Tavus Griffin通过视频图灵测试

48%这一标题数据来自一次特定且有限的测试：一项盲测研究中，54名参与者进行了为期一分钟的视频通话，其中26人（48.1%）认定自己与真人交谈过；相比之下，使用Tavus此前由独立渲染、感知和对话组件构建的模型时，41名参与者中仅有1人（2.4%）被误导^[1]。在NVIDIA独立的VideoFDB基准测试中——该测试用于评估全双工AI视频系统——Griffin-Lite在15个模型中于生成和感知两个赛道均排名第一，生成得分为5分制下的3.83，接近人类基线3.92，领先第二名系统（Gemini 2.5与Anam组合）超过1分^[1]。Tavus还报告称，在H100芯片上，音频到视频的延迟为0.43秒，比最接近的系统快约50%，这一点至关重要，因为人类说话与其虚拟形象反应之间的任何延迟都是最容易暴露非人类身份的破绽之一^[1]。

Griffin能缩小这一差距的原因并非采用更大规模的同类方法，而是采用了不同的架构。大多数会话式视频虚拟形象依赖于多个独立系统的串联：一个负责音视频感知，一个决定说什么，另一个负责面部和声音渲染。而Griffin是一个单一的全双工、视频到视频模型，能够同时完成感知、决策和生成，而非按顺序传递数据^[2]。它以320毫秒为单位生成720p视频，并以低至10毫秒的小包流式传输语音，还能从约10秒的参考音频中克隆出声音^[2]。Tavus通过整合其已分别发布的三个模型——Phoenix-4.5（渲染）、Raven-1（多模态感知）和Sparrow-2（对话动态）——构建了Griffin，最终形成统一架构^[3]。此次整合紧随一轮快速融资之后：公司于2025年11月完成了由CRV领投的4000万美元B轮融资，使其自2023年种子轮以来的总融资额达到约6400万至7000万美元，此外，该公司平台据称已有超过15万名开发者和企业使用^[5][6]。单模型架构优势的最佳例证是一段演示：当一个人焊接主板时，Griffin通过视觉追踪其进度，并在其应进入下一步时主动提醒，而非仅在其停止说话后才回应^[4]。

Tavus对其自身成就的负面影响表现出了不同寻常的坦率态度。在其公开材料中，该公司指出，使“人类交互模型”成为强大人机自然通信接口的特性，同样也可能让人类误以为其并非AI^[2]。这并非假设：公司引用了2024年香港工程公司Arup的案例，其员工在与深度伪造同事的视频通话后被骗转账约2500万美元，说明如此逼真的模型必须正视此类风险^[2]。此外还有监管层面的问题：《欧盟人工智能法案》第50条规定，除非显而易见，否则必须告知人们他们正在与AI系统互动；一旦模型被专门设计成在视频通话中难以与人类区分，这项规则将更难默认满足^[2]。目前，Tavus正以此矛盾为由谨慎推进：Griffin-Lite并未向客户开放，仅限于少数可信测试者作为研究预览版，公司正在开发所谓“安全披露功能”，以确保未来更广泛发布时的安全性^[1][2]。

外界反应并不完全信服。Reddit上一些评论者反驳称，Griffin的声音和回应听起来过于流畅和排练感强，不太可能被误认为真人。另一些人则提出完全不同意见：有评论者认为，将计算资源投入对话润色不如专注于他们所谓的“功能性智能”问题，而非一味追求虚拟形象的人类相似度。YouTube上一位获得多个Griffin角色早期访问权限的独立测试者表示，其手势和反应准确性令人惊讶地好，但整体体验并不持续像真人，偶尔会出现“恐怖谷效应”瞬间打破沉浸感。这种怀疑很可能源于基准测试中的干净、受控环境与开放式真实对话之间的巨大差异。