Tavus präsentiert Griffin: Full-Duplex-Videomodell für täuschend echte Echtzeit-Dialoge

Paradigmenwechsel bei Video-Avataren: Vom Kaskadenmodell zur Full-Duplex-Interaktion

Wenn Sie heute im Unternehmenskontext sprach- oder videogestützte KI-Assistenten evaluieren, stoßen Sie meist auf ein strukturelles Interaktionsproblem: Konventionelle Systeme arbeiten streng sequenziell [2]. Sie warten ab, bis Ihr gesprochener Beitrag vollständig beendet ist, übergeben das Audiosignal an eine Spracherkennung, leiten das Transkript an ein Sprachmodell weiter und erzeugen anschließend über eine Sprachsynthese sowie einen nachgelagerten Lippen-Renderer die Antwort [2]. Am 1. Oktober 2026 hat das auf „Human Computing“ spezialisierte KI-Forschungsunternehmen Tavus unter der Leitung von Mitgründer und CEO Hassaan Raza sowie Forschungsleiter Ioannis Patras mit Griffin eine neue Modellklasse vorgestellt, die diese Trennung aufheben soll [1, 2, 4].

Tavus bezeichnet Griffin als erstes „Human Interaction Model“ (HIM) [2, 3]. Dahinter verbirgt sich eine vereinheitlichte Video-zu-Video-Architektur im Vollduplex-Betrieb (Full-Duplex), die eingehende Audio- und Videoströme permanent auswertet und zeitgleich eigene Sprache, Mimik, Gestik sowie das gesamte Videobild generiert [1, 2]. Das System vereint damit Fähigkeiten, die Tavus zuvor auf drei separate Spezialmodelle aufgeteilt hatte: das Rendering-Modell Phoenix-4.5, das Turn-Taking-Modell Sparrow-2 für Sprecherwechsel und das multimodale Wahrnehmungsmodell Raven-1 [2, 4].

Zum aktuellen Zeitpunkt befindet sich die Technologie noch nicht in der allgemeinen kommerziellen Verfügbarkeit [1, 3]. Tavus stellt zunächst die Variante Griffin-Lite als eingeschränkte Forschungsvorschau (Research Preview) für einen ausgewählten Kreis vertrauenswürdiger Tester bereit [1, 2]. Ein verbindliches Datum für die breite Marktverfügbarkeit oder den Start eines angekündigten, noch leistungsfähigeren Hauptmodells nennt der Anbieter bislang nicht [1, 2]. Vor einer Öffnung für den Massenmarkt arbeitet das Unternehmen nach eigenen Angaben noch an Sicherheits- und Kennzeichnungsmechanismen [1].

Fünf Kerndimensionen der Echtzeit-Interaktion im Live-Gespräch

Um nachzuvollziehen, warum herkömmliche Video-Avatare in der Praxis oft hölzern wirken, lohnt sich ein Blick auf die nicht-verbalen Ebenen menschlicher Kommunikation [2]. Laut Hassaan Raza zwingen bisherige Maschinen den Menschen dazu, seine Sprechweise an die Technik anzupassen: Nutzer vermeiden Denkpausen aus Sorge, vorzeitig unterbrochen zu werden, und erhalten auf emotionale Aussagen oft starre Gesichtsausdrücke oder verzögerte Standardfloskeln [2]. Griffin soll diese mechanischen Reibungsverluste durch fünf eng verzahnte Funktionsbereiche überwinden [2].

Ein wesentlicher Unterschied zu älteren Avatar-Generationen liegt dabei in der vollständigen Abkehr von starren 3D-Körpermodellen (3D Priors) [2]. Während frühere Systeme meist nur die Mundpartie oder den Kopf innerhalb einer vorab aufgezeichneten Videoschleife animierten, erzeugt Griffin jedes einzelne Pixel jedes Frames in Echtzeit neu – ausgehend von lediglich einem einzigen Referenzbild [2].

