48% 的人没认出对面是 AI：Tavus Griffin 把"脸"做成了实时交互界面

48% 对 2.4%：视频图灵测试第一次被通过

2026 年 10 月 1 日，Tavus 发布了 Griffin——它自称这是第一个「人类交互模型」（Human Interaction Model，HIM）。和市面上所有语音助手最大的区别是：Griffin 是一个全双工的 video-to-video 模型，它边听边看边说，可以被打断，会在你说话时点头、发出「mm-hm」这样的附和声，还能根据你的表情和停顿调整自己的语气和手势。官方页面的措辞很克制，但数据很不克制。

在一次盲测里，54 名参与者分别和 Griffin-Lite（Griffin 的研究预览版）进行了一分钟的视频通话，他们被告知对方是另一位参与者，话题是「今年你最期待的事」。通话结束后才被问：你觉得对方是真人吗？结果是 48% 的人回答「是真人」。作为对照，Tavus 自家上一代系统 Phoenix-4.5 的同一测试里，这个数字是 2.4%（41 人样本）。而在 Griffin 之前，所有被测过的系统——包括 Tavus 自己的旗舰管线——最高纪录只有 2%。

更值得细看的是置信度：回答「是真人」的人平均置信度 79%，回答「是 AI」的人平均置信度 81%——两边都很确信自己没看错。超过一半的人表示，通话过程中根本没闪过「对方可能不是人」的念头。7 分制评分里，Griffin 的自然度 5.4、可信度 5.6、「愿意再聊一次」5.8，即使在那些识破了它是 AI 的人里，「愿意再聊一次」依然有 5.4。这说明它赢的不只是「像不像」，而是「想不想继续聊」。

顺带一提测试方法论：参与者通过独立研究平台招募，全程不知道自己在和一个模型对话，通话结束后先被要求复述对方的回答、从多个维度打分，最后才被问「有没有一刻觉得对方可能不是真人」，问完即被告知真相。这个流程设计得相当严谨——它测的不是截图鉴别，而是实时交互中的真人感，这正是图灵测试的原始精神。

技术上它为什么不一样：亚秒级「迷你回合」对 cascade 管线是降维打击

今天几乎所有实时语音 Agent 走的都是 cascade 管线：语音识别（ASR）→ 大语言模型 → 语音合成（TTS），三段串行，等你说完了它才开始想，想完了才开始说。这种架构有个先天缺陷：它把对话切成了一个个「回合」，而人类对话根本不是回合制的——我们会抢话、会附和、会在对方停顿时用眼神示意「你继续」。

Griffin 的架构是两大部分。第一部分叫 Continuous Conversational Modeling（连续对话建模）：它以亚秒为间隔持续评估对话状态，每个极小的时间片都在做决策——现在该说、该保持沉默、还是该把话语权让出去（speak / hold / yield）；被打断时是继续、暂停还是停下（continue / pause / stop）；要不要来一个附和或点头。第二部分叫 Audio Visual Generation（音视频生成），包含流式语音生成和流式视频生成两个引擎，把对话模型的决策实时转成声音和画面。

关键在第三句官方描述：感知、决策、生成三者全程并发。Griffin 在说话的同时也在听、也在看——你的一个皱眉、一声迟疑的「嗯……」，会实时改变它正在说的下一句话的语气。这和 cascade 管线「听完→想→说」的串行逻辑是根本不同的延迟结构：实时交互的「反应时」被重写了。

视频生成侧同样激进：Griffin 从一张参考图出发，实时生成每一帧的每一个像素——不只是脸在动，椅子会晃、影子会移、背景里的一切都在动。Tavus 明确说，上一代依赖大量 3D 先验的模型做不出大幅手势和动态背景，而 Griffin 的流式视频架构在 H100 上做到了 720p 实时生成，单块视频的生成延迟平均 0.43 秒，是次快方案的一半。语音侧则可以用约 10 秒的音频克隆一个人的声音。

第三方背书也值得一提：NVIDIA 的 VideoFDB（全双工音视频对话基准）上，Griffin-Lite 在生成和感知两个赛道都是第一名——生成得分 3.83，距离人类参考分 3.92 只差 0.09，是其他被测系统与人类差距的十二分之一；感知得分 3.73，对人类 4.20。它是唯一同时参加两个赛道并都拿第一的模型。当然要诚实地说一句：在纯延迟绝对值上，一些轻量音频模型更快（比如 MiniOmni2 的感知延迟只有 720 毫秒），但那些是纯音频系统，Griffin 背的是音视频全栈。

形态分叉：Sesame 赌声音，Tavus 直接把「脸」做成界面

把时间线拉长一点看，语音 Agent 赛道正在发生一次清晰的形态分叉。上一轮（cycle11）我们发过 Sesame：它走的是纯语音路线，用呼吸、停顿、笑声这些声音的非语言信号赢得信任，刻意不要脸。而 Tavus 走了另一极：人类沟通中非语言信息占了大头——表情、手势、眼神、时机——既然如此，干脆把「脸」本身做成实时交互界面。

这是我的第一层判断：两条路线争夺的是同一个战场——「让人忘记自己在和机器对话」。Sesame 证明声音可以做到，Tavus 证明加上脸之后，真人感可以从 2% 直接拉到 48%。但路线越往「脸」上走，伦理账单就越大：声音的欺骗是「电话那头是谁」，视频的欺骗是「屏幕那头是谁」——后者在人类心理上的分量完全不同，进化让我们对脸有本能的信任。

