Griffin, le deepfake qui trompe un humain sur deux — Tavus l'a construit, puis a refusé de le vendre

Un appel vidéo d'une minute. Au bout du fil, quelqu'un vous regarde, vous écoute, vous coupe la parole au bon moment. Une fois sur deux, vous jurez que c'est un humain. C'est un modèle. Et son créateur refuse de le mettre en vente.

Le 1er octobre 2026, la boîte californienne Tavus a lâché un chiffre qui a fait le tour des rédactions tech : 48 %. Dans une étude maison menée auprès de 54 participants, 26 personnes ont cru, après une visio d'une minute, avoir parlé à un être humain. En face, il y avait Griffin, un modèle vidéo temps réel. Le test de Turing, celui qu'Alan Turing imaginait pour le texte en 1950, vient de changer de visage. Littéralement.

Une visio d'une minute, et vous êtes piégé

Reprenons. Un test de Turing, dans sa version originale, c'est simple : si une machine peut converser par écrit sans qu'on la distingue d'un humain, elle a gagné. Des décennies de chatbots ont échoué. Puis les LLM sont arrivés, et la barrière du texte est tombée. Restait le visage.

Tavus affirme l'avoir fait tomber. Le chiffre à retenir, c'est la comparaison : la pile technologique précédente de la boîte (un assemblage de trois modèles : Phoenix-4.5 pour le visage, Sparrow-2 pour les tours de parole, Raven-1 pour la perception) ne trompait que 2,4 % des participants. Un sur quarante et un. Griffin, lui, en trompe vingt fois plus.

La nuance a son importance. Ces 48 % ne signifient pas que Griffin est « à moitié humain ». Ils signifient qu'à pile ou face, un humain ne fait pas mieux que le hasard pour détecter la machine. C'est exactement le seuil dont rêvait Turing. Et c'est pour ça que la presse s'est emballée, du Business Today aux sites spécialisés.

Le test de Turing a changé de visage

Le test de Turing, tout le monde le connaît. Peu de gens l'ont vu en vidéo. C'est pourtant la bascule que Tavus revendique : passer d'un test textuel, obsolète depuis que les LLM écrivent mieux que la moyenne des stagiaires, à un test vidéo où tout compte. Le regard. Les micro-hochements. Le « mm-hm » placé au bon moment. L'interruption naturelle.

Griffin est ce que Tavus appelle un « Human Interaction Model » — un HIM, pour faire pendant au LLM. L'idée : un modèle ne doit pas seulement comprendre le langage, il doit comprendre l'interaction. Ce qui a été dit, certes. Mais aussi comment ça a été dit, et ce que votre visage racontait pendant que vous le disiez.

Résultat revendiqué : une visio d'une minute où le modèle tient la conversation, perçoit que vous doutez, et réagit en conséquence. Les participants lui ont donné 5,4 sur 7 en naturel, 5,6 en fiabilité, 5,8 en « envie de reparler ». La fluidité, elle, plafonne à 4,9. C'est là que le masque grince encore un peu.

Comment ça marche : un visage qui vous lit pendant que vous parlez

Ici, on entre dans la mécanique, et elle est plus intéressante que le marketing.

La plupart des avatars conversationnels (les HeyGen, Synthesia et consorts) fonctionnent en cascade. On transcrit votre voix, on envoie le texte à un LLM, le LLM répond, un synthétiseur vocal récite, un avatar anime les lèvres. Chaque étape ajoute sa latence : environ 1,5 seconde de silence entre votre phrase et la réaction. Résultat, un visage qui vous fixe poliment pendant une éternité, puis se met à parler comme un automate.

Griffin casse la chaîne. C'est un système « full duplex » : il perçoit, décide et génère en continu, sans attendre la fin de votre phrase. Il peut vous couper, placer un retour, hocher la tête pendant que vous parlez encore. La latence audio-vers-vidéo revendiquée : 0,43 seconde en moyenne sur une puce H100, environ deux fois mieux que le suivant au classement.

Sous le capot, deux moteurs. D'un côté, le « continuous conversational modeling » : à intervalles infra-seconde, le modèle réévalue l'état de la conversation et émet des signaux de contrôle. De l'autre, la génération audio-vidéo. Côté voix, un transformer de diffusion autorégressif et un codec maison baptisé Tavec, qui compresse l'audio 48 kHz en paquets de 10 millisecondes. Côté image, un générateur à trois pas de diffusion qui sort de la 720p par tranches de 320 millisecondes, 25 images par seconde.

Une minute de parole, c'est 6 000 frames latentes chez Griffin, contre 2,88 millions d'échantillons bruts. La compression est brutale. C'est ce qui lui permet de tourner en temps réel sans faire fondre le datacenter. Enfin, presque : Tavus ne divulgue pas le coût GPU réel de la chose.

Le benchmark qui met tout le monde d'accord

Une affirmation de boîte, c'est une chose. Un benchmark indépendant, c'en est une autre. Tavus s'appuie sur VideoFDB, un banc d'essai construit et noté par NVIDIA pour mesurer la qualité des agents vidéo conversationnels.

Les chiffres, là encore, sont parlants. En génération, Griffin-Lite (la version allégée ouverte à quelques testeurs) décroche 3,83 sur 5, contre 3,92 pour la référence humaine et 2,80 pour le meilleur système concurrent (Gemini 2.5 + Anam). En perception, 3,73 contre 4,20 pour l'humain, et 3,44 pour la meilleure baseline, MiniCPM-o 4.5. Sur l'alignement « theory-of-mind », Griffin-Lite caracole à 62,8 % en génération et 73,8 % en perception, meilleur de tous.

Bref, sur le papier, ça écrase. Mais gardez une réserve : ces notes sont attribuées par un juge LLM, pas par un panel d'humains. Elles mesurent une qualité perçue, pas un taux de tromperie. Ce n'est pas la même chose.