• Verhaltens- und Emotionsmodellierung: Das Modell passt Tonfall, Lachen, Körperhaltung und Gesichtsausdruck dynamisch an den Gesprächskontext an, statt nur neutralen Text zu verlesen [2].
• Full-Scene-Generierung: Griffin steuert über das Gesicht hinaus auch Arme, Hände und Finger sowie physikalische Umgebungsdetails wie die Bewegung des Bürostuhls, den Schattenwurf der Person und den Hintergrund [2].
• Vollduplex-Gesprächsführung: Da Wahrnehmung und Sprachgenerierung parallel ablaufen, kann das System während des eigenen Sprechens zuhören, durch Nicken oder kurze Laute („Backchanneling“) Verständnis signalisieren, den Gesprächspartner unterbrechen oder selbst mitten im Satz unterbrochen werden, ohne den Gesprächsfaden zu verlieren [1, 2].
• Visuelle Wahrnehmung (Perception): Griffin wertet das Kamerabild sowie optional geteilte Bildschirminhalte des Gegenübers aus, erkennt Blickrichtungen oder gezeigte Objekte – in Demonstrationen etwa einen Zauberwürfel oder Lötarbeiten an einer Platine – und bezieht diese visuellen Details unmittelbar in seine Antworten ein [1, 2].
• Zeitliches Verständnis (Temporal Understanding): Das System misst die Dauer von Gesprächspausen, unterscheidet zwischen einer kurzen Denkpause und beendetem Redefluss und entscheidet eigenständig, wann es nach längerem Schweigen wieder das Wort ergreift [2].

Systemarchitektur: Kontinuierliche Konversationssteuerung statt Kaskaden-Pipeline

Technisch teilt Tavus die Griffin-Architektur in zwei primäre, parallel arbeitende Hauptkomponenten auf: eine Engine für „Continuous Conversational Modeling“ (CCM) und eine nachgelagerte Engine für die audiovisuelle Streaming-Generierung [2]. Für Ihre technische Bewertung ist vor allem die Funktionsweise der CCM-Komponente entscheidend, da hier die Abkehr vom klassischen Request-Response-Muster stattfindet [2].

Anstatt Konversationsentscheidungen nur einmal pro abgeschlossenem Redebeitrag (Turn) zu treffen, evaluiert Griffin den Gesprächszustand in regelmäßigen Sub-Sekunden-Intervallen, sogenannten „Full Duplex Miniturns“ [2]. In jedem dieser Bruchteile einer Sekunde fließen der System-Prompt, die bisherige Gesprächshistorie sowie die laufenden Audio- und Videoströme des Nutzers zusammen [2]. Das Modell entscheidet kontinuierlich darüber, ob es das Wort ergreifen, halten oder abgeben soll (Turn-taking: speak / hold / yield) und wie es auf Zwischenrufe reagiert (Barge-in: continue / pause / stop) [2].

Trennung von Rückmeldung und Unterbrechung

In der betrieblichen Praxis – etwa im telefonischen oder videogestützten Kundendienst – scheitern Sprachagenten häufig daran, dass sie bestätigende Hörer-Signale wie „Mm-hm“ oder „Verstehe“ fälschlicherweise als Unterbrechung werten und sofort verstummen [2]. Durch die kontinuierliche Zustandsschätzung im CCM unterscheidet Griffin zwischen echtem Barge-in (beispielsweise wenn ein Kunde mitten in einer Restaurant-Buchung von italienischer Küche auf Sushi umschwenkt) und bloßem Backchanneling [2]. Bei kurzen Bestätigungen führt das Modell seine Antwort nahtlos fort, während es bei inhaltlichen Einwänden seine laufende Ausgabe sofort abbricht, neu plant und den Dialog anpasst [2].

Steuersignale und Werkzeugaufrufe

Das CCM gibt nicht lediglich Text-Tokens aus, sondern emittiert parallel feingranulare Steuersignale (Control Signals) für die nachgelagerten Generatoren [2]. Diese Signale definieren die emotionale Färbung, die Körperhaltung, den Gesichtsausdruck und spezifische Gesten [2]. Zudem ist die Architektur laut Tavus in der Lage, über alle Gesprächsphasen hinweg externe Werkzeuge (Tool Calling) aufzurufen, während der Avatar den Nutzer durch natürliche Überbrückungssignale im Gespräch hält [2].

