刚刚,AI 首次通过视频图灵测试!48% 的人聊完 1 分钟,坚信对面是活人

引子 · LEAD

“我和对面那个人聊了整整 1 分钟，我敢发誓，他绝对是个真人。”

如果是在两年前，听到这句话，你可能只会觉得理所当然。但如果我告诉你，屏幕另一端其实不是一个人，而是一套实时生成语音、表情、动作和视频画面的 AI 系统呢？

10 月 1 日，实时视频 AI 公司 Tavus 发布了 Griffin-Lite，并将它定义为新一类 Human Interaction Model，即“人类互动模型”。与此同时，Tavus 抛出了一组足够震撼的数据：在一项 54 人参与、时长 1 分钟的实时视频通话测试中，有 26 人、约 48% 判断自己面对的是真人；而这些判断对方是真人的参与者，平均信心度达到 79%。

这不是一张静态人脸在对着口型播放视频，也不是提前录好台词的数字人。它能在你说话时点头、在你停顿时等待、在适当的时候发出简短回应；它会看你的表情、接住你的手势、调整自己的视线和姿态，甚至能在互动游戏里跟上你的节奏。

AI 正在从“你说完，它才答”的工具，变成一个能实时参与对话的对象。

但也正因如此，一个更严肃的问题浮现出来：当屏幕另一端的 AI 已经足够像人，人类还能否轻易相信“开个视频确认一下”？

先说清楚一点：Tavus 这项测试并不等于一场大规模、独立、同行评审的科学裁决。样本量只有 54 人，通话时长只有 1 分钟，话题也是相对轻松的破冰问题——“你今年最期待什么？”

参与者通过独立招募平台进入视频通话，被告知将与另一位参与者交流。实际上，对方是一套由 Griffin-Lite 实时驱动的 AI 人格体。通话结束后，参与者才被问到：你刚才面对的是人，还是 AI？

最终，26 人判断对方是真人，占比 48%。认为是真人的人，平均有 79% 的信心；判断对方是 AI 的人，平均信心度则是 81%。也就是说，无论看穿还是没看穿，参与者都相当确定自己的判断。

这件事的关键，不只在于 48% 这个数字，而在于它和上一代系统的落差。

Tavus 过去采用的，是很多 AI 视频产品都在使用的组合式路线：语音识别把人说的话转成文字，语言模型根据文字生成答案，语音合成模块把答案变成声音，数字人引擎再让脸部、嘴型和表情动起来。

这种架构已经可以完成视频对话，但在 Tavus 此前的测试里，41 名参与者中只有 1 人把 AI 当成真人，比例只有 2.4%。

从 2.4% 到 48%，背后意味着的不是“画面分辨率提高了一点”，而是 AI 开始补上人类交流中最难模拟的一部分：互动节奏。

人和人沟通时，并不是一个人完整说完，另一个人再完整回答。你会在对方讲到一半时点头，听到重点时发出“嗯”“对”，感觉对方还在组织语言时保持安静；当对方突然插话，你会调整自己的表达；当对方皱眉、笑起来、展示一个东西时，你会自然把这些信号带进对话。

过去的数字人往往像会说话的视频播放器。

Griffin-Lite 想做的，是一个能持续参与现场的人。

很多人对数字人、AI 客服或虚拟主播的印象是：第一眼挺惊艳，聊两句就觉得不对。

问题通常不在于它说得对不对，而在于它说得不像一个正在和你交流的人。

传统系统的对话流程大致是：

听到语音→语音转文字→语言模型生成答案→文字转语音→驱动数字形象

这是一条接力式链路。每一段都需要时间，每一段也都可能丢掉信息。

当语音被转换成文字时，你的犹豫、停顿、语气、笑声、叹气和情绪变化，可能被压缩掉；模型拿到文字后，往往只关心“该回答什么”，却不一定知道“现在该不该回答”；等它生成答案、合成语音、驱动人脸后，对话中已经出现了让人不舒服的空白。

