Tavus 发布 Griffin：自称首个通过视频图灵测试的模型，48% 直播对话者以为它是真人

北京时间 10 月 2 日凌晨，Tavus 在 X 上发布了模型 Griffin，称它为首个通过视频图灵测试（video Turing test）的模型，也是首个「人机交互模型」（Human Interaction Model，HIM）。称，与 Griffin 直播对话的人中有 48% 以为它是真人，此前系统的通过率低于 3%，它在 NVIDIA 面向全双工 AI 视频的基准上排名第一。

帖文附有一段演示视频；更细的说明写在 Tavus 官网发布的里：那 48% 来自一场由 Tavus 自己执行的直播通话研究，接受测试的是 Griffin 的预览版本 Griffin-Lite。

54 人的一分钟通话

按官网的描述，参与者通过一家独立研究平台招募。他们被告知将与另一位参与者配对，进行一次一分钟的视频通话，话题是「今年期待什么」。实际坐在对面的，是一个由 Griffin-Lite 实时生成脸、声音和回应的 PAL（Tavus 对这类实时 AI 的称呼）。

通话结束后，参与者要写下对方对「期待什么」的回答，再就自然度、可信度等维度打分；问卷的最后一个问题才问，有没有想过对方可能不是真人。问完，研究人员会告知他们：对话对象是 AI。

54 人中有 26 人、即 48% 认为对方是真人。对照组成绩来自上一代组合（Phoenix-4.5 搭配 Sparrow-2、Raven-1）：同类研究里，41 名参与者中 1 人认为对方是真人，约 2.4%；帖文把旧系统整体概括为「通过率低于 3%」。两组人的信心水平接近：答「真人」的平均信心 79%，答「AI」的 81%。超过一半参与者表示，通话中这个念头根本没有出现过；起疑大多发生在前 20 秒内。评分方面，7 分制下「显得自然」5.4 分、「可信」5.6 分、「愿意再聊」5.8 分、「觉得对方真的在听」5.5 分，最低的一项是「对话流畅度」，4.9 分。

NVIDIA 榜单上的 3.73 和 3.83

由 NVIDIA 与 David AI 合作，称其为首个评估全双工视听对话的基准：素材是 237 段双人通话片段、覆盖 11 种非语言对话动态，分 perception（能否读懂对方）与 generation（自己的表现）两条赛道，由语言模型担任评委，按 0～5 分打分，人类参考录像也参与评分。页面列出的常见失败模式有两种：把画面当成描述题的「字幕式坍塌」（captioning collapse），以及视听输入与纯音频输出几乎无差的「无视视觉流」。

在项目页公开的 perception 表格里，「Tavus Griffin Lite」一行总分为 3.73，是所有非人类条目的最高分；Gemini 与 OpenAI 参加评测的实时模型都在 3.17 分及以下，人类参考为 4.20 分。同一行还给出了时机指标：它的轮次接管对齐率为 73.8%、中位延迟 2,232 毫秒，人类参考是 90%、1,400 毫秒。

生成赛道的数字由 Tavus 官网给出：3.83 分，比第二名 2.80 分（Gemini 2.5 + Anam）高 1.03 分，距人类参考 3.92 分差 0.09 分。官网称，评测由 NVIDIA 独立进行，打分完成于 2026 年 9 月；并称 Griffin-Lite 是 15 个受评模型里 perception 最强的一个。帖文里「排名第一」的说法对应的就是这组评测；接受评测的版本是 Griffin-Lite。

全双工管线：720p、320 毫秒块、0.43 秒延迟

「全双工」（full-duplex）在这个系统里的意思是：它不用等你把话说完。按官网的技术说明，Griffin 以亚秒级的间隔持续评估对话状态，再决定说什么、怎么说；感知、决策、生成同时进行，所以它能在说话的过程中对新的变化作出反应。这不同于「语音识别、语言模型、语音合成」依次接力、且要等用户说完才开口的级联系统。

系统分两个引擎：连续对话建模引擎负责听和看，音视频生成引擎负责出声和出画。视频以 720p、每 320 毫秒一块的粒度实时生成；官网称在 H100 上平均延迟 0.43 秒，是次快方法的一半。声音克隆只需约 10 秒音频；自研 Tavec 编解码器把 48 kHz 音频压成每秒 100 帧、每帧 40 个值的连续潜表示，音频包最小 10 毫秒。画面从一张参考图出发生成整个场景，不只脸，还包括椅子的移动、影子和背景。

官网用来演示能力的例子包括：你说话时它接得上「嗯哼」；被打断时立刻停下；看着你转魔方并等你想清楚；给正在焊接的人按工序时间提醒下一步。页面中用于说明时序的示意图下方标注了一行小字：时序为示意，并非从真实会话中测量。

先给受邀测试者，暂不向客户开放

Griffin-Lite 从发布当天起对一小批早期测试者开放。Tavus 写明了限制：它「此时不会提供给客户使用」，想试的人可以提交申请；更强大的完整版 Griffin 随后发布。

安全顾虑指向模型本身的说服力。官网写道，让 HIM 成为自然沟通界面的那些特性，同样可能让人相信它不是 AI；因此还需要进一步的对齐与安全程序，公司正在开发安全披露功能，并与研究 AI 安全的机构合作，也邀请外界报名参与评测。

Griffin 还未进入 Tavus 的平台，官网导航把它标为 Preview；平台上现有的模型是负责脸的 Phoenix、负责看的 Raven 和负责对话时机的 Sparrow，官网称已有 15 万开发者和企业使用。官网鸣谢了基础设施方 Baseten、Daily 和 Cerebrium，以及研究合作方伦敦玛丽女王大学；VideoFDB 基准由 NVIDIA 构建并打分。

早期测试者的演示与评论区里的质疑

到北京时间 10 月 2 日上午，帖文浏览量超过 700 万次，点赞近 2 万次，转发 2,000 余次。当天，一批拿到早期访问权限的账号陆续放出上手演示。早期测试者 elvis（）写道，Griffin「能打断你，也能接住你的打断，并对你房间里正在发生的事做出反应」；另一位测试者描述：「我挥了下手，在我们都还没开口之前，它就挥手回应了。」

公告帖下方同时出现了直接的质疑。回复：「嘴部动作相当奇怪……我不觉得它看起来像真人。接近，但还差一点。」的回复是：「48% 的人以为自己是在和真人说话？这不可能。除非你们挑的样本全是 70 岁往上的人——那东西半微秒就能看穿。」则写道：「我觉得应该立法禁止这种东西。实时生成的卡通角色我倒能接受。」

帖文把误认率列为通过测试的证据；官网的安全章节则写明，正是这种让人信以为真的能力需要进一步的安全程序。完整版 Griffin 的发布要等这套程序完成，官网给出的预期是「很快」。