Audiovisuelle Streaming-Synthese: Tavec-Codec und mehrstufige Video-Destillation

Damit die im Sub-Sekunden-Takt getroffenen Entscheidungen des Konversationsmodells ohne spürbare Verzögerung für Sie sichtbar und hörbar werden, musste Tavus sowohl die Audio- als auch die Videogenerierung auf striktes Streaming trimmen [2]. Beide Subsysteme verarbeiten eingehende Steuersignale inkrementell, also Latenz-Chunk für Latenz-Chunk, ohne auf das Ende eines vollständigen Satzes zu warten [2].

Sprachsynthese und der kontinuierliche Codec Tavec v1.7

Die Sprachausgabe von Griffin-Lite basiert auf einem schnellen autoregressiven Diffusions-Transformer [2]. Bemerkenswert – und aus Sicherheitssicht hochgradig sensibel – ist die Fähigkeit zum schnellen Stimmenklonen: Nach Angaben von Tavus genügt ein Referenz-Audioclip von rund zehn Sekunden Länge, den das Modell als Präfix kodiert, um die Stimme des Sprechers progressiv mit konversationstauglicher Latenz nachzubilden [2].

Als technisches Fundament der Audioverarbeitung dient der hauseigene Codec Tavec in der Version 1.7 [2]. Es handelt sich um einen Faltungs-Autoencoder (Convolutional Autoencoder), der hochauflösendes 48-kHz-Audio in eine kompakte, kontinuierliche latente Repräsentation überführt – konkret in 40 Werte pro Frame bei 100 Frames pro Sekunde, gänzlich ohne diskrete Codebücher (Codebooks) [2]. Während eine Minute unkomprimiertes Roh-Audio 2,88 Millionen Samples umfasst, reduziert Tavec diese Datenmenge auf 6.000 latente Frames [2]. Diese kontinuierliche Darstellung erlaubt direktes regressionsbasiertes Flow-Matching und vollständig differenzierbare Audio-Pipelines ohne Quantisierungs-Approximationen [2]. Der vollständig kausale Decoder umfasst 28,42 Millionen Parameter, verarbeitet Audiopakete von nur 10 Millisekunden Größe und erreicht auf einer NVIDIA-H100-GPU laut Tavus einen Durchsatz von 2.193-facher Echtzeit bei einem Sprachqualitätswert (ViSQOL MOS-LQO) von 4,242 [2].

Dreistufige Destillation für 720p-Echtzeit-Video

Für die visuelle Darstellung nutzt Griffin eine diffusionsbasierte Architektur, die Video in einer Auflösung von 720p in Echtzeit erzeugt [2]. Da große, bidirektionale Diffusionsmodelle für Live-Gespräche viel zu langsam sind und klassische autoregressive Videomodelle bei längeren Sequenzen häufig unter Qualitätsverlusten (Drift) leiden, entwickelte Tavus einen dreistufigen Destillationsprozess für seinen Diffusion Transformer (DiT) [2].

In der ersten Stufe (DMD2) wurde ein großes, bidirektionales Lehrermodell mit vielen Berechnungsschritten mittels Distribution Matching Distillation und einem Adversarial Loss in ein schnelles Schülermodell mit wenigen Schritten überführt, das jedoch noch das gesamte Video am Stück berechnete [2]. In der zweiten Stufe (Robust Teacher Forcing) wandelten die Entwickler dieses Modell in einen kausalen, autoregressiven Generator um, der latente Frames einzeln nacheinander im Streaming-Verfahren ausgibt [2]. Um dabei den Speicher- und Rechenaufwand zu begrenzen, kommt eine abgestufte Komprimierung der Historie zum Einsatz: Das ursprüngliche Referenzbild bleibt unkomprimiert, die ältesten generierten Frames (1 bis L) werden stark, mittlere Frames (L+1 bis L+M) moderat und die jüngsten Frames (L+M+1 bis L+M+S) nur geringfügig komprimiert [2]. In der dritten Stufe (Self-Forcing) wurde das Modell schließlich darauf trainiert, auf seinen eigenen, zuvor generierten Frames statt auf perfekten Trainingsdaten aufzubauen, wodurch Identitätskonsistenz, Lippensynchronität und Bildschärfe auch über lange Videotelefonate hinweg stabil bleiben sollen [2].

