Tavus Griffin：第一个"人类交互模型"，48% 被试误认为真人
2026年10月1日，美国AI视频公司Tavus正式发布全新模型Griffin，将其定义为全球首个「人类交互模型（Human Interaction Model，HIM）」，同时宣称它是首个成功通过视频图灵测试的AI系统。该消息在X平台发布后迅速获得超1300万次浏览，成为近期多模态AI领域最受关注的突破性成果之一。
Tavus由Hassaan Raza和Quinn Favret于2020年创立，孵化自Y Combinator，总部位于旧金山，累计融资约7000万美元，此前长期深耕个性化数字人视频生成赛道，Meta、Salesforce等企业均是其早期客户。此次发布的Griffin为研究预览版Griffin-Lite，由于其逼真度过高存在明确的欺骗风险，Tavus目前暂未开放该模型的商业使用权限。http://AIDeepThInk数.cn
现有视频智能体是"接力式"：ASR → LLM → TTS → 面部渲染。每次交接都增加延迟并丢信息，结果是坏消息时头像还在笑、你说完还留一拍死寂。Griffin 把这些合并为一个模型，让"看到的东西"能改变"说出的东西"。
一、关键参数
| 项 | 内容 |
|---|---|
| 类别自称 | Human Interaction Model（HIM）——全双工 video-to-video |
| 架构 | 单一系统同时接收音视觉并生成音视觉；感知、对话决策、语音、视频连续运行，可在说话的同时反应 |
| 渲染 | 从单张参考照片实时生成 720p 整帧（含手、阴影、背景）；约 10 秒音频克隆声音 |
| 行为决策 | 每秒多次重评估：保持沉默 / 点头 / "嗯嗯" / 插话 / 让出话轮；可被中途打断而不丢上下文 |
| VideoFDB（英伟达独立评测） | Griffin 3.83 / 人类参考 3.92 / 次高已发表系统 2.80 |
| 盲测 | 54 人中 26 人（48%） 认为对方是真人；上一代栈（Phoenix-4.5 + Sparrow-2 + Raven-1）为 1/41（2.4%） |
| 置信度 | 猜"人"与猜"AI"两组自信度均约 80%；超过一半称通话中从未起疑；起疑者多在前 20 秒内 |
| 发布状态 | 仅 Griffin-Lite 研究预览给选定测试者；完整版待"安全机制"完成 |
| 技术谱系 | Phoenix-4.5（渲染，9 天前发布）、Raven-1（多模态感知）、Sparrow-2（对话动力学） |
| 公司 | 旧金山，2020 年成立，累计融资约 6400 万美元，15 万+ 开发者 |
二、核心测试数据：48%被试误判为真人
Tavus组织了54名来自美国、欧洲的受试者参与盲测，提前告知他们将与另一名真实人类进行1分钟实时视频通话，最终结果显示：54名受试者中有26人完全误判，认为对话对象是真实人类，误判比例达到48%。
作为核心参照，此前同类实时对话AI系统的真人误判率普遍低于3%，Tavus上一代级联式对话系统在同等测试中，41名受试者里仅1人被欺骗，误判率仅2.4%，Griffin将这一指标提升了16倍以上。
在英伟达官方的全双工AI视频基准VideoFDB上，Griffin的生成得分达到3.83分（满分5分），已经非常接近3.92分的真人基准线，直接登顶该基准榜单第一名。http://AIDeepThInk数.cn
三、技术突破：彻底告别传统级联架构
此前行业内所有实时数字人系统，全部采用「级联接力」的传统架构：先通过语音识别将用户语音转成文字，再交由大语言模型生成回复，随后用语音合成输出音频，最后由形象驱动模型匹配口型与表情。这套方案每经过一次模块交接，就会增加延迟、丢失语气、微表情等非语言信息，最终导致AI必须等用户完全说完话才能响应，出现标志性的1~2秒机械停顿，用户反而要反过来迁就机器的对话节奏。http://AIDeepThInk数.cn
Griffin完全抛弃了这套传统方案，由伦敦玛丽女王大学教授Ioannis Patras、前Meta AI科研负责人Maja Pantic领衔的团队，打造了感知、决策、生成三位一体的端到端全双工视频到视频架构，三者完全并行运行，没有中间模块的信息损耗。http://AIDeepThInk数.cn
