Tavus 推出 Griffin：首个「人类交互模型」通过视频图灵测试，48% 受试者误以为是真人

10 月 1 日，旧金山 AI 视频公司 Tavus 发布 Griffin-Lite，并把它定义为全球首个「人类交互模型」（Human Interaction Model，HIM）——一类专为理解和生成面对面、实时人际互动而设计的新模型。在一个 54 人参与的实时视频通话测试中，26 人（48%）以为自己在和真人对话；而用同一套测试流程，上一代系统的误判率只有约 2.4%。Tavus 称这是首个通过「视频图灵测试」的实时视频对话模型。

不是更聪明，而是更会「接话」

Griffin 想解决的并不是「模型聪不聪明」，而是「时机对不对」。人类对话是全双工的：我们一边听一边点头、走神、插话，大量含义藏在表情、语气、停顿和动作里，而不是字面上。可市面上绝大多数会说话的 AI 仍是「轮流制」——语音识别、文本对话、语音合成、形象渲染逐级接力，每交接一次就多一层延迟，语气里的微妙信息也常常在接力中丢失。

英伟达在 VideoFDB（全双工视频对话基准）里的研究指出，这种级联式「语音驱动数字人」架构在架构上就无法在用户说话时产生非语言回应，感知与生成的延迟比人类真值慢 2.8 到 3.5 秒。Griffin 的路线恰恰相反：它把感知、回应决策、富有表现力的音视频生成融合进同一个实时系统，人还在说话，它就已经在判断该接话、该附和、该插话，还是该安静等待。

两个引擎，端到端实时生成

Griffin 的两个核心部件并行运转。一个是「连续对话建模引擎」，持续接收对方的音视频流，以不到一秒的间隔决定当下该说话、该等待还是该退让，同时定下内容、语气以及表情、手势、身体姿态；另一个是「音视频生成引擎」，把这些控制信号实时变成语音和全身画面——仅凭一张参考照片就能渲染出动态影像，背景、阴影、椅子移动都会随之变化，长时间对话也不会失真。因为这两套过程并发运行，Tavus 说 Griffin 能在对方一句话说到一半时就调整自己的行为，而不是等下一轮才响应。

基准成绩：双榜第一，逼近人类参考

英伟达专门为全双工音视频对话构建了 VideoFDB，素材来自 237 段真实双人视频通话，覆盖 11 种非语言动态。在生成轨道（模型自身是否给出了正确行为）上，Griffin-Lite 拿到 3.83 / 5 分，比第二名 Gemini 2.5 + Anam 的 2.80 高出整整 1.03 分，仅比人类参考的 3.92 低 0.09；在感知轨道（模型是否读懂了屏幕上的对话时刻）上拿到 3.73 分，领先最强基线 0.29 分，距人类参考 4.20 差 0.47。视频生成部件在 NVIDIA H100 上平均响应 incoming 音频只需 0.43 秒，约为 Tavus 对比的「次快公开系统」延迟的一半。

在「接管率对齐」这个衡量「何时开口」与人类参考吻合度的指标上，Griffin-Lite 生成侧 62.8%、感知侧 73.8%，是两个赛道上所有系统里最高的。VideoFDB 的核心结论是：今天的模型落后人类最远的，恰恰就是停顿处理、非语言反馈、停顿时的目光回避这些快速社交协调动态——而 Griffin 在生成侧几乎追平人类。

光环之外，必须看清的边界

几个提醒很重要。48% 这个数字来自一个小规模、由公司自己主持的一分钟通话研究，并不能代表日常使用中被误认的真实概率；VideoFDB 的分数由语言模型裁判而非真人给出，且基准研究和现场研究衡量的是不同的东西。Griffin-Lite 目前也只是面向少量受信任测试者的研究预览，并不是一个客户今天就能买到的产品。

更现实的问题是信任与合规。当近一半毫无防备的观察者在面对面视频里都分不清 AI 和真人，披露、同意、深伪检测就从学术脚注变成了运营层面的硬要求。欧盟《人工智能法案》已经规定，与人类直接交互的 AI 必须明确告知身份。Tavus 正加紧开发强制身份披露功能，并与 AI 安全机构合作——完整版 Griffin 要等合规问题解决后才会推出，时间表和定价均未公布。

为什么这件事值得关注

对客服、 tutoring、教练、远程临场这类场景来说，「它听懂了问题吗」正在快速变得不如「它表现得像房间里的一个人吗」重要。Griffin 把「非语言时机」当作核心能力而非聊天机器人的附属品来对待，标志着视频对话模型从「一张会动、对口型的脸」迈向「真正在场的对话者」。它背后有 Baseten、Daily、Cerebrium 的基础设施支持，与伦敦玛丽女王大学的科研合作，以及英伟达提供的独立评测基准。无论最终产品形态如何，方向已经明确：让人机交流回到人类最自然的那条通道上。

（资料来源：Tavus 官方博客、科技日报/中工网公开报道、caimpare.ai 与 tao.media 等公开技术报道）