Benchmark-Analyse: Latenz, Bildqualität und NVIDIAs VideoFDB im Vergleich

Um die Leistungsfähigkeit von Griffin-Lite objektiv einzuordnen, hat Tavus sowohl isolierte Komponententests des Videogenerators als auch Gesamtsystem-Evaluationen auf dem Industriestandard-Benchmark VideoFDB von NVIDIA veröffentlicht [1, 2]. Die Messdaten zeigen deutliche Fortschritte bei der Reaktionsgeschwindigkeit, offenbaren bei genauerer Analyse jedoch auch Bereiche, in denen weiterhin ein Abstand zur menschlichen Interaktion besteht [1, 2].

Videolatenz und visuelle Qualität auf H100-Hardware

In einem reinen Audio-zu-Video-Test verglich Tavus den Videogenerator von Griffin-Lite auf NVIDIA-H100-Systemen mit vier publizierten Streaming-Diffusionsmodellen [2]. Da Griffin-Lite jeweils ein einzelnes Latenz-Frame generiert, ohne auf zukünftige Audiodaten warten zu müssen, betrug die durchschnittliche Verzögerung zwischen dem Eintreffen eines Audio-abschnitts und der sichtbaren Reaktion auf dem Bildschirm 0,43 Sekunden (Bestwert: 0,27 Sekunden; schlechtester Wert: 0,59 Sekunden) [2]. Damit reagiert das System doppelt so schnell wie das nächstschnellere Vergleichsmodell AvatarForcing, das im Schnitt 0,86 Sekunden benötigte (Spanne: 0,54 bis 1,18 Sekunden), gefolgt von LiveTalk mit durchschnittlich 0,945 Sekunden, SoulX-FlashTalk mit 1,44 Sekunden und LiveAvatar (TPP) mit 1,45 Sekunden [2].

Auch bei den Bildqualitätsmetriken setzte sich Griffin-Lite im Anbietervergleich an die Spitze: Auf dem speziell für sprechende Köpfe entwickelten Evaluationsframework THEval erreichte das Modell 0,748 Punkte vor AvatarForcing (0,698), SoulX-FlashTalk (0,696), LiveTalk (0,667) und LiveAvatar (0,657) [2]. Bei der Fréchet Inception Distance (FID, niedrigere Werte sind besser) erzielte Griffin-Lite 13,8 gegenüber 20,9 bei LiveAvatar und 25,8 bei AvatarForcing; beim allgemeinen Videoqualitätsmaß DOVER lag Griffin-Lite mit 0,750 ebenfalls vor AvatarForcing (0,711) [2]. Lediglich bei der Lippensynchronitäts-Metrik LSE-C belegte Griffin-Lite mit 7,27 den zweiten Platz hinter AvatarForcing (7,73) [2]. Tavus führt dies darauf zurück, dass LSE-C stark ausgeprägte, teils unnatürlich übertriebene Mundbewegungen belohnt, während das umfassendere Maß THEval die Natürlichkeit der Mundmotorik berücksichtigt [2].

Ergebnisse auf NVIDIAs Full-Duplex-Benchmark VideoFDB

Besonders aufschlussreich für die Praxis ist das Abschneiden auf VideoFDB, einem von NVIDIA unabhängig durchgeführten Benchmark zur Bewertung audiovisueller Vollduplex-Konversationsagenten [1, 2]. Der Benchmark nutzt ein Sprachmodell als Bewertungsinstanz, um sprachliches und nonverbales Verhalten anhand definierter Kriterien auf einer Skala bis 5 zu benoten, und gliedert sich in zwei Disziplinen: „Generation“ und „Perception“ [1, 2]. Griffin-Lite ist laut Tavus das einzige System, das in beiden Kategorien evaluiert wurde und jeweils den ersten Platz belegt [2].

