刚刚，AI 击穿了「视频图灵测试」，1700 万网友在线围观

x'qx'qx'q

过去，视频通话常被当成确认身份的一道保险。文字可以代写，声音可以合成，但让对方打开摄像头，聊几句、看表情，似乎总能多一分把握。

如今，连这份眼见为实的笃定也开始受到挑战。

最近，AI 研究团队 Tavus 发布实时视频交互模型 Griffin，并公布了一项实验结果。在与其研究预览版 Griffin-Lite 进行一分钟视频通话后，54 名参与者中有 26 人认为，屏幕另一端坐着一个真人，占比约为 48%。

▲ 截至发稿前，近 1736 万网友围观

作为对照，Tavus 上一代系统在相同实验流程下，只有 41 人中的 1 人被当成真人，比例为 2.4%。

Tavus 据此宣称，Griffin 是首个通过实时「视频图灵测试」的模型，并将其归入一个新类别 Human Interaction Model，简称 HIM，即人类交互模型。

不过，「首次通过」目前仍是 Tavus 对实验结果的定义，同时由于尚未全面开放预览，不排除存在画饼 Demo 的嫌疑，而要具体理解这次发布，需要同时看清三个问题，参与者如何被说服，模型如何完成互动，以及一分钟的表现究竟能证明多少。

让人相信的细节，藏在说话之外

与 AI 聊天时，最容易让人出戏的瞬间，未必是答案有多离谱，有时只是它太不会接话。

你停下来组织语言，它立刻抢着回答；你讲了一件难过的事，屏幕上的脸却还挂着笑；你打断它，它仍沿着原来的节奏继续说。答案可能没有错，交流却始终有些别扭。

Griffin 尝试处理的，就是这些发生在语言之外的细节。按照 Tavus 的介绍，它能够同时看、听、说，并根据对方的表情、视线、语气和停顿，持续决定接下来该做什么。

在官方演示中，模型展示了随对话改变情绪、语调和动作的能力，还参与了模仿指令游戏、魔方互动，以及观察用户焊接电路板等场景。Tavus 希望借此说明，模型能够结合画面和时间信息参与交流。

比如，同样是一段沉默，有人正在思考，有人已经说完，有人则可能希望对方继续解释。系统需要结合上下文与非语言信号判断，避免把每次声音停止都当成发言结束。

视觉生成的范围也扩大了。Tavus 称，Griffin 能从一张参考图像出发，实时生成整个画面，包括人物的脸、手臂、手指，以及椅子的移动、阴影和背景变化。

因此，屏幕上的角色在听人说话时，也可以点头、调整视线或改变表情，不必等到自己的台词开始，才突然有了动作。

AI 想学会聊天，得摆脱轮流答题的节奏

上述能力背后，是交互方式的变化。

常见的级联系统会依次完成语音识别、语言模型回答、语音合成和数字人驱动，多个环节前后衔接。用户说完一句，系统处理一句，再把结果交给下一环节。

Griffin 采用全双工视频交互方案。所谓全双工，就是系统在输出语音和视频的同时，仍持续接收并处理用户的声音与画面。

▲ 左为原图，右由 AI 辅助翻译，仅供参考

它由两个主要部分构成。

持续对话建模引擎负责感知现场、决定说什么以及何时回应，同时输出情绪、表情和动作等控制信号；音视频生成引擎则将这些信号转化为连续的声音与画面。

对话引擎以小于一秒的间隔重新评估交流状态，所以模型在一句话说到一半时，也能根据用户反应决定暂停、继续或让出发言机会。

实现这种配合，还需要生成速度跟得上。

Griffin-Lite 的语音模块采用流式生成，能够随着控制信号到来逐步输出声音，并支持利用约 10 秒参考音频克隆声音。

视频模块则以每段 320 毫秒的方式，实时生成 720p、25 帧每秒的视频。团队通过模型蒸馏和自回归训练，将原本多步生成的过程压缩为少步生成，同时改善长时间输出时的画面稳定性。

在 Tavus 公布的 H100 测试中，音频到达后，其效果出现在画面上的平均延迟为 0.43 秒，约为比较对象中下一快方法的一半。该数字衡量的是音频到视频的生成延迟，不能直接当成用户提问到收到完整回答的时间。‘

画面质量方面，Griffin-Lite 在与四种已发表流式扩散模型的比较中，取得了 DOVER、FID 和 THEval 三项指标的最佳成绩；唇形同步指标 LSE-C 得分为 7.27，位列第二。

榜单接近人类，一分钟实验仍有边界

除了内部测试，Griffin-Lite 也出现在英伟达的 VideoFDB 公开榜单上。该基准分别评估模型能否理解交流中的非语言信号，以及能否生成符合情境的声音、表情和动作。

生成赛道中，Griffin-Lite 的总分为 3.83，人类参考分为 3.92，排名下一位的 Gemini 2.5 与 Anam 组合为 2.80。感知赛道中，Griffin-Lite 得分 3.73，人类参考分为 4.20，最高的其他公开基线成绩为 3.44。

两项成绩均领先榜单中的其他 AI 系统，但它们属于特定基准下的评分。尤其需要注意，部分比较对象只接收音频，部分接收音视频，输入条件存在差异，排名不能直接推广为所有能力的比较结论。

至于最受关注的 48%，来自另一项由 Tavus 组织、通过独立研究平台招募参与者的实验。

参与者事先被告知，将与另一名参与者视频通话一分钟，讨论今年最期待的事情。实际出现在屏幕上的，是由 Griffin-Lite 实时生成脸、声音和回应的 AI 角色。

通话结束后，参与者先评价对方的自然程度、可信度和交流体验，直到问卷最后才被问及，是否怀疑过对方并非真人。研究结束时，所有人都被告知了 AI 身份。

最终，26 人判断对方是真人，这组参与者对判断的平均信心为 79%；认为对方是 AI 的参与者，平均信心则为 81%。产生怀疑的人，通常在通话开始后的 20 秒内就有所察觉。

模型也尚未消除所有交流障碍。在七分制评价中，自然程度为 5.4，可信度为 5.6，再次交流意愿为 5.8，而对话流畅程度为 4.9，是五项评价中最低的一项。

实验说明，实时合成的面孔已经能够在特定条件下让部分人信以为真。但样本只有 54 人，通话仅持续一分钟，参与者又被提前告知对方是另一个人，结果仍需要更大规模、更长时间和更多场景的验证。

越像真人，越需要说明自己是谁

在 Tavus 对 Griffin 的愿景中，你永远不会去思考交流的「机制」。你不会去想「我要用什么词汇才能让他听懂」，你只是自然地表达，让对话如水般流淌。

想象一下，未来的在线辅导，不再是冷冰冰的 PPT 录播。AI 老师能从你紧锁的眉头看出你没听懂，然后主动换一种更通俗的比喻；

未来的客服，不需要你费尽心机描述零件的型号，你只需要把它举到摄像头前，AI 就能和你一起研究怎么修理它。

机器终于俯下身来，走进了人类的语境里。

这也是为什么，Tavus 在发布 Griffin-Lite 预览版的同时，宣布只向部分可信测试者开放研究预览，尚未供普通客户使用。

团队表示，正在开发 AI 身份披露功能，并开展进一步的安全与对齐评估，更广泛的发布将取决于相关问题的处理进展。

过去，数字人的挑战是怎样让人愿意与它交流；随着实时生成越来越自然，产品还必须回答怎样让人知道自己正在与谁交流。让 AI 学会看眼色，可能会降低使用门槛，让用户看清它的身份，则将决定这份便利能否建立在信任之上。

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）