AI资讯

Tavus 发布 Griffin 模型,视频图灵测试通过率从 2.4% 升至 48%

Tavus 发布 Griffin 模型,视频图灵测试通过率从 2.4% 升至 48%

来源极客公园查看原文

速览

  • Tavus 发布 Griffin 模型,视频通话真人误判率从 2.4% 升至 48%。
  • Griffin 采用全双工端到端架构,取代传统级联式数字人方案。
  • 模型能实时处理语义、表情、姿态,实现抢话、停顿、点头等自然交互。
  • 语音延迟 0.43 秒,视频以 320 毫秒为块实时生成 720p 画面。
  • 在 NVIDIA VideoFDB 基准上,生成赛道接近人类,感知赛道仍有差距。
  • 测试样本仅 54 人,未遵循标准图灵测试协议,结果未经独立验证。
  • Griffin-Lite 尚未公开,Tavus 正开发主动披露身份功能。
  • 数字人赛道核心指标从「像不像」转向「懂不懂」。

美国 AI 视频公司 Tavus 于 10 月 1 日发布名为 Griffin 的模型,将其定义为全球首个「人类交互模型」(Human Interaction Model,HIM)。Tavus 公布的数据显示,在一项一分钟视频通话测试中,54 名参与者中有 26 人事后认为自己是在和真人聊天,比例接近 48%;而 Tavus 上一代系统在同样测试中,41 个人里只骗过了 1 个,比例 2.4%。Griffin 采用「全双工、视频到视频」的端到端架构,取代了传统数字人「语音识别、大模型、语音合成、形象驱动」的级联流程,能够实时处理对话中的语义、表情、姿态和手势,并支持抢话、停顿、点头等自然交互行为。在 NVIDIA 的 VideoFDB 基准上,Griffin-Lite 在「生成」赛道拿到 3.83 分(满分 5 分),接近人类参考值 3.92;在「感知」赛道以 3.73 分排名第一。不过,该测试样本量小、未遵循标准图灵测试协议,且 Griffin-Lite 目前仅向少数受信任的测试者开放,尚未对客户公开。

关键事实

  • Tavus 于 10 月 1 日发布 Griffin 模型,定义为全球第一个「人类交互模型」(HIM)。
  • 在一分钟视频通话测试中,54 名参与者有 26 人认为对方是真人,比例接近 48%。
  • Tavus 上一代系统在同样测试中,41 个人里只骗过 1 个,比例 2.4%。
  • Griffin 采用全双工、视频到视频架构,每隔不到一秒重新评估对话状态。
  • 语音侧使用自研 Tavec 音频编解码器,将 48kHz 音频压缩为每秒 100 帧、每帧 40 个数值,最小以 10 毫秒为单位输出声音。
  • 视频侧以 320 毫秒为一块实时生成 720p 视频,从听到声音到脸上做出反应平均延迟 0.43 秒。

本站视角

对国内做数字人直播、政务客服、在线教育的团队来说,Griffin 指出的方向值得认真对待:如果端到端全双工模型被验证为实时交互的最优解,那么当前基于「语音识别+大模型+语音合成+形象驱动」四件套搭建的产品,其延迟和交互自然度上的劣势会迅速暴露,护城河变浅。具体受影响的包括依赖预生成口播视频的 HeyGen、Synthesia 类公司,以及国内大量采购第三方数字人 SDK 的中小企业——它们可能面临技术路线切换带来的重新选型成本。我们的判断是,Griffin 在架构上的端到端思路是实质进步,但 48% 这个数字被过度包装了:测试存在明显心理暗示,样本仅 54 人,误差范围大,且 Griffin-Lite 尚未公开,第三方无法复现。Tavus 有商业动机放大这一结果以吸引关注和融资。需要观察的是,Tavus 能否在扩大测试样本、遵循标准协议的情况下复现这一比例,以及国内厂商跟进端到端方案的速度。对中文开发者和产品团队而言,现在不必急于推翻现有架构,但应开始评估端到端模型在自身场景中的可行性,尤其是对实时性要求高的对话场景。

背景与影响

过去几年,数字人行业主要解决「播」的问题,即预先生成口播视频,比拼的是形象逼真度和口型同步。HeyGen、Synthesia 等公司以及国内大量直播带货、政务客服数字人均采用这一路线。实时对话场景则普遍依赖级联架构:语音识别转文字、大语言模型生成回复、语音合成念出文字、形象驱动模型让脸动起来。这种接力式流程每多一次交棒就多一份延迟和信息丢失,导致数字人出现「等你说完、愣一秒、再开口」的机械感。Tavus 上一代方案由 Phoenix-4.5、Sparrow-2、Raven-1 三个模型组成,已被 15 万开发者和企业使用,但真人测试通过率仅 2.4%。Griffin 将接力赛变为一个大脑同时处理所有事情,类似 2024 年 GPT-4o 用端到端语音模型取代三段式流程,将端到端革命从声音推进到画面。这意味着数字人行业的竞争焦点可能从图形渲染转向对话建模,那些靠堆砌四件套搭起来的产品护城河会迅速变浅。不过,Griffin 的 48% 通过率并非严格意义上的图灵测试,参与者被告知会和另一位参与者视频通话,存在心理暗示;样本量小,统计误差约正负 13 个百分点;测试仅一分钟,话题轻松。X 上的社区笔记已标注结果未经独立验证。Tavus 也承认 Griffin 的能力可能被滥用,正在开发主动披露身份功能,并与 AI 安全组织合作。

本文由 AI 辅助整理自公开信源,事实部分以原文为准;「本站视角」一节为编辑部判断,欢迎指正。版权归原作者所有,如有异议请联系我们。

编辑与审校

AI大海啸编辑部

负责选题、审校与「本站视角」的判断。

编辑流程与 AI 使用说明