Tavus 发布 Griffin 数字人模型，视频通话骗过近半数测试者

美国 AI 公司 Tavus 于 10 月 1 日正式发布 Griffin，称其为全球首个“人类交互模型”（Human Interaction Model, HIM）。与传统的语音转文字、大模型回复、再合成语音的级联方案不同，Griffin 用统一的视频到视频架构同时处理声音与画面，目标是让机器在实时视频通话里像真人一样“看见、听见、回应并做出表情”。

在 Tavus 组织的真人测试中，54 名参与者与 Griffin 进行了一分钟视频通话，其中 26 人（48%）认为自己是在和真人对话，而该公司上一代系统的通过率仅有约 2%。Tavus 表示，Griffin 因此成为首个通过“实时视频图灵测试”的模型。技术层面，Griffin 由连续对话建模引擎与音视频生成引擎组成：前者以亚秒级节奏判断何时开口、倾听或做出反应，后者用自回归扩散变换器（VDiT）以 320 毫秒为单位生成 720p 视频，并能在用户说完之前就开始回应，实现点头、插话等“副语言”动作。

在英伟达 VideoFDB 评测中，Griffin-Lite 在对话行为维度拿到 3.83 分（满分 5），接近真人参考的 3.92 分，明显领先其他参赛系统。目前 Tavus 先放出 Griffin-Lite 研究预览版，仅向受信任的测试者开放，更大规模版本将随后推出，并承诺在公开前先落实披露与安全机制。

这一突破被视为消费级数字人和智能体交互的重要里程碑：导师、陪伴、客服等场景有望获得更自然的视频形象。但随之而来的风险同样突出——能以假乱真的实时视频可能被用于针对老人的诈骗或冒用他人身份。部分媒体已指出，Tavus 需明确“何时、如何”强制 AI 披露与取得肖像授权，否则类似技术放大会放大深度伪造危害。如何在“更自然”与“更可控”之间取得平衡，将是这类人类交互模型走向公众前必须回答的问题。