Tavus发布Griffin模型：AI数字人实现全双工视频交互，近半数测试者误认为真人
2026/10/04 13:27阅读量 3
美国AI视频公司Tavus于10月1日发布名为Griffin的「人类交互模型」，该模型采用端到端全双工架构，实现了实时音视频生成与对话理解。在一分钟视频通话测试中，48%的参与者未能分辨出对方为AI，较上一代系统2.4%的通过率提升显著。Griffin通过连续对话建模和自回归视频生成技术，解决了传统级联架构的延迟与信息丢失问题，标志着AI数字人从「像不像」向「懂不懂」的技术范式转变。
事件概述
2026年10月1日，美国AI视频公司Tavus发布了名为Griffin的模型，将其定义为全球首个「人类交互模型」（Human Interaction Model, HIM）。该模型旨在解决实时AI数字人在交互中的自然度问题，通过端到端的全双工技术，使AI能够像真人一样进行眼神交流、适时插话、保持沉默及表达情绪。
核心技术与性能
1. 架构革新：从级联到全双工
传统实时数字人多采用「级联」架构（语音识别→大语言模型→语音合成→形象驱动），存在高延迟和信息丢失问题。Griffin采用了全双工、视频到视频的架构：
- 连续对话建模：每隔不到一秒重新评估对话状态，综合语义、表情、镜头内容决定输出（说话、点头、沉默等），不仅生成文本，还生成涵盖情绪、姿态、表情的控制信号。
- 音视频生成引擎：
- 音频：使用自研Tavec编解码器，以10毫秒为单位流式输出声音，支持声音克隆。
- 视频：通过分布匹配蒸馏、自回归结构改造及Self-Forcing训练方法，将庞大模型压缩，实现320毫秒块状的720p实时生成。平均反应延迟为0.43秒，仅为次快方案的一半。
2. 交互能力突破
Griffin展示了多项类人交互特征：
- 非语言沟通：能根据用户动作（如拧魔方）持续注视并适时指导；在用户思考时保持安静等待，而非机械插话。
- 动态互动：具备「抢话」和打断能力，能在多人场景中自然切换对话对象，甚至对突发入镜做出反应。
- 情感表达：能根据语境做出脸红、大笑等微表情，以及配合对话内容的肢体动作。
3. 评测数据
- 图灵测试表现：在Tavus组织的一分钟视频通话测试中，54名参与者中有26人（约48%）认为对方是真人。作为对比，Tavus上一代系统在同样测试中仅2.4%的通过率。
- 基准测试：在NVIDIA推出的VideoFDB基准中，Griffin-Lite在「生成」赛道得分3.83/5（接近人类参考值3.92），在「感知」赛道得分3.73/5，均排名第一或前列。
行业影响与挑战
1. 赛道逻辑转变
Griffin的出现将数字人行业的竞争焦点从「图形渲染逼真度」（像不像）转向「对话建模能力」（懂不懂）。这要求产品具备实时理解上下文和非语言线索的能力，可能削弱依赖传统四件套（ASR+LLM+TTS+驱动）产品的护城河。
2. 测试局限性与争议
尽管数据亮眼，但测试结果需谨慎解读：
- 心理暗示偏差：测试前告知参与者对面是「另一位参与者」，可能导致默认判断为真人。
- 样本量小：仅54人参与，统计误差范围较大（±13%），且话题轻松，未涉及深度复杂场景。
- 警觉性差异：超过一半参与者未起疑心，但起疑者在20秒内即可察觉异常。
3. 安全与伦理考量
随着AI交互逼真度提升，深度伪造风险增加。Tavus承认该技术可能被滥用，目前Griffin-Lite仅对少数受信任测试者开放，公司正在开发「主动披露身份」功能并与AI安全组织合作，以应对潜在的安全威胁。