Tavus 的创始人把愿景说得很直白：机器应该来适应人，而不是人去适应机器；让计算变得「隐形」。这话听起来很美好，但「隐形」恰恰是把双刃剑——当计算隐形到你分不清对面是人是机时，「隐形」就变成了「不可辨别」。Griffin 把这个矛盾推到了所有人面前。

「能骗过人」恰恰是暂不 GA 的原因：这是 2026 年少见的克制式发布

注意一个细节：这次发布的只是 Griffin-Lite 研究预览版，只开放给一小批受信任的早期测试者；完整版 Griffin 要等到安全与披露机制完成后才会全面上线（GA）。Tavus 在官方页面里用了一整节讲安全、局限与责任，承认需要「进一步的对齐和安全流程」，正在开发「安全的披露功能」（safe disclosure features），并邀请 AI 安全组织参与评估测试。

这是我的第二层判断：能通过图灵测试，恰恰是不能立刻商用的理由。2026 年的 AI 发布节奏里，「先上线、再补安全」是常态，Tavus 这次反其道而行之——把刹车踩在了油门前面。这不是营销话术能解释的：一个 48% 误认率的视频对话模型一旦 API 化，冒充真人做视频面试、客服诈骗、熟人欺诈就是分钟级的事。Tavus 自己把 GA 往后推，等于公开承认了这一点。

所以 Griffin 的发布真正值得关注的不是技术参数，而是它立了一个先例：欺诈与披露伦理，是这类模型必须先交的答卷。以后任何一家做「真人感」视频 Agent 的公司，都会被问同一个问题——你的披露机制呢？Tavus 把这个问题从「要不要做」变成了「做到什么程度才敢上线」。

对 vibe coder 的实操意义：「真人感」门槛被拉低了，但先想清楚披露策略

抛开宏大叙事，说点对独立开发者真正有用的。Griffin 这类模型一旦 GA，视频客服、视频销售、陪伴应用、教学陪练（比如陪你排练一场难谈的对话，对方会像真人一样接招拆招）这类场景的「真人感」将不再是技术瓶颈。10 秒音频克隆声音、一张参考图生成整帧视频——以前需要一个团队才能做出来的 demo，API 一到，独立开发者也能拼出来。

但这是我的第三层判断，也是最重要的实操建议：「像真人」和「该像真人」是两回事，产品设计第一天就要定披露策略。要不要告诉用户对面是 AI？什么时候说、用什么方式说？是开场白里明说，还是屏幕角落常驻一个「AI」标识，还是每次用户问起才承认？这些不是上线后补的文案，而是和功能一起设计的核心机制。Tavus 自己的 safe disclosure 功能都还没做完，你的产品更不该把「以假乱真」当卖点。

一个可落地的框架：把披露做在交互里，而不是藏在用户协议第 47 页。比如开场 5 秒的自我介绍（「我是 AI 助手小 X」）、视频角落的常驻 AI 标识、用户随时可查的身份说明页。三选一也好，全做也好，关键是在用户产生「这是真人」的误判之前，披露就已经发生。等 Griffin GA 那天，平台方大概率会强制要求水印或元数据披露——提前按这个假设做架构，将来不用返工。

另外一个实操点：别只盯着「骗过人」这个指标。盲测里「愿意再聊一次」5.8 分这个数字对产品更有指导意义——用户留存的从来不是「没识破」，而是「聊得舒服」。打断处理得自然、附和给得恰到好处、沉默时懂得等待，这些交互细节才是视频 Agent 的产品护城河，也是 vibe coder 现在就可以用现有工具（比如 Tavus 现有的 Phoenix / Raven / Sparrow 管线，15 万开发者已经在用）先练手的方向。

风险视角：deepfake 与身份冒用，连厂商自己都不敢裸奔

最后说风险，而且要说得具体。Griffin 的能力组合——10 秒克隆声音、一张图生成整帧实时视频、亚秒级对话决策——恰好也是完美的冒充工具包：视频面试替考、冒充客服骗取验证码、冒充熟人进行视频诈骗。以前这类攻击需要预录视频+精心剪辑，Griffin 把它变成了实时交互，攻击者可以临场应对质疑。

Tavus 把 GA 往后推，本身就是最强的风险信号：连厂商自己都不敢让这东西裸奔。对开发者的提醒是两条：第一，等 Griffin GA 后用它做产品，风控、身份验证和滥用监测要和功能同一天上线，不能「下个版本再说」；第二，如果你的产品允许用户上传参考图/音频生成数字人，上传者的身份验证和被冒充者的授权链条必须先行——否则你的产品就是别人的作案工具。

收束一下全文的判断：Griffin 真正的意义不是「AI 终于能骗过人」，而是实时交互的延迟结构被重写了——感知、决策、生成三并发之后，「等 AI 想完再回答」的时代结束了。下一场竞争不在模型智商，而在交互的「人味」，以及与之匹配的伦理基建。Tavus 用一次克制式发布告诉我们：人味越真，基建越要先行。做 vibe coding 的人，技术红利会到，但披露策略和风控设计必须走在前面——这是 Griffin 留给所有人的作业。