Tavus Griffin 首过视频图灵测试：48% 的人以为对面是真人，AI 视频交互怎么选？

核心结论

2026 年 10 月 1 日，旧金山 AI 公司 Tavus 发布 Griffin——世界首个 Human Interaction Model（HIM），也是首个通过实时视频图灵测试的 AI 模型。在一项 54 人参与的盲测研究中，48% 的参与者在一分钟视频通话后认为对面是真人，而此前行业最强系统（Phoenix 4.5 + Sparrow-2 + Raven-1）的通过率仅为 2.4%。Griffin-Lite 目前以研究预览形式向受信任的测试者开放，更强大版本将在安全措施就绪后发布。

视频图灵测试：48% 误判率的含金量

研究通过独立研究平台招募了 54 名来自美国和欧洲的参与者。他们被告知将与另一名参与者进行一分钟的「今年期待什么」主题视频通话——但对面实际上是 Griffin-Lite 驱动的 PAL（Personal AI Link）。

通话结束后，参与者从自然度、可信度、对话流畅度和倾听感四个维度评分（7 分制）：

• 看似自然：5.4 分
• 看似可信：5.6 分
• 愿意再次交谈：5.8 分（即便在认为对面是 AI 的人中也保持 5.4 分）
• 真正在倾听：5.5 分
• 对话自然流畅：4.9 分（五项中最低）

超过半数参与者表示通话期间「从未想过对面可能不是真人」。26 人（48%）最终判定对面是真人，26 人判定是 AI。此前的行业最佳系统 Phoenix 4.5 时代，41 人中仅 1 人（2.4%）误判。

NVIDIA VideoFDB 基准：双轨第一

NVIDIA 独立构建并评分的 VideoFDB 是全双工音视频对话的业界权威基准。

生成轨（测试模型是否产出正确行为——流畅度、情感匹配、非语言行为）：

Griffin 比第二名高出 1.03 分，距人类参考仅差 0.09 分——比任何其他系统更接近人类 12 倍以上。

感知轨（测试模型是否理解当下时刻——流畅度、对话流向、视觉接地）：

Griffin 是唯一同时在两个赛道上接受评估的模型，Takeover-rate 对齐率在两个赛道均为最佳（生成轨 62.8%，感知轨 73.8%）。

技术架构：全双工 Video-to-Video 系统

Griffin 不是传统的级联系统（ASR → LLM → TTS → 人脸渲染），而是一个统一的 video-to-video 架构，包含两大引擎：

1. 连续对话建模引擎

• 同时感知音频和视频输入（而非仅音频）
• 以亚秒级间隔（mini-turns）持续做对话决策，而非每轮一次
• 决定何时及如何回应——说话、保持、让步、回应（backchannel）、点头或沉默
• 发出表情控制信号（情绪、立场、面部表情、手势）
• 可被打断、可打断他人，可在保持上下文的同时调整回应

2. 音视频生成引擎

流式语音生成：

• 采用快速自回归扩散变换器（VDiT），基于编码说话人前缀渐进生成潜在语音
• Tavec 编解码器：卷积自编码器，将 48kHz 音频映射为紧凑连续潜在表示——每帧 40 个值 × 100 帧/秒，无 codebook
• 全因果解码器：以 10ms 为单位输出音频包——句子还没生成完就开始说话
• 仅需约 10 秒音频即可克隆说话人声音
• 1 分钟语音 = 6,000 个潜在帧（对比原始音频 288 万个采样点）

流式视频生成：

• 少步自回归扩散生成器：实时生成 320ms 块的 720p 视频
• VAE 时间压缩 8 倍——1 个潜在帧 = 25fps 下 8 帧 = 320ms 视频
• 输入：参考图像 + 流式音频 + 流式控制信号（手势、注视、情绪）

三阶段蒸馏流程：

1. 分布匹配蒸馏：教师模型蒸馏为少步学生（快但非流式）
2. 教师强制 → 自回归：转为逐帧生成
3. 自强制：在自身生成历史上训练，实现长时间自回归 rollout 无漂移

与传统级联系统的差异

安全挑战与发布策略

Tavus 明确承认：通过图灵测试的能力同时也意味着 Griffin 可能欺骗人类。CEO Hassaan Raza 和研究负责人 Ioannis Patras 表示：

• 正在开发安全披露功能（safe disclosure features）
• 与 AI 安全组织合作
• Griffin-Lite 在安全措施就绪前不会向客户开放
• 邀请外部参与评估和测试
• 更强大版本将在安全工作完成后「很快」发布

当前 Tavus 平台上 150,000 名开发者和企业使用的 Phoenix（人脸生成）、Raven（视觉感知）、Sparrow（对话时机）产品线不受影响，Griffin 尚未上线平台。

对行业的影响

Griffin 的突破对多个领域有深远影响：

• 教育： AI 导师能在学生开口前注意到困惑表情
• 客服： AI 可通过摄像头看到故障产品并实时指导维修
• 面试训练： 模拟真实面试官的非语言反应
• 语言学习： 真正的对话式沉浸练习

但 48% 的误判率也意味着：屏幕上熟悉的面孔不再能自动证明对方是真人。AI 冒充风险在这一里程碑后变得更加现实。

结论

Tavus Griffin 标志着 AI 视频交互从「机械响应」到「人类级对话」的跨越。全双工 video-to-video 架构、NVIDIA VideoFDB 双轨第一、48% 视频图灵测试通过率——这些数据共同表明，AI 正在以远超预期的速度逼近人类面对面交流的能力。但安全团队仍在努力确保这项技术不会被滥用。对开发者而言，这是 AI Agent 从文本走向多模态实时交互的重要信号。