过去，视频通话是确认身份的“最后一道保险”。文字可以代写，声音可以合成，但只要让对方打开摄像头，看表情、看动作、聊几句，似乎总能多一分把握。

如今，连这份“眼见为实”的笃定也开始动摇了。

最近，AI 研究团队 Tavus 发布实时视频交互模型 Griffin，并公布了一项实验结果：在与其研究预览版 Griffin-Lite 进行一分钟视频通话后，54 名参与者中 26 人认定屏幕另一端是真人，占比约 48%。截至发稿前，已有近 1736 万网友围观这场实验。

作为对照，Tavus 上一代系统在相同流程下，41 人中仅 1 人误判，比例 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——HIM（Human Interaction Model，人类交互模型）。

不过，“首次通过”目前仍是 Tavus 对实验结果的定义，且由于尚未全面开放预览，不排除存在“画饼 Demo”的嫌疑。要理解这次发布，需要同时看清三个问题：参与者如何被说服、模型如何完成互动、一分钟的表现究竟能证明多少。

一、让人相信的细节，藏在说话之外

和 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，它仍沿着原来的节奏继续说。答案可能没错，交流却始终别扭。

Griffin 尝试处理的，正是这些发生在语言之外的细节。 按照 Tavus 的介绍，它能够同时看、听、说，并根据对方的表情、视线、语气和停顿，持续决定接下来该做什么。

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，模型能够结合画面和时间信息参与交流。

比如，同样是一段沉默，有人正在思考，有人已经说完，有人则可能希望对方继续解释。系统需要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，也可以点头、调整视线或改变表情，不必等到自己的台词开始才突然有了动作。

二、AI 想学会聊天，得摆脱“轮流答题”的节奏

上述能力背后，是交互方式的根本变化。

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——本质上是“轮流答题”。

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。

它由两个主要部分构成：

模块 职责

持续对话建模引擎 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 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。

实现这种配合，还需要生成速度跟得上。

• 语音模块：采用流式生成，能够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：以每段 320 毫秒的方式，实时生成 720p、25 帧/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。需注意，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。

三、榜单接近人类，一分钟实验仍有边界

除了内部测试，Griffin-Lite 也登上了英伟达的 VideoFDB 公开榜单。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。

赛道 Griffin-Lite 得分 人类参考分 下一位最佳成绩

生成赛道 3.83 3.92 Gemini 2.5 + Anam：2.80

感知赛道 3.73 4.20 其他公开基线最高：3.44

两项成绩均领先榜单中的其他 AI 系统，但需注意：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 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：5.4

• 可信度：5.6

• 再次交流意愿：5.8

• 对话流畅程度：4.9（五项中最低）

实验说明，实时合成的面孔已经能够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”，结果仍需要更大规模、更长时间和更多场景的验证。

四、越像真人，越需要说明自己是谁

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的型号，你只需要把它举到摄像头前，AI 就能和你一起研究怎么修理它。机器终于俯下身来，走进了人类的语境里。

这也是为什么，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，数字人的挑战是怎样让人愿意与它交流；随着实时生成越来越自然，产品还必须回答怎样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。

结语

48% 的误判率，0.43 秒的延迟，720p 的实时画面——这些数字放在一起，确实标志着一次技术跃迁。但把它称为“击穿视频图灵测试”，恐怕还为时过早。

一分钟的视频通话，参与者带着“对面是人”的预期，样本量仅 54 人——这个实验设计本身就在最大化 AI 的欺骗成功率。真正的考验不在实验室里，而在开放环境中：当所有人都知道 AI 可能伪装真人时，当通话持续半小时以上时，当对话涉及敏感信息或情感博弈时，Griffin 还能不能让人信以为真？

更值得警惕的是另一面：当 AI 能实时生成一张会看、会听、会接话的脸，且延迟低到 0.43 秒，视频通话作为身份验证手段的可靠性将彻底瓦解。以后你以为在和老板视频确认转账，对面可能是一个 Griffin 驱动的诈骗脚本。

Tavus 选择限制开放、开发身份披露功能，方向是对的。但历史告诉我们，深度伪造工具一旦成熟，管控往往跑不赢扩散。技术不会等伦理跟上，市场不会等监管就位。

所以，48% 这个数字真正该提醒我们的不是“AI 有多像人”，而是——在不久的将来，我们需要重新定义什么叫“确认过眼神”。