更重要的是，大多数系统是半双工的。

你讲话时，它安静地等；它讲话时，你也只能等。你们像在用对讲机，而不是坐在同一个房间聊天。

人类对话却是全双工的。

你讲话时，我仍然在听、在点头、在表达“我跟得上”；我讲话时，你可以突然提出补充，我能停下来让你说；我们都在不断根据对方的语速、表情、视线和停顿调整下一秒的反应。

这种能力听上去不如“推理”酷，却是人类社会交流的底层操作系统。

一旦缺失，再聪明的 AI 也会显得像机器。

Tavus 把 Griffin-Lite 定义为 Human Interaction Model，意思不是让 AI 更会背知识，而是让 AI 更会处理人与人交流中那些不成文的规则。

它的架构可以理解为两套并行系统。

第一套被称为 Continuous Conversational Modeling，相当于持续运行的对话决策层。它会连续接收用户的音频和视频，不断判断当前互动处于什么状态：你是真的说完了吗？只是中途卡住了吗？你需要它点头确认，还是需要它保持安静？你是不是刚展示了一个物品？你的表情是在开心、困惑、怀疑，还是想让对方继续解释？

第二套是 Streaming Audio-Visual Generation，负责把这种判断快速转化成用户能看到和听到的结果：语气、音色、表情、目光、头部动作、身体姿态、手势，以及完整的视频画面。

它和传统数字人最大的不同在于，决策和表达不再是“等一切确定后再输出”的串行过程。

它一边看、一边听、一边生成。

你在说话时，它可以点头或发出简短确认；你打断它时，它能中止原有表达；你停下来思考时，它可以不急着填满沉默；你做了一个视觉动作，它能把这个动作纳入后续回应。

Tavus 称，Griffin-Lite 会以亚秒级 mini-turn 持续更新自己对对话状态的判断。这意味着它不是以“一轮问答”为单位工作，而是以更接近人类交流的微小时间片段持续协作。

这听起来像技术细节，却直接决定了用户体验。

真正自然的交流，往往不是因为对方说了多么精彩的话，而是因为对方知道什么时候该回应，什么时候该等待。

过去很多数字人产品的核心目标是“让口型对上声音”。

Griffin-Lite 的目标更进一步：它要让整个画面像一个人在真实环境中进行互动。

Tavus 表示，系统会基于参考图、实时生成的音频和持续更新的交互控制信号，逐帧生成完整视频。变化的不只是嘴巴，还包括眼神方向、面部肌肉、肩部姿态、手势动作、椅子的位置、背景光影，甚至人物与环境之间的协调关系。

这很重要，因为人类判断真实性时，通常不会只盯着嘴型。

一个人的眼神是否自然？手势是否和语言匹配？身体是否会随着情绪变化？背景光线是否稳定？对方是否在真正关注你而不是永远看着摄像头？这些细节会在无意识中影响我们对“真人感”的判断。

在 Tavus 展示的案例里，Griffin-Lite 可以参与 “Simon Says” 游戏。用户给出动作指令时，它不仅需要听懂语言，还要判断指令里是否包含特定条件，再决定是否做出动作；它也可以在故事接龙里自然接话、等待、追问或表达笑意；在魔方演示中，它会看着用户操作，在对方停下来思考时暂时不说话；在焊接指导场景中，它根据任务进度和对话节奏给出提示。

这些不代表 AI 已经理解了人类的情感或拥有意识。

但它表明，AI 已经开始具备一种更强的“现场感”：不只是对语言作答，而是对一个不断变化的视听场景作出反应。

在实时交流中，延迟比很多人想象得更重要。

如果你说完一句话，对方 2 秒后才开始反应，即使内容再准确，你也会感觉对方没有在场。

如果你刚笑了一下，对方过一秒半才跟着笑，整个互动就会显得像剪辑后的回放。

Tavus 披露，Griffin-Lite 可以在 720p 分辨率下，以每 320 毫秒一个视频块流式生成内容；在 H100 环境中，从音频输入变化到相关视频输出出现的平均延迟约为 0.43 秒。

这不是说每一位用户、每种网络、每个部署版本都必然达到相同体验。

但从人机交互角度看，低延迟是“拟人化”真正的基础设施。

因为人类社交信号本来就发生在很短的时间尺度中：停顿、点头、眼神移动、短促笑声、插话、犹豫、让出话语权。

如果 AI 无法跟上这些微小变化，它就永远只能做一个“会回答的问题系统”。

而一旦它能把延迟压缩到足够低，它才有机会让用户感觉：对面真的在和我一起经历这段对话。

除了 48% 的真人误判测试，Tavus 还公布了 Griffin-Lite 在 NVIDIA VideoFDB 基准上的成绩。

VideoFDB 是一个用于评估全双工视频对话系统的基准，关注的不只是回答内容，也包括模型能否理解人的语言、表情、动作、目光和接话时机，以及它能否生成自然的多模态回应。

