Phoenix-4.5 anime le haut du corps sans ralentir la conversation

Tavus lance Phoenix-4.5, un modèle d’avatar conversationnel qui génère le visage et le haut du corps en temps réel, avec un délai audio-vidéo annoncé de 134 ms.

Un visage peut suivre une voix avec précision tout en restant étrangement immobile. La bouche prononce les bons mots, mais les épaules ne bougent pas, la posture demeure figée et le personnage semble attendre son prochain signal. Phoenix-4.5 tente de corriger cette rupture en étendant l’animation au haut du corps.

Présenté le 10 septembre 2026, le nouveau modèle de Tavus génère ensemble le visage, la tête, le cou, les épaules, le torse, les vêtements et l’environnement visible. Les mouvements ne s’arrêtent plus autour de la bouche ou au bord du visage : ils doivent suivre le rythme de la parole et se poursuivre lorsque le personnage écoute.

Phoenix-4.5 n’est pas, à lui seul, un agent conversationnel complet. Il représente la partie visuelle du Conversational Video Interface de Tavus. Cette chaîne comprend également un système de perception, un module chargé de gérer les prises de parole, la reconnaissance vocale, un modèle de langage et une synthèse vocale.

Tavus appelle désormais « Face » l’apparence visuelle d’un personnage. Le terme « PAL », pour Personified Application Layer, désigne l’ensemble configurable qui réunit ce visage, une voix, des connaissances, un comportement, des objectifs, des outils et des règles. Une conversation connecte ensuite le PAL à un participant à travers un flux WebRTC.

Phoenix intervient à la fin de cette chaîne. Il reçoit le son produit par la synthèse vocale et transforme cette information en mouvement. L’intelligence de la réponse peut venir d’un autre modèle, fourni par Tavus ou choisi par le développeur. Phoenix-4.5 ne décide donc pas de ce que le personnage doit dire : il détermine principalement comment celui-ci doit bouger pendant qu’il parle ou écoute.

La génération précédente utilisait une zone carrée centrée sur le visage et la tête. Celle-ci était ensuite intégrée à une séquence préenregistrée montrant le reste du corps. Cette méthode permettait déjà d’animer les expressions en temps réel, mais maintenait le torse dans une position largement fixe.

Les mouvements trop importants pouvaient également révéler la frontière entre la région recréée et la séquence d’origine. Une inclinaison de la tête, une mèche de cheveux ou un accessoire risquait de traverser cette limite et de produire une rupture visible.

Phoenix-4.5 remplace ce fonctionnement par un moteur génératif reconstruit pour traiter l’image entière en une seule passe. Le visage n’est plus ajouté comme une couche indépendante sur un corps préenregistré. Les mouvements du cou, des épaules et du torse sont produits avec lui, sans masque ni raccord autour de la tête.

L’expression peut ainsi se propager au-delà des traits du visage. La tête suit la cadence d’une phrase, les épaules accompagnent une intonation et la posture évolue selon l’énergie de la prise de parole. Tavus ne génère toutefois pas un corps complet : l’architecture décrite reste centrée sur une représentation à mi-corps.

Le changement concerne également les moments de silence. Une personne ne devient pas parfaitement immobile lorsqu’elle écoute. Elle ajuste son regard, modifie légèrement sa posture et réagit avant même de reprendre la parole. Phoenix-4 avait déjà introduit une écoute active et un mouvement facial continu. La nouvelle version étend ce comportement à la tête et au haut du corps.

Le modèle analyse les deux côtés de la conversation. Il reçoit le son du PAL, mais aussi celui de son interlocuteur, afin de maintenir une réaction visuelle pendant que l’utilisateur parle. L’objectif consiste à éviter une alternance trop mécanique entre un état « en train de parler » et un état « au repos ».

Deux modèles travaillent ensemble pour produire ce résultat. Le premier joue le rôle d’animateur. Un Transformer de diffusion en streaming convertit les deux flux audio en représentations compactes du mouvement, tout en tenant compte de l’identité, du style et de l’émotion attendue.

Ce système produit les mouvements par blocs successifs plutôt que d’attendre la fin d’une phrase. Tavus indique l’avoir distillé afin de réduire la génération à quelques étapes d’échantillonnage. Ce raccourcissement rend possible son utilisation pendant une conversation en direct.

Le second modèle est chargé du rendu. Il utilise une image de référence et les mouvements transmis par l’animateur pour produire le visage et le haut du corps. L’architecture repose sur un réseau génératif antagoniste et interprète les mouvements relativement à la référence, plutôt que comme des positions absolues devant être reproduites à l’identique.

Cette distinction doit permettre à une même indication de mouvement de rester compatible avec des visages, des coiffures et des morphologies différentes. Les signaux issus du visage servent également à coordonner la tête, le cou et les épaules, afin que chaque région ne semble pas animée indépendamment.

Tavus annonce un délai de 134 ms entre l’arrivée du son et la production de la vidéo, soit une amélioration présentée comme supérieure de 25 % à celle de tout autre modèle disponible. Cette formulation ne correspond pas au délai complet d’une conversation.

Avant que Phoenix puisse intervenir, le système doit détecter la fin ou l’interruption d’une prise de parole, transcrire le son, préparer une réponse avec un modèle de langage puis la convertir en voix. Les 134 ms couvrent seulement la dernière étape reliant le son déjà généré à sa représentation visuelle. Ils ne mesurent pas le temps séparant la question de l’utilisateur du début de la réponse.

La publication utilise par ailleurs deux valeurs légèrement différentes. Son annonce principale indique 134 ms, tandis que la partie technique évoque un délai inférieur à 130 ms et une cadence comprise entre 35 et 40 images par seconde sur des machines décrites comme plus lentes. Aucun détail public ne précise le matériel utilisé, la résolution de chaque essai ou la méthode d’agrégation des mesures.

La comparaison avec le marché reste elle aussi difficile à reproduire. Tavus ne fournit pas la liste des