Im Generation-Track (Cascaded A2AV), der bewertet, wie flüssig und emotional passend ein Agent mit Ton und Bild auf dynamische Ereignisse im Nutzer-Stream reagiert (etwa zeitgleiches Mitlachen statt verspätetem Lachen), erreicht Griffin-Lite 3,83 Punkte [1, 2]. Damit liegt das Modell nur 0,09 Punkte hinter den menschlichen Referenzaufnahmen (3,92 Punkte) und mehr als einen vollen Punkt vor den nächstplatzierten Systemen Gemini 2.5 kombiniert mit Anam (2,80 Punkte) sowie Gemini 2.5 kombiniert mit Keyframe (2,39 Punkte) [1, 2]. Zu beachten ist hierbei der Hinweis aus der Berichterstattung von The Rundown, dass diese Vergleichstabelle lediglich eine sehr kleine Zahl konkurrierender KI-Systeme umfasst [1]. Zudem zeigt ein Blick auf die detaillierten Zeitmesswerte in der Benchmark-Tabelle von Tavus, dass Griffin-Lite bei der Übereinstimmung der Sprecherwechsel (Takeover-Rate Alignment, TOR) im Generation-Track zwar mit 62,8 Prozent vor den Gemini-Kombinationen (44 beziehungsweise 31 Prozent) liegt, beim Antwort-Timing mit 1.892 Millisekunden jedoch noch doppelt so viel Zeit benötigt wie die menschliche Referenz mit 900 Millisekunden [2].

Ein noch differenzierteres Bild liefert der Perception-Track (AV2A), der unter 15 evaluierten Modellen prüft, wie gut ein System audiovisuelle Hinweise des Nutzers – etwa ein kurzes Zögern verbunden mit einem Blick zur Seite – versteht und in eine gesprochene Antwort überführt [1, 2]. Hier zeigt sich eine deutlich größere Lücke zum Menschen: Während die menschliche Referenz 4,20 Punkte (bei 90 Prozent TOR und 1.400 Millisekunden Timing) erreicht, kommt Griffin-Lite auf 3,73 Punkte (73,8 Prozent TOR, 2.232 Millisekunden Timing) [1, 2]. Damit übertrifft Griffin-Lite zwar sämtliche 14 Konkurrenten im Feld – darunter MiniCPM-o 4.5 (3,44 in der reinen Audio-Variante A2A und 3,40 multimodal), Gemini 2.5 Flash Native (3,17), Gemini 3.1 Flash Live (3,03 als A2A, 2,84 multimodal) sowie OpenAIs gpt-realtime (2,97 als A2A, 2,75 multimodal) –, allerdings reagieren kleinere Modelle wie MiniCPM-o 4.5 (720 Millisekunden) oder VITA-1.5 (400 Millisekunden) beim reinen Timing teils deutlich schneller, wenngleich auf Kosten einer geringeren inhaltlichen und visuellen Wahrnehmungsqualität [2].

Der Video-Turing-Test: Einordnung der 48-Prozent-Studie und ihrer Grenzen

Für großes Aufsehen sorgt vor allem die Aussage von Tavus, Griffin habe als erstes KI-Modell überhaupt einen Live-Video-Turing-Test bestanden [2, 3, 4]. Um diese Anbieterbehauptung für Ihre strategische Planung seriös einzuordnen, müssen Versuchsaufbau und methodische Einschränkungen genau betrachtet werden [1, 2].

Laut Tavus wurden für die Studie Teilnehmende über eine unabhängige Forschungsplattform rekrutiert [2]. Den Probanden wurde mitgeteilt, dass sie in einem kurzen Videoanruf auf einen anderen menschlichen Studienteilnehmer treffen würden; erst im Anschluss wurden sie über den wahren Charakter des Gesprächs aufgeklärt und gefragt, ob sie ihr Gegenüber für einen echten Menschen gehalten haben [1, 2]. Während beim bisherigen Flaggschiff-Interface auf Basis von Phoenix-4.5 lediglich einer von 41 Teilnehmenden (2,4 Prozent) glaubte, mit einem Menschen gesprochen zu haben, waren es bei Griffin-Lite 26 von 54 Teilnehmenden – was einer Quote von 48 Prozent entspricht [1, 2].

• Kurze Gesprächsdauer: Die Live-Begegnungen dauerten lediglich eine Minute [1, 2]. Ob der menschliche Eindruck auch über längere, fachlich komplexe Videokonferenzen hinweg Bestand hätte, ist bislang nicht belegt [1].
• Erwartungshaltung der Probanden: Da die Teilnehmenden vorab explizit darauf eingestellt waren, einen anderen Menschen zu treffen, war ihre kritische Aufmerksamkeitsschwelle für KI-typische Artefakte möglicherweise herabgesetzt [1].
• Kleine Stichprobe: Mit 54 Testpersonen bei Griffin-Lite und 41 Personen in der Vergleichsgruppe liefert die Erhebung einen starken Indikator für den qualitativen Sprung gegenüber dem Vorgängermodell, ersetzt jedoch keine großangelegte, unabhängige Langzeitstudie [1, 2].