Tavus 给出的结果是：Griffin-Lite 在生成赛道得分 3.83/5，人类参考为 3.92/5，分差只有 0.09；在感知赛道得分 3.73/5，人类参考为 4.20/5。它还报告称，在所列对比模型中，Griffin-Lite 的生成与感知得分均排名第一。

这当然是一项很强的成绩。

但越是这种分数，越要避免过度解读。

基准接近人类参考，不等于模型在所有现实交流中都“等同于人”。短时互动、特定数据集、特定任务和特定评分规则，都与真实世界中数小时沟通、关系建立、复杂冲突、隐私边界和责任承担不同。

更准确的结论是：

它不是人。

但它开始学会人类如何彼此回应。

这项技术最直接的变化，是把 AI 从输入框里带出来。

过去我们与 AI 的关系通常是：输入一个问题，得到一段答案。

未来，用户可能不再需要写复杂提示词，也不必在每次发言前整理好完整需求。

你可以边说、边操作、边展示物品；你可以说到一半改变想法；你可以用表情表达困惑；你也可以随时插话，要求它换一种解释方式。

这会让很多场景发生变化。

教育不再只是“AI 给你讲答案”，而可能变成一个能观察你卡在哪里、决定何时提示、何时让你继续思考的练习伙伴。销售和客服培训不再只是背话术，而可以在一个会质疑、会追问、会打断、会改变情绪的虚拟客户面前反复演练。企业内部培训、面试模拟、演讲排练、语言练习、产品演示和远程协作，都可能因此获得更自然的交互入口。

但这类技术最有价值的场景，也恰恰是风险最高的场景。

例如医疗和照护。一个能看懂用户表情、用自然语气回应、保持耐心互动的系统，可能帮助人们完成健康教育、康复提醒或基础陪伴。但它不能因此被误认为具备医生、心理咨询师、护理人员或家属的责任与判断力。

自然表达不是专业资格。

“看起来很关心你”也不等于它真的理解你。

过去，人们判断一段内容真假，常用一个朴素方法：打个电话，最好开视频。

文字可以伪造，图片可以合成，录音可以剪辑，但实时视频通话总该可靠吧？

Griffin-Lite 所代表的技术方向，正在改变这个默认假设。

当 AI 可以实时生成外貌、声音、视线、表情、手势和即时回应时，未来的风险不再只是“骗子发来一段假视频”。

更危险的可能是：有人顶着亲友、同事或领导的脸和声音，与你进行一场可以处理追问、理解反应、调整策略的实时视频通话。

这会让社会工程诈骗、身份冒充、商业欺诈和情感操控进入更复杂的阶段。

因此，越像人的系统，越应当被严格要求做到身份透明。

Tavus 表示，Griffin-Lite 目前仍然是面向部分早期测试者的研究预览，后续会在更广泛发布前继续推进安全、限制与责任方面的工作。

但从行业角度看，至少有几条底线应该尽快形成共识：

一个越擅长让人误以为它是真人的系统，就越有责任在用户面前坦诚：我不是人。

Tavus Griffin-Lite 的突破，不是“AI 终于有了一张更逼真的脸”。

它真正推进的是一种新的交互形态：

文本问答→语音对话→实时视听协作

未来 AI 的竞争，可能不再只是谁的参数更大、推理更强、文本跑分更高。

还将取决于谁能更自然地感知人类，谁能在恰当的时间回应，谁能在复杂互动中保持低延迟，谁又能在逼真之外把安全、透明和责任做得足够扎实。

技术的终点，不应是造出最擅长冒充真人的机器。

真正值得期待的，是一种既能让沟通更自然、协作更高效，又能让每个人始终清楚知道自己正在和 AI 打交道的技术。

硅基社｜探索 AI 前沿，记录智能进化

聚焦 LLM、大模型、AI Agent、具身智能与 AI+生物医药。

追踪前沿技术，拆解关键进展，观察产业落地。

不只报道 AI，更试图理解 AI 将如何改变世界。

既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。

THANKS FOR READING