Tavus 推出互動模型 Griffin：48% 受測者誤以為在跟真人影片

如果你跟 AI 打過影片電話，大機率經歷過這種尷尬：你剛深吸一口氣準備接著說，對方突然搶話；或者你講得聲情並茂，螢幕那頭頂著一張塑膠感的臉，面無表情地等兩秒才擠出一句單調的回覆。

AI 初創公司 Tavus 釋出了 Griffin，把它稱為全球首個「人類互動模型」（Human Interaction Model，簡稱 HIM）。簡單來說，它不是把語音識別、大語言模型和對口型工具簡單串聯起來，而是一個端到端的全雙工影片系統，能像真人一樣邊看、邊聽、邊插話。

從測試資料看，它把視訊通話的逼真度推到了一個新階段。在一項 54 人的面對面盲測裡，與 Griffin-Lite 通話一分鐘後，有 48% 的參與者（26 人）以為自己在和真人聊天。作為對比，Tavus 上一代基於 Phoenix 4.5 等拼接系統的通過率只有 2.4%（41 人裡僅 1 人誤認）。

告別排隊發言，讓 AI 學會「察言觀色」

以往的數字人視訊通話體驗之所以出戲，是因為底層往往是串聯結構：先聽完錄音轉文字，送給大模型想好答案，再轉成語音驅動嘴型。機器必須等你說完才能動腦子，根本不懂什麼是自然的交流節奏。

Griffin 換了個做法，做成了全雙工系統。它在亞秒級的頻率下持續判斷對話狀態，感知、做決策和音影片生成全部同步進行。這意味著你說話時，它能適時點頭附和；發現你在停頓思考，它不會盲目搶話；你想打斷它，它也能立即收住並調整反饋。

更關鍵的是它長了「眼睛」。除了聽聲音，Griffin 還能捕捉使用者的視線、面部表情以及共享螢幕上的內容。比如使用者螢幕上出現一隻孔雀，它能在對話裡順手把這個細節帶進去。

在底層生成上，它靠一張參考圖就能即時生成每一幀的全部畫素，不僅是面部和手指，連身後的陰影、坐著的椅子晃動都能一起渲染。聲音方面，基於自研的 Tavec 緊湊連續音訊編解碼器，大約只需 10 秒參考音訊就能完成聲音克隆，生成的音訊切片小到 10 毫秒，幾乎感覺不到延遲。

在 NVIDIA 的 VideoFDB 自然影片聊天基準測試中，Griffin-Lite 在考察對話行為的生成賽道拿到了 3.83 分（滿分 5 分），非常逼近真人參考錄影的 3.92 分，比排在第二的 Gemini 2.5 搭配 Anam 組合（2.80 分）高出整整一分。不過在感知賽道上它得分 3.73，比起真人的 4.20 仍有明顯差距，說明它對複雜對話線索的理解還沒完全趕上真人。

目前 Tavus 僅向一小部分受信任的測試者開放 Griffin-Lite 研究預覽版，更強大的完整版本和公開發布時間暫時沒有確定。

為什麼重要

我們認為，Tavus 這次最聰明的突破，在於它放棄了「大模型外掛皮套」的縫合思路，把人際互動中的微表情、節奏和肢體語言當成底層系統的核心指標。對普通人來說，逼真的全雙工互動如果用在虛擬外教、課後輔導或獨居老人陪護上，體驗會有質的飛躍。學生指著螢幕上的錯題，AI 能順著眼神和動作即時解答，比冷冰冰的文本對話有效得多。

但硬幣的另一面是巨大的安全隱患。只需一張照片和 10 秒音訊，模型就能即時演算出一個能打影片電話、能應對追問的活人。此前香港就發生過財務人員在跨國視訊會議裡被深偽假總監騙走 2500 萬美元的案件；一旦具備即時感知與打斷能力的影片模型落入駭客手中，這類詐騙將極難防範。

此外，目前的 48% 圖靈測試成績是在一分鐘以內的短對話、且使用者原本就以為對方是人類的預設立場下測出來的。在更長、更深入的對話中，AI 的邏輯連貫效能否撐住、會不會露出破綻，依然有待檢驗。Tavus 顯然也意識到了這點，把模型封測在小圈子裡完善安全披露機制。如何在開放這項技術的同時守住身份認證的底線，是接下來整條賽道都必須交出的答卷。