Tavus发布实时视频交互模型Griffin：48%用户误判为真人，全双工架构突破视频图灵测试边界
2026/10/03 11:27阅读量 3
AI研究团队Tavus发布实时视频交互模型Griffin，在1分钟视频通话实验中，54名参与者中有26人（48%）误认为对方是真人，较上一代系统（2.4%）大幅提升。该模型采用全双工架构，能实时处理表情、动作与情绪，并在英伟达VideoFDB基准测试中得分接近人类水平。尽管表现显著，但实验样本小、时长短，且对话流畅度仍有短板，目前仅向可信测试者开放预览，安全与身份披露功能仍在开发中。
事件概述
AI研究团队Tavus发布了名为Griffin的实时视频交互模型（Human Interaction Model, HIM），并公布了一项“视频图灵测试”实验结果。在与Griffin-Lite进行一分钟视频通话后，54名参与者中有26人（占比48%）认为屏幕另一端是真人，而对照组中上一代系统仅有2.4%的误判率。Tavus宣称这是首个通过实时视频图灵测试的模型，但目前仅向部分可信测试者开放研究预览，尚未全面商用。
核心技术与性能
- 全双工实时交互架构：Griffin采用全双工方案，能够同时看、听、说。系统以小于1秒的间隔持续评估用户的表情、视线、语气和停顿，动态决定回应、暂停或打断时机，摆脱了传统级联系统“轮流答题”的节奏。
- 低延迟与高生成速度：
- 音频：采用流式生成，支持利用约10秒参考音频克隆声音。
- 视频：以320毫秒为单元实时输出720p/25fps画面。通过模型蒸馏和自回归训练，将多步生成压缩为少步生成，提升长时间输出的稳定性。
- 延迟：音频到视频的生成延迟平均为0.43秒，约为竞品的一半。
- 视觉细节增强：模型能从一张参考图像出发，实时生成包含人脸、手部动作、背景变化及光影效果的完整画面，实现眼神交流、点头等非语言信号的同步表达。
基准测试与实验数据
- VideoFDB榜单表现：在英伟达公开的VideoFDB基准中，Griffin-Lite在生成赛道总分3.83（人类参考3.92），感知赛道3.73（人类参考4.20），均领先其他AI系统。但需注意，部分对比对象输入条件不同（仅音频或音视频），排名不可直接平移至所有场景。
- 用户体验评价：
- 误判率：48%的参与者未察觉是AI，平均信心79%；怀疑者是AI的用户平均信心81%，且多数在20秒内产生怀疑。
- 评分短板：在七分制评价中，自然程度5.4，可信度5.6，再次交流意愿5.8，但对话流畅度仅为4.9，是各项指标中最低的，表明模型在应对复杂对话节奏时仍有明显不足。