Tavus 推出交互模型 Griffin：48% 受测者误以为在跟真人视频

如果你跟 AI 打过视频电话，大概率经历过这种尴尬：你刚深吸一口气准备接着说，对方突然抢话；或者你讲得声情并茂，屏幕那头顶着一张塑料感的脸，面无表情地等两秒才挤出一句单调的回复。

AI 初创公司 Tavus 发布了 Griffin，把它称为全球首个「人类交互模型」（Human Interaction Model，简称 HIM）。简单来说，它不是把语音识别、大语言模型和对口型工具简单串联起来，而是一个端到端的全双工视频系统，能像真人一样边看、边听、边插话。

从测试数据看，它把视频通话的逼真度推到了一个新阶段。在一项 54 人的面对面盲测里，与 Griffin-Lite 通话一分钟后，有 48% 的参与者（26 人）以为自己在和真人聊天。作为对比，Tavus 上一代基于 Phoenix 4.5 等拼接系统的通过率只有 2.4%（41 人里仅 1 人误认）。

告别排队发言，让 AI 学会「察言观色」

以往的数字人视频通话体验之所以出戏，是因为底层往往是串联结构：先听完录音转文字，送给大模型想好答案，再转成语音驱动嘴型。机器必须等你说完才能动脑子，根本不懂什么是自然的交流节奏。

Griffin 换了个做法，做成了全双工系统。它在亚秒级的频率下持续判断对话状态，感知、做决策和音视频生成全部同步进行。这意味着你说话时，它能适时点头附和；发现你在停顿思考，它不会盲目抢话；你想打断它，它也能立即收住并调整反馈。

更关键的是它长了「眼睛」。除了听声音，Griffin 还能捕捉用户的视线、面部表情以及共享屏幕上的内容。比如用户屏幕上出现一只孔雀，它能在对话里顺手把这个细节带进去。

在底层生成上，它靠一张参考图就能实时生成每一帧的全部像素，不仅是面部和手指，连身后的阴影、坐着的椅子晃动都能一起渲染。声音方面，基于自研的 Tavec 紧凑连续音频编解码器，大约只需 10 秒参考音频就能完成声音克隆，生成的音频切片小到 10 毫秒，几乎感觉不到延迟。

在 NVIDIA 的 VideoFDB 自然视频聊天基准测试中，Griffin-Lite 在考察对话行为的生成赛道拿到了 3.83 分（满分 5 分），非常逼近真人参考录像的 3.92 分，比排在第二的 Gemini 2.5 搭配 Anam 组合（2.80 分）高出整整一分。不过在感知赛道上它得分 3.73，比起真人的 4.20 仍有明显差距，说明它对复杂对话线索的理解还没完全赶上真人。

目前 Tavus 仅向一小部分受信任的测试者开放 Griffin-Lite 研究预览版，更强大的完整版本和公开发布时间暂时没有确定。

为什么重要

我们认为，Tavus 这次最聪明的突破，在于它放弃了「大模型外挂皮套」的缝合思路，把人际交互中的微表情、节奏和肢体语言当成底层系统的核心指标。对普通人来说，逼真的全双工交互如果用在虚拟外教、课后辅导或独居老人陪护上，体验会有质的飞跃。学生指着屏幕上的错题，AI 能顺着眼神和动作实时解答，比冷冰冰的文本对话有效得多。

但硬币的另一面是巨大的安全隐患。只需一张照片和 10 秒音频，模型就能实时演算出一个能打视频电话、能应对追问的活人。此前香港就发生过财务人员在跨国视频会议里被深伪假总监骗走 2500 万美元的案件；一旦具备实时感知与打断能力的视频模型落入黑客手中，这类诈骗将极难防范。

此外，目前的 48% 图灵测试成绩是在一分钟以内的短对话、且用户原本就以为对方是人类的预设立场下测出来的。在更长、更深入的对话中，AI 的逻辑连贯性能否撑住、会不会露出破绽，依然有待检验。Tavus 显然也意识到了这点，把模型封测在小圈子里完善安全披露机制。如何在开放这项技术的同时守住身份认证的底线，是接下来整条赛道都必须交出的答卷。