svarseinkun miðað við tilfinningaleg ástandi frá Raven-1. Ef þú stöðvaðir vegna þess að þú ert að hugsa, það bíður. Ef þú stöðvaðir vegna þess að þú ert rugluð, það skýrtisetning.

Phoenix-4: Gaussian-diffusion birtun

Birtunarmódel sjálft notar Gaussian-diffusion blandaða nálgun. Hefðbundin diffusion módel eru of hæg fyrir rauntíma notkun. Hrein Gaussian aðferðir skortir smáatriðagæðin diffusion. Phoenix-4 sameinar báðar: það notar Gaussian splatting fyrir grunnen rúmfræði og rauntíma rakingu, síðan beitir diffusion endurbót á markvissan hátt á svipum-mikilvægum svæðum (augun, munnur, augnablikir).

Tilfinningaleg stjórn API

Fyrir forritara er mest hagnýti eiginleiki Tilfinningaleg stjórn API. Fremur en að leyfa tilvér-gerðinni að ákveða hvernig á að tilfinningafara, geturðu tilgreint marktilfinningar með forritun.

{"emotion": "empathetic_concern", "intensity": 0.7, "transition_speed": "gradual", "micro_expressions": true}

API stuðningur yfir tíu tilfinningaleg tilstöðu, þar með talið gleði, sorga, reiði, yfirstokkun, hræðsla, spenning, forvitni og ánægja, með styrkleika stýringum og blöndun. Þjónustuaðstoð-dósir geta breytt frá vinalegu í samúðarfulla þegar þeir greina gremju í ródd símtalandans.

Þetta er þar sem þriggja móðela rörleiðslan borgar sér. Raven-1 greinir tilfinningaleg ástandi notandans, reglur forritara ákvarða viðeigandi svartilinningir, og Phoenix-4 birtir það í rauntíma.

Stafræn tvíburi á tveimur minútum

Einn af mest sterkari fullyrðingum: Phoenix-4 getur búið til sérsniðinn stafrænt tvíbura frá aðeins tveimur minútum af myndbandinu. Hladdu stuttu myndbandi af þér sem talar, og kerfið dregur út næga andlitsgeometríu, svipaskila og röddeinkenni til að mynda rauntíma dósir.

Gæðin eru ekki á VFX kvikmynda stigum ennþá. Í kynningum sýna stafrænu tvíburar stundum villur kringum hröðu hausflakk og flókin birtusta breytingar. En fyrir myndbandssímtöl, þjónustuaðstoð og söluframsetningar er fagmennska meira en fullnægjandi.

Hvers vegna þetta skiptir máli fyrir tilvér myndbandið

Phoenix-4 táknar flokkunarbætt fyrir tilvér myndbandið. Fram til þess höfðu öll stór módel beinst að efnissamsetningu: gerð klippa, auglýsinga, stuttra kvikmynda, samfélagsmiðla pósta. Phoenix-4 beinist að samskiptum, miklu stærri markaðir lifandi myndbands samskipta.

Íhugðu notkunartilfelli:

Markaðurinn fyrir rauntíma samtalandi myndbandi er grundvallar frábrugðinn klipp-gerðar markaðnum. Það er minna skapandi en meira viðskiptalega ögn. Fyrirtæki sem nú eyða á Zoom leyfum, þjónustuver starfsmannum og myndbandafremstillingu fyrir söluafl eru fyrstu markmið.

Tæknileg takmörk sem á að fylgst með

Phoenix-4 er ekki án takmarkana. Núverandi útgáfa virkar eingöngu með einu andliti, fram-andlitum aðstæðum. Fjölpersóna samtöl, heilum líkama birtun og flókin bakgrunnir eru ekki studdir.

Skýjaðra aðeins krafan þýðir seinkun fer eftir netkjörkum. Tavus bílögur minni en 600ms heildri ótengingu í ákjósanlegum aðstæðum, en raunvöld afköst munu vera breytileg. Fyrir seinkunar-viðkvæm forrit eins og lifandi þjónustuver símtöl, brún dreifing verður að lokum nauðsynleg.

Stærri mynd

Phoenix-4 kemur á boga punkti. Forhaðða tilvér myndbandið rými er þröngur, með tugum módela keppi á upplausn, lengd og stíl. En rauntíma samtalandi myndbandi er næstum tómt. Tavus stendur frammi fyrir takmarkaðri beinni keppi, með flestum valkostum vera einföld leka-samstilla yfirlagnir fremur en full tilfinningaleg birtun kerfi.

Spurningin er hvort þriggja móðela arkitektúruna geti stækkað. Að keyra Raven-1, Sparrow-1 og Phoenix-4 samtímis krefst umtalsverðrar tölvu. Núna, sem tölvu lifir Tavus ský. Að flytja það nær brúninni, eða að fínstilla það fyrir neytandi vélbúnað, myndu opna allt nýja dreifingu atburðarás.

Fyrir víðtækara tilvér myndbands iðnað, Phoenix-4 merki að næsta skærsluvið er ekki bara betri myndbandið. Það er myndbandi sem rauntíma viðmót, þar sem tilvér-gerðin er ekki að búa til efni fyrir þig, heldur samskipta við þig.

Phoenix-4 er tiltæk gegnum Tavus API. Stafræn tvíbura gerð krefst tveggja minútu myndbandshladda. Verðupplýsingar eru tiltækar á þeirra þróunargátt.