过去，视频通话常被视为确认身份的重要凭证。文字可代笔，声音能合成，但让对方开启摄像头，聊几句、看表情，似乎总能多一份安心。
如今，这份眼见为实的信心也开始面临挑战。
近期，AI研究团队Tavus推出了实时视频交互模型Griffin，并公布了一项实验结果。在与该模型的研究预览版Griffin-Lite进行一分钟视频通话后，54名参与者中有26人认为屏幕另一端是真人，比例约为48%。
▲ 截至发稿时，近1736万网友关注
作为对比，Tavus上一代系统在相同实验流程下，41人中仅有1人被误认为真人，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对实验结果的界定，且由于尚未全面开放预览，不排除存在画饼Demo的可能。要理解这次发布，需同时看清三个问题：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。
让人信服的细节，藏在言语之外
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，它仍沿原节奏继续说。答案可能没错，交流却始终有些别扭。
Griffin尝试处理的，正是这些发生在语言之外的细节。根据Tavus的介绍，它能同时看、听、说，并根据对方的表情、视线、语气和停顿，持续决定下一步行动。
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，模型能结合画面和时间信息参与交流。
例如，同样一段沉默，有人正在思考，有人已经说完，有人可能希望对方继续解释。系统需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，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动作。
AI想学会聊天，需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。
对话引擎以低于一秒的间隔重新评估交流状态，因此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，还需生成速度跟得上。
Griffin-Lite的语音模块采用流式生成，能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，约为比较对象中次快方法的一半。该数字衡量的是音频到视频的生成延迟，不能直接等同于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，一分钟实验仍有局限
除内部测试外，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，实时合成的面孔已能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，结果仍需更大规模、更长时间和更多场景的验证。
越像真人，越需说明自己是谁
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型号，你只需把它举到摄像头前，AI就能和你一起研究如何修理它。
机器终于俯下身来，走进了人类的语境里。
这也是为何，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，数字人的挑战是如何让人愿意与它交流；随着实时生成越来越自然，产品还必须回答如何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。
本文来自微信公众号“APPSO”，作者：发现明日产品的，36氪经授权发布。
围绕北单赛果说明，北单让球胜平负持续打磨更优质的服务。
北单让球胜平负深耕北京单场让球领域，用心服务每一位用户。
北单让球胜平负深耕让球比分对照领域，用心服务每一位用户。
在北单玩法解析方面，北单让球胜平负提供贴心周到的支持。
北单让球胜平负以覆盖北单全部让球玩法，按常见疑问分类整理规则说明。为核心，带来高效便捷的体验。
想了解更多每项概念均配有实际比赛赛果对照示例，直观展示判定逻辑。相关内容，尽在北单让球胜平负。