Tavus Phoenix-4: حقیقی وقت میں جذباتی ذہانت AI ویڈیو سے ملتی ہے

کلپس سے گفتگو تک

AI ویڈیو کی جگہ resolution، مدت، اور وضاحت میں سازش میں پھنسی ہوئی تھی۔ Kling 3.0 نے native 4K کو آگے بڑھایا۔ Seedance 2.0 نے ہالی ووڈ کے مقدمے جاری کیے۔ Sora 2 نے Disney کے ساتھ معاہدہ حاصل کیا۔ سب متاثر کن تھے، سب ایک جیسا نمونہ اپناتے ہیں: ہدایت ٹائپ کریں، انتظار کریں، ویڈیو حاصل کریں۔

Phoenix-4 اس نمونے کو توڑتا ہے۔ 18 فروری 2026 کو جاری کیا گیا، یہ حقیقی وقت میں انسانی چہروں کو جذباتی ذہانت کے ساتھ دکھانے کے لیے ڈیزائن کیا گیا پہلا ماڈل ہے۔ 30 سیکنڈ میں 10 سیکنڈ کی کلپ بنانے کے بجائے، یہ 1080p میں مکمل چہرہ 40 فریم فی سیکنڈ میں 600 millisecond سے کم latency کے ساتھ دکھاتا ہے۔

یہ ایک ویڈیو جنریٹر نہیں ہے۔ یہ ایک حضور کی انجن ہے۔

آرکیٹیکچر: تین ماڈل ہم میں

جو Phoenix-4 کو تکنیکی طور پر دلچسپ بناتا ہے وہ تین جزو پائپ لائن ہے، ہر ایک انسانی رابطے کے ایک مختلف حصے سے نمٹتا ہے۔

Raven-1: جذباتی شعور

اسٹیک میں پہلا ماڈل Raven-1 ہے، ایک شعور ماڈیول جو حقیقی وقت میں آپ کے ویڈیو فیڈ کا تجزیہ کرتا ہے۔ یہ چہرے کے تاثرات، vocal tone، اور گفتگو کی نشانیاں شناخت کرتا ہے مسلسل جذباتی state کا نقشہ بنانے کے لیے۔ یہ سادہ محسوس کی تجزیہ نہیں ہے۔ Raven-1 micro-expressions، pause duration، speech cadence، اور gaze direction کو ٹریک کرتا ہے۔ آؤٹ پٹ ایک multi-dimensional جذباتی vector ہے جو rendering پائپ لائن میں جاتا ہے۔

Sparrow-1: گفتگو کی ٹائمنگ

دوسرا جزو، Sparrow-1، conversational AI میں سب سے underrated مسئلہ سے نمٹتا ہے: جاننا کہ کب بولنا ہے۔ موجودہ voice assistants یا تو آپ کو interrupt کرتے ہیں یا بہت لمبا انتظار کرتے ہیں۔ Sparrow-1 مکمل duplex architecture استعمال کرتا ہے جو بیک وقت سنتا اور بولتا ہے، جیسے اصل انسان بات کرتے ہیں۔ یہ turn-taking signals کی پیش گوئی کرتا ہے، back-channel signals کا انتظام کرتا ہے (nodding، "mm-hmm" برابری)، اور Raven-1 سے جذباتی state کی بنیاد پر جواب کی ٹائمنگ کو ایڈجسٹ کرتا ہے۔ اگر آپ رکتے ہیں کیونکہ آپ سوچ رہے ہیں، یہ انتظار کرتا ہے۔ اگر آپ رکتے ہیں کیونکہ آپ الجھے ہوئے ہیں، یہ واضح کرتا ہے۔

Phoenix-4: Gaussian-Diffusion Rendering

rendering ماڈل خود Gaussian-diffusion hybrid approach استعمال کرتا ہے۔ روایتی diffusion models حقیقی وقت کے استعمال کے لیے بہت سست ہیں۔ خالص Gaussian طریقے diffusion کی تفصیل کے معیار کی کمی کرتے ہیں۔ Phoenix-4 دونوں کو یکجا کرتا ہے: یہ base geometry اور real-time tracking کے لیے Gaussian splatting استعمال کرتا ہے، پھر expression-critical regions (eyes، mouth، brow) پر targeted طریقے سے diffusion refinement لاگو کرتا ہے۔

جذباتی کنٹرول API

developers کے لیے، سب سے عملی خصوصیت Emotional Control API ہے۔ AI کو فیصلہ کرنے دینے کے بجائے کہ کیسے جذبات ظاہر کریں، آپ programmatically ہدف کے جذبات کی تعیین کر سکتے ہیں۔