Geschäftspotenziale und bestehendes Enterprise-Ökosystem

Für Unternehmen markiert der Übergang zu reaktionsfähigen Full-Duplex-Avataren eine relevante Entwicklung, weil visuelle Aufmerksamkeit und unmittelbares Feedback die Akzeptanz automatisierter Schnittstellen verändern können [1, 4]. Tavus positioniert seine Technologie unter dem Produktbegriff „PALs“ – personalisierte KI-Agenten, die nicht nur im Browser agieren, sondern laut Anbieterangaben nativ an Zoom- oder Google-Meet-Konferenzen teilnehmen, Präsentationen vorführen und ihren Bildschirm teilen können [4]. Bereitgestellt wird die Plattform über Entwickler-APIs, einen No-Code-Baukasten namens PAL Maker sowie vollständig verwaltete Enterprise-Implementierungen für angeblich bereits über 150.000 Entwickler [4].

Welche wirtschaftlichen Kennzahlen Tavus für seine bisherigen Video-Agenten reklamiert, zeigen drei vom Anbieter veröffentlichte Kundenreferenzen, die allerdings als Eigenangaben des Herstellers ohne unabhängige Drittprüfung gelesen werden müssen [4]:

• Vertriebsautomatisierung (Sales & GTM): Salesforce setzt mit „Piper“ eine auf Tavus basierende KI-Vertriebsmitarbeiterin (AI SDR) ein, die täglich zehntausende Website-Besucher anspricht und laut Tavus zu einer Versechsfachung der vereinbarten Meetings sowie einer Verdopplung des Gesprächs-Engagements führte [4].
• Vertriebstraining und Rollenspiele: Der Anbieter Orum nutzt den auf Tavus entwickelten Coach „Aurora“ für realistische Verkaufsübungen; laut Orum-Produktvizepräsident Bob Aspell erhöht die visuelle und emotionale Verbindung die Verbindlichkeit des Trainings, was laut Tavus-Website die Einarbeitungszeit um 50 Prozent verkürzte, die Konversionsraten verdreifachte und den durch Coaching erzielten Umsatz um 25 Prozent steigerte [4].
• Medizinische Fortbildung (Healthcare): Die Med Learning Group und Regeneron Pharmaceuticals betreiben mit „Ruby“ eine ACCME- und AMA-akkreditierte klinische KI-Beraterin für das kutane Plattenepithelkarzinom (cSCC), die auf geprüfte Quellen zurückgreift und laut Anbieterangaben das Wissensverständnis von Klinikern um 65 Prozent verbesserte [4].

Wissenschaftliche Einordnung: KI-Tutoring und soziale Begleitung

Über diese kommerziellen Fallstudien hinaus verweist die Berichterstattung von The Rundown auf zwei gesellschaftlich wie wirtschaftlich relevante Anwendungsfelder: digitale Bildung und die Betreuung älterer Menschen [1]. Dass strukturierte KI-Tutoren erheblichen Mehrwert bieten können, stützt eine im Jahr 2025 in der Fachzeitschrift Scientific Reports veröffentlichte randomisierte Kontrollstudie mit 194 Physikstudierenden der Harvard University [1]. Darin erzielten Studierende mit einem strukturierten KI-Tutor höhere unmittelbare Lerngewinne als im aktiven Präsenzunterricht [1]. Allerdings umfasste dieses Experiment lediglich zwei Unterrichtseinheiten und untersuchte weder lebensnahe Video-Avatare wie Griffin noch die langfristige Wissensspeicherung [1]. Ein reaktionsfähiger Video-Avatar könnte es Lernenden zwar erleichtern, Probleme visuell in die Kamera zu zeigen; der tatsächliche Bildungserfolg hängt in der Analyse jedoch weiterhin von der fachlichen Korrektheit der Erklärungen und einer niedrigen Fehlerrate ab [1].

