Tavus 发布 Griffin：一半的视频通话参与者没认出对面是 AI

10 月 1 日，美国 AI 公司 Tavus 发布了实时视频模型 Griffin。它把自己称为第一个 “Human Interaction Model”（HIM，人类交互模型）：一分钟的视频通话里，48% 的参与者以为对面是个真人。

48% 是怎么测出来的

这组数字来自 Tavus 自己的盲测实验。54 名参与者分别与 Griffin-Lite 通了一分钟视频电话。通话前他们被告知的版本是：对面是另一个参与者。

通完之后问：你觉得刚才和你说话的是真人吗？26 人回答是，占 48%。对比之下，Tavus 上一代数字人系统（Phoenix-4.5 加 Sparrow-2 加 Raven-1）在 41 人里只骗过 1 个人，比例是 2.4%。

Tavus CEO Hassaan Raza 和研究负责人 Ioannis Patras 联名在官方博客里写了这次发布。这个实验的细节他们没公开招募渠道，也没有请第三方来做评估。样本只有 54 人，结论的份量要打些折扣。但即便如此，从 2.4% 到 48% 的跨度，说明新系统在“感觉像人”这件事上有实质进步。

Griffin 和以前的数字人有什么不同

以前的数字人是流水线：语音识别、语言模型、语音合成、面部动画，一个接一个跑。结果是说完一句话才开始处理回复，中间出现尴尬的停顿。

Griffin 把这几个环节做进了一个模型里。视频到视频，全双工：它说话的时候眼睛还在看，耳朵还在听。打断它，它立刻停；你停顿，它能判断你是犹豫还是说完了，决定是接话还是等。它会在你说话的间隙发出 “mm-hm” 这样的回应音，点头、歪头、手势都跟着对话节奏走。

Tavus 举了个例子：Griffin 能一边看着你拧魔方一边教，一边给出提示。换句话说，模型看的是画面，不只是 transcript。

技术指标

按 Tavus 公布的数据：输出 720p、25fps，音画延迟平均 0.43 秒，跑在 NVIDIA H100 上。生成只需要一张照片和约 10 秒的音频，就能做出一个数字分身。

NVIDIA 的 VideoFDB 基准（面向全双工音视频对话的评测）里，Griffin 在生成赛道拿了 3.83 分，人类基准是 3.92 分，排第二的系统是 2.80 分。感知赛道 3.73 分，人类是 4.20 分。不过它的中位响应延迟是 2232 毫秒，比开源的 MiniCPM-o 慢。

为什么先不让你用

Griffin-Lite 目前只给了少数受信任的测试者做研究预览，没有公开 API，没有定价。Tavus 的说法是：安全机制就绪之前不向公众开放。

原因很直接。48% 的欺骗率意味着“视频通话能验证对方是真人”这个假设已经不成立了。去年香港某公司就出过 AI 全员冒充的视频会议诈骗案，一次损失 2500 万美元。工具门槛还在往下降：一张照片加 10 秒音频，就够做一个实时互动的数字分身。

Tavus 说他们正在做披露机制：对面是 AI 这件事，系统要主动说出来。什么时候做好，什么时候再开放。

眼见为实的时代结束了

Griffin 的意义不在于又一个更逼真的数字人。它的出现把一个长期存在的问题推到了台前：当 AI 能在视频通话里听、看、说、反应，连打断和停顿都处理得像人一样，传统信任手段（看一眼、听两句）就失效了。

Tavus 发布了一支短片，主角是运行在 Griffin 上的数字人 Vanessa。它说这是一种 “human computing”：机器隐身，你跟朋友聊天一样跟它说话。这句话听起来温和，但同一个能力装到诈骗团伙手里就是另一回事。

接下来要看的是两件事。第一，Tavus 的安全披露机制做成什么样。第二，视频通话的身份验证会不会出现新的标准做法。这两个答案没出来之前，Griffin 只会停在研究预览阶段。