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

API دس سے زیادہ جذباتی states کو سپورٹ کرتا ہے، بشمول joy، sadness، anger، surprise، fear، excitement، curiosity، اور contentment، intensity controls اور blending کے ساتھ۔ ایک customer support avatar caller کی آواز میں frustration شناخت کرتے وقت دوست سے ہمدردانہ میں تبدیل ہو سکتا ہے۔ یہاں تین ماڈل پائپ لائن کا فائدہ اٹھتا ہے۔ Raven-1 صارف کی جذباتی state کو شناخت کرتا ہے، developer کے قوانین مناسب جواب emotion کا تعین کرتے ہیں، اور Phoenix-4 اسے حقیقی وقت میں render کرتا ہے۔

دو منٹ میں ڈیجیٹل ٹوئنز

سب سے حیران کن دعووں میں سے ایک: Phoenix-4 صرف دو منٹ کی فوٹیج سے ڈیجیٹل twin بنا سکتا ہے۔ اپنے آپ کے بات کرتے ہوئے ایک مختصر ویڈیو اپ لوڈ کریں، اور نظام حقیقی وقت کے avatar کی پیڑھی کے لیے کافی چہرے کی geometry، expression range، اور voice خصوصیات نکالتا ہے۔

معیار ابھی film VFX levels پر نہیں ہے۔ demos میں، ڈیجیٹل twins تیز رفتار head movements اور پیچیدہ lighting transitions کے ارد گرد کبھی کبھار artifacts دکھاتے ہیں۔ لیکن video calls، customer support، اور sales presentations کے لیے، fidelity کافی سے زیادہ ہے۔

یہ AI ویڈیو کے لیے کیوں اہم ہے

Phoenix-4 ایک category expansion ہے AI ویڈیو کے لیے۔ اب تک، ہر بڑے ماڈل نے content creation پر توجہ مرکوز کی: clips، ads، short films، social media posts بنانا۔ Phoenix-4 communication پر توجہ مرکوز کرتا ہے، live video interaction کی بہت بڑی market۔ استعمال کے معاملات پر غور کریں:

حقیقی وقت میں گفتگو ویڈیو کی market clip-generation market سے بنیادی طور پر مختلف ہے۔ یہ کم تخلیقی ہے لیکن تجارتی لحاظ سے زیادہ فوری ہے۔ کمپنیاں جو فی الوقت Zoom لائسنسز، call center staffing، اور sales enablement کے لیے ویڈیو production پر خرچ کرتی ہیں وہ پہلے targets ہیں۔

تکنیکی حدود کو دیکھنا

Phoenix-4 بغیر رکاوٹوں کے نہیں ہے۔ موجودہ ورژن exclusively single-face، front-facing scenarios کے ساتھ کام کرتا ہے۔ Multi-person conversations، full-body rendering، اور complex backgrounds سپورٹ نہیں ہیں۔

cloud-only requirement کا مطلب ہے latency network quality پر منحصر ہے۔ Tavus 600ms سے کم end-to-end optimal conditions میں رپورٹ کرتا ہے، لیکن real-world performance مختلف ہوگی۔ latency-sensitive ایپلیکیشنز جیسے live customer calls کے لیے، edge deployment بالآخر ضروری ہوگی۔

بڑی تصویر

Phoenix-4 inflection point پر پہنچتا ہے۔ Pre-rendered AI ویڈیو کی جگہ resolution، duration، اور style پر مقابلہ کرتے ہوئے درجنوں models سے بھری ہوئی ہے۔ لیکن حقیقی وقت میں گفتگو ویڈیو تقریباً خالی ہے۔ Tavus کو محدود direct competition کا سامنا ہے، زیادہ تر متبادل مکمل emotional rendering systems کے بجائے سادہ lip-sync overlays ہیں۔ سوال یہ ہے کہ کیا تین ماڈل architecture scale کر سکتا ہے۔ Raven-1، Sparrow-1، اور Phoenix-4 کو بیک وقت چلانے سے نمایاں compute کی ضرورت ہے۔ فی الوقت، یہ compute Tavus کے cloud میں رہتا ہے۔ اسے edge کے قریب لانا، یا consumer hardware کے لیے optimise کرنا، بالکل نئی deployment scenarios کھولے گا۔ AI ویڈیو industry کے لیے، Phoenix-4 اشارہ کرتا ہے کہ اگلی sرحد صرف بہتر ویڈیوز نہیں ہے۔ یہ حقیقی وقت میں interface کے طور پر ویڈیو ہے، جہاں AI آپ کے لیے مواد نہیں بناتا، بلکہ آپ سے بات کرتا ہے۔

Phoenix-4 Tavus API کے ذریعے دستیاب ہے۔ ڈیجیٹل twin creation کے لیے دو منٹ کی ویڈیو اپ لوڈ کی ضرورت ہے۔ قیمتوں کی تفصیلات ان کے developer portal پر دستیاب ہیں۔