Tavusが対話モデル「Griffin」公開、通話テストで48%が「人間」と誤認

AIアバターと通話したことがある人なら、話している途中で遮られたり、沈黙の後にロボットのような硬い返答が返ってきたりする違和感を覚えたことがあるはずです。

AIスタートアップのTavusは10月1日、リアルタイムの対面コミュニケーションに特化したモデル「Griffin」を発表しました。同社はこれを世界初の「ヒューマン・インタラクション・モデル（HIM）」と呼んでいます。従来の音声認識、言語モデル、音声合成を順に繋ぐ仕組みではなく、相手を見て、聞き、話し、身振りを返す処理を同時に行うフルデュプレックス（全二重）のビデオ・トゥ・ビデオ構造を採用しています。

社内で行われた54人規模のテストでは、Griffin-Liteと1分間ビデオ通話を行った参加者の48％（26人）が、相手を本物の人間だと信じ込みました。Phoenix 4.5などを組み合わせた同社の従来システムではわずか2.4％（41人中1人）だったため、大幅な進化を見せています。

相手の発言を待ち構えず、空気を読むAI

Griffinの特徴は、会話のターン制を廃止した点にあります。サブ秒単位で会話状況を常時評価しており、相手が話している最中に相槌を打って頷いたり、言葉に詰まって考えているだけの沈黙を「会話の終了」と誤認せずに待ったりできます。途中でユーザーが発言を挟んでも、文脈を見失わずに反応を切り替えます。

視覚入力にも対応しており、相手の視線や表情だけでなく、画面共有されたスライドや画像（テストでは孔雀の画像など）の内容を把握し、自然に会話へ織り交ぜることが可能です。

1枚の参照画像から毎フレームの全ピクセルをリアルタイム生成し、顔や指だけでなく、座っている椅子の動きや背後の影まで一貫して描写します。音声面では10秒ほどの録音から声を複製でき、10ミリ秒単位の音声パケットをストリーミングすることで低遅延を実現しました。

NVIDIAの自然対話ベンチマーク「VideoFDB」の対話生成トラックでは、人間の基準スコア3.92に対してGriffin-Liteは3.83を記録しました。次点のGemini 2.5とAnamの組み合わせ（2.80）を1点以上引き離しています。ただし、会話の合図を読み取る知覚トラックでは人間が4.20なのに対しGriffin-Liteは3.73にとどまり、複雑な文脈理解にはまだ改善の余地を残しています。

現在提供されているGriffin-Liteは、安全対策やAI開示機能の検証を目的とした信頼できるテスター向けのプレビュー版で、一般公開の具体的な時期は未定です。

なぜ重要か

私たちが注目すべきなのは、Tavusが見た目だけのディープフェイクではなく、会話の「間」や非言語コミュニケーションの同期に踏み込んだ点です。家庭教師AIが生徒の手元の問題をリアルタイムで見て適切なタイミングで頷いたり、高齢者の見守り相手として温かみのある対話を提供したりする用途では、大きな価値を持つと考えられます。

一方で、このリアリティは詐欺のリスクを急激に引き上げます。香港で企業の財務担当者が偽のCFOとのビデオ会議に騙され、2500万ドルを詐取された事件がありましたが、臨機応変にリアクションを返せるAIが登場すれば、画面越しでの人物確認はさらに困難になります。

また、今回の48％という数値は「相手が人間だと思い込んで参加した1分間の短い会話」での結果であり、長時間の対話でどこまで破綻を防げるかは未知数です。実用化にあたっては、同意のない肖像複製への対策と、AIであることを強制的に明示する厳格な安全基準が不可欠になるはずです。