视频通话”图灵测试”被击穿：Tavus Griffin让48%的人误把AI当真人

视频通话不再是”真人保险”

过去，视频通话常被当作确认身份的一道保险。文字可以代写，声音可以合成，但让对方打开摄像头、聊几句、看表情，似乎总能多一分把握。10月1日，AI研究团队Tavus发布的实时视频交互模型Griffin，正在挑战这份”眼见为实”。

48%对2.4%：一分钟视频通话实验

Tavus公布了一项实验结果：在与研究预览版Griffin-Lite进行一分钟视频通话后，54名参与者中有26人认为屏幕另一端坐着真人，占比约48%。作为对照，Tavus上一代系统在相同流程下，41人中只有1人被当成真人，比例仅2.4%。

实验通过独立研究平台招募参与者，他们事先被告知将与另一位参与者视频通话，讨论今年最期待的事情。实际出现的，是由Griffin-Lite实时生成脸、声音和回应的AI角色。判断对方是真人的一组，平均信心为79%；怀疑是AI的一组，平均信心81%。产生怀疑的人通常在通话开始20秒内就已察觉。

不只是会说话：读懂表情、视线与停顿

与AI聊天时最容易出戏的瞬间，往往不是答案离谱，而是它”太不会接话”：你停下组织语言，它立刻抢着回答；你讲难过的事，屏幕上的脸却还挂着笑；你打断它，它仍按原来的节奏继续说。

Griffin处理的正是这些语言之外的细节。它能够同时看、听、说，根据对方的表情、视线、语气和停顿，持续决定接下来该做什么。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。它甚至能从一张参考图像出发，实时生成整个画面——人物的脸、手臂、手指，以及椅子的移动、阴影和背景变化，角色在听人说话时也能点头、调整视线。

全双工架构：AI不再”轮流答题”

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，用户说完一句，系统处理一句。Griffin则采用全双工视频交互方案：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。

它由持续对话建模引擎和音视频生成引擎两部分构成。前者感知现场、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；后者将这些信号转化为连续的声音与画面。对话引擎以小于一秒的间隔重新评估交流状态，所以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。

生成速度也跟得上。Griffin-Lite的语音模块采用流式生成，支持用约10秒参考音频克隆声音；视频模块以每段320毫秒实时生成720p、25帧每秒的画面。在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，约为比较对象中下一快方法的一半。

榜单成绩与”首次通过”的争议

在英伟达VideoFDB公开榜单上，Griffin-Lite生成赛道总分3.83，人类参考分3.92，排名下一位的Gemini 2.5与Anam组合为2.80；感知赛道得分3.73，人类参考分4.20。画面质量方面，它与四种已发表流式扩散模型相比，在DOVER、FID和THEval三项指标上取得最佳成绩。

不过”首次通过”目前仍是Tavus对实验结果的定义。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、更长时间验证。由于尚未全面开放预览，也存在画饼Demo的嫌疑。