其核心的「连续对话建模引擎」，不再遵循传统AI「你说完一句、我再接一句」的轮流对话模式，而是以不足1秒的「微轮次」持续评估当前对话状态，实时判断当下该开口说话、继续倾听、让出话轮、随声附和，还是保持安静，输出的控制信号不仅决定回复内容，还精准控制说话时机、肢体动作、表情变化等所有交互细节。
四、真人级交互能力的落地表现
从官方公开的多段实测演示中，Griffin已经实现了大量此前AI完全无法完成的类人交互行为：
1. 自然的话语交叠与打断
用户分享升职消息时，AI没等对方说完就同步给出表情和声音反馈，两人短暂抢话也不会打乱对话逻辑，完全复刻真人聊天的松弛感。
2. 读懂沉默的语义http://AIDeepThInk数.cn
用户焊接主板、转动魔方中途停下来思考时，AI不会贸然插话，而是安静等待，直到任务推进到下一个关键节点才主动开口提示，精准理解「沉默」本身携带的信息。
3. 非语言细节完全拟人
被用户夸奖时会自然做出「脸红」的害羞反应，看到新的人入镜镜头时能自然切换对话对象，玩「西蒙说」游戏时能精准识别口令，对方省略指令就当场点破，所有动作全部实时生成，没有提前录制的痕迹。
五、与传统级联数字人核心技术差异对比表
| 对比维度 | Tavus Griffin | 传统级联数字人 |
|---|---|---|
| 核心架构 | 感知、决策、生成三位一体端到端全双工视频到视频架构，三者完全并行运行 | 模块化接力架构：ASR→LLM→TTS→形象驱动，模块间串行交接 |
| 核心交互逻辑 | 以不足1秒的「微轮次」持续评估对话状态，实时判断说话/倾听/插话/附和 | 严格遵循「用户说完一句，AI再接一句」的固定轮流模式 |
| 平均音视频延迟 | 在英伟达H100芯片上仅0.43秒 | 普遍在1~2秒，部分复杂场景延迟更高 |
| 真人误判率 | 内部测试中48%的受试者误认为是真人 | 同类测试中误判率普遍低于3% |
| 英伟达VideoFDB生成得分 | 3.83分（满分5分，真人基准3.92分） | 同类系统得分仅2.8分左右，远低于真人基准 |
| 信息损耗情况 | 无中间转码环节，完整保留语气、微表情、沉默等非语言信息 | 语音转文字环节直接丢失语气细节，多模块交接持续累积信息误差 |
| 交互体验表现 | 支持自然话语交叠、主动打断、读懂沉默语义，完全复刻真人聊天松弛感 | 必须等用户完全说完才能响应，出现标志性机械停顿，用户需迁就机器节奏 |
| 研发团队背景 | 由伦敦玛丽女王大学教授Ioannis Patras、前Meta AI科研负责人Maja Pantic领衔，团队学术论文累计引用超9万次 | 多为通用ASR/LLM/TTS开源模块拼接，无专门针对人类交互的底层优化 |
| 硬件算力要求 | 需依托英伟达H100级别的高端GPU运行 | 普通消费级GPU即可部署，算力门槛低 |
| 商业化开放状态 | 仅发布研究预览版Griffin-Lite，暂未开放商业使用权限 | 全行业已实现大规模商业化落地，HeyGen、D-ID等平台均提供标准化服务 |
核心优劣总结
Griffin彻底打破了传统级联架构的信息损耗和交互僵化硬伤，首次将实时数字人的交互体验拉到接近真人的水平，但算力成本极高，且存在明确的滥用风险；传统级联数字人胜在成熟稳定、成本可控，是当前行业落地的主流方案，但永远无法突破「机械感强」的体验天花板。http://AIDeepThInk数.cn
五、行业争议与落地边界
这项成果发布后也引发了大量行业讨论，X平台官方为该条发布打上了社区备注，明确说明其测试结果尚未经过第三方独立验证，也没有遵循标准化的图灵测试协议，48%的误判率仅为Tavus内部测试数据。
同时行业也普遍对该技术的滥用风险表达担忧：极高的拟真度可能被用于实施针对老年人的电信诈骗，甚至通过长期持续的虚假对话诱导用户出现心理问题，这也是Tavus暂时不开放商业使用的核心原因。
目前Griffin的核心价值，是彻底打破了过去数字人「只拼脸像不像」的行业内卷，首次将AI实时交互的核心评价标准，从「内容是否正确」转向了「交互节奏是否符合人类直觉」，重新定义了实时对话AI的技术演进方向。
- Tavus