Ähnlich ambivalent fällt die Bilanz im Bereich der digitalen Gesellschafts- und Pflegebegleitung aus [1]. Ein Bericht der Nachrichtenagentur Associated Press (AP) über den Begleitroboter ElliQ zeigte zwar, dass ältere Menschen durchaus ein Gefühl von Gesellschaft und Trost durch dialogfähige Systeme beschreiben [1]. Gleichzeitig warnte die Psychologin Julianne Holt-Lunstad in diesem Zusammenhang ausdrücklich davor, dass künstliche Geborgenheit dazu führen könne, dass Betroffene den Kontakt zu echten Menschen reduzieren [1]. Ob ein fotorealistischer Video-Agent wie Griffin hier positiven Nutzen stiftet oder soziale Isolation kaschiert, bleibt ohne spezifische klinische Untersuchungen offen [1].

Sicherheitsrisiken, Deepfake-Prävention und Konsequenzen für Ihre Governance

So beeindruckend die technischen Kennzahlen von Griffin-Lite für den Kundenservice oder das interne Coaching sind: Dieselben Eigenschaften, die einen KI-Assistenten im Video-Call menschlich und vertrauenswürdig erscheinen lassen, erhöhen das Missbrauchspotenzial für Social Engineering und Identitätsbetrug drastisch [1]. Wenn ein System aus einem einzigen Referenzfoto und zehn Sekunden Audiomaterial ein flüssiges 720p-Echtzeitvideo inklusive passender Kopf-, Hand- und Hintergrundbewegungen generieren kann, sinkt die technische Hürde für hochgradig überzeugende Live-Imitationen erheblich [1, 2].

Wie real diese Gefahr für Unternehmen bereits vor der Einführung von Vollduplex-Modellen wie Griffin war, verdeutlicht ein von WIRED im Juni 2025 dokumentierter Betrugsfall aus Hongkong [1]. Damals überwies ein Mitarbeiter der Finanzabteilung insgesamt 25 Millionen US-Dollar, nachdem er an einem Videoanruf mit einem täuschend echt wirkenden, KI-generierten Finanzvorstand (CFO) teilgenommen hatte [1]. Während frühere Deepfake-Angriffe im Live-Gespräch oft noch durch verzögerte Reaktionen, fehlenden Blickkontakt oder unpassende Mimik bei kritischen Rückfragen entlarvt werden konnten, droht ein Modell, das in unter einer halben Sekunde visuell und akustisch auf spontane Fragen reagiert, solche Prüfmechanismen auszuhebeln [1, 2].

Tavus hat angekündigt, vor einer breiteren Veröffentlichung von Griffin an Sicherheits- und Offenlegungsfunktionen zu arbeiten [1]. Wie das Unternehmen jedoch technisch und organisatorisch durchsetzen will, dass KI-Interaktionen zwingend als solche gekennzeichnet werden, und wie die Einwilligung (Consent) zur Nutzung von Bild- und Stimmprofilen lückenlos verifiziert werden soll, ist laut The Rundown derzeit noch eine offene Frage [1].

Für Sie als IT- und Sicherheitsverantwortliche ergibt sich daraus eine klare analytische Schlussfolgerung: Der visuelle und akustische Eindruck in einer Videokonferenz darf im geschäftlichen Alltag nicht mehr als alleiniger Identitätsnachweis gelten [1]. Finanztransaktionen, Freigaben sensibler Daten oder Änderungen von Zugriffsrechten müssen zwingend über einen zweiten, unabhängigen und vorab etablierten Kommunikationskanal (Out-of-Band-Verifizierung) gegengeprüft werden, bevor Mitarbeitende auf Anweisungen aus einem Video-Call reagieren [1].

Quellen

[1] Tavus previews Griffin, a lifelike AI that reacts on video calls | The Rundown AI — https://www.therundown.ai/news/tavus-griffin-live-video-ai-preview (abgerufen am 2026-10-14)

[2] Griffin: The First Human Interaction Model | Tavus — https://www.tavus.io/griffin (abgerufen am 2026-10-14)

[3] Griffin by Tavus: The First AI to Pass the Video Turing Test (48% Fooled) - YouTube — https://www.youtube.com/watch?v=_ZZrSujMl-E (abgerufen am 2026-10-14)

[4] Tavus: The Human Computing Company — https://www.tavus.io/ (abgerufen am 2026-10-14)