Tavus 发布面对面交互模型 Griffin 称其为首个通过实时视频图灵测试的模型

一分钟视频通话,54 人中有 26 人认为对面是真人。Griffin 怎样把声音、表情、手势和接话时机连起来?从原始演示到测试方法,讲清这次发布。

作者:Tavus Research10-02 · 约 12 分钟
🎧 听播客版0:00 / --:--
0:00 / --:--

聊一分钟近半数人以为是真人:Tavus 推出面对面交互模型 Griffin

Tavus 推出了面对面 AI 交互系统 Griffin,并称其为首个通过实时视频图灵测试的模型。在官方测试中,54 名参与者进行了一分钟的一对一视频通话,有 26 人(48%)认为对方是真人;而在相同测试条件下,41 名参与者中只有 1 人(2.4%)把 Tavus 上一代串联系统认作真人。这项技术想解决的,正是以往与数字人或语音助手交流时常见的尴尬:你刚说了一半,稍微停顿两秒琢磨用词,AI 以为你说完了,立刻抢话;或者你分享了一件极度令人兴奋的事,屏幕里的虚拟形象依然面无表情,直到两三秒后才机械地蹦出一句“那太棒了”。

许多轮流对话方案采用串联系统(Cascade System):先把你的话转成文字,再生成回答,最后合成声音和人物画面。处理过程像一场接力:

  1. 第一棒(语音识别 ASR):将声音转成文本,系统判断你说完后再进入回答阶段;
  2. 第二棒(大语言模型 LLM):根据文字生成回答;
  3. 第三棒(语音合成 TTS):把大模型的文字转成合成音频;
  4. 第四棒(数字人驱动 Avatar):根据生成的音频驱动人脸和口型。

每次交接都可能增加等待,下一步也可能收不到原始信息。声音只转成文字,语气里的迟疑就容易丢失;摄像头画面没有传给回答模型,眼神和动作也无法参与判断。依赖已生成音频来驱动的头像,则很难在你还在说话时,及时给出点头或附和。

Tavus 将 Griffin 称为“人类交互模型”(Human Interaction Model,HIM)。它持续处理输入的音频和视频,并同时生成回应,这种双向通道同时工作的方式叫全双工。在你说话时它仍在听、仍在看;它自己出声时也继续接收你的动作和插话。对话引擎以亚秒级间隔重新判断:此刻该等待、点头、附和,还是开始回答。

演示案例 01:Tavus 团队与生成的虚拟形象交流人机交互设计,展示实时手势互动与无缝对话反馈。

一边听看,一边回应,是怎样做到的?

要让机器像真人一样流畅接话,需要同时协调对话判断、发言时机和音视频生成节奏。Griffin 整体由两大核心引擎协同工作:连续对话建模引擎与音视频流式生成引擎。

你持续说话、做动作音频 + 摄像头画面
持续对话建模亚秒级重新判断:等待 / 附和 / 发言 / 让出话轮决定说什么,以及语气、表情与动作
流式语音生成逐块生成声音,边生成边播放
流式视频生成用参考图、音频和控制信号生成整个画面
你听见声音,也看见表情和手势↑ 输出时,输入仍在继续:它说话时也听、也看
系统关系示意,依据 Tavus 研究说明;箭头不表示实测时间。

连续对话建模:持续判断的“小回合”(Mini-turns)

轮流式系统通常先等你说完,再开始回答。

而在 Griffin 中,对话引擎在整个交谈过程中从未停止运转。它把交流拆解为极短的“微轮次(Mini-turns)”。在每一个微轮次内,它都在同步做几件事:

  • 实时倾听与注视:不管对方正在说话,还是自己正在出声,输入通道永远保持常开;

  • 发言权管理(Turn-taking):当你说话中途停顿、同时眼神向上看时,系统能结合视觉判断出你“还在思考”,从而主动保持安静等待;而不是听到静音就强行抢话;

  • 伴随反馈(Backchanneling):在对方长篇大论时,机器不需要等发言权交接,就能在微轮次中适时发出“嗯哼”或者轻轻点头,向对方传递“我在认真听”的积极信号;

  • 回应打断(Barge-in):一旦用户突然插话,系统重新决定继续、暂停还是停止发言。

声音一小块一小块生成,先播出来再继续算

Griffin 的语音系统采用连续的潜在表示:先用一小组数表示声音,再由解码器还原成可播放的波形。它的主要环节是:

  • Tavec 连续编解码器:这是一个卷积自编码器,它将 48 kHz 的高保真音频映射为连续潜在向量——每秒处理 100 帧,每帧仅包含 40 个连续数值,彻底去掉了离散代码本查找。1 分钟的原始音频对应多达 288 万个采样点,但在 Tavec 下被压缩为 6,000 个潜在帧,大幅缩减了序列长度。

  • 自回归扩散 Transformer(VDiT):只需一段大约 10 秒的人声前缀即可完成声音克隆。它不再等整句话文本生成完毕,而是随着对话引擎每送来一小段控制信号,就逐步生成对应音频。

  • 最小 10 毫秒的音频包:搭配完全因果(Causal)的解码器,生成的音频包可以小到 10 毫秒。第一小包声音甚至在后续语音还没算完时就已经推送到扬声器开始播放。

一张参考图,生成整个人和周围画面

Tavus 过去的视频模型较依赖 3D 先验,也就是预先引入的三维结构知识;按照团队的说明,这限制了复杂手势、大幅度身体动作和动态背景的表达。

Griffin 转向了基于扩散模型的流式画面生成:用一张参考图,就能实时生成包含人物、手势、衣物褶皱、座椅晃动乃至身后环境投影在内的全像素 720p 画面。

其工程突破的核心在于三阶段蒸馏工艺,将原本需要多步推理的双向扩散模型转成能流式运行的生成器:

  1. 分布匹配蒸馏(DMD):把需要几十步推理的庞大教师模型,蒸馏成只需极少步数的高速学生模型,但此时它仍只能一次性生成整段长视频;
  2. 教师强制自回归化(Teacher Forcing):将其改造为以历史帧为条件的自回归架构,实现单块潜在特征(Latent)的逐次推导;
  3. 自身驱动防漂移训练(Self-Forcing):让模型在长序列生成中基于自己生成的历史帧继续推演,同时把较早的历史帧保留为更低分辨率,以减少长时间生成时积累的误差,并控制历史信息带来的计算负担。

最终,每个潜在块只需 3 次扩散步骤;在 25 fps 帧率下,Griffin 能够以每块 8 帧(对应 320 毫秒)的节奏实时输出 720p 视频,接受对话引擎发来的眼神、表情与动作控制信号。

“Simon Says”游戏要求先听到“Simon says”前缀,才照着对方做动作;对方省略前缀,就应该拒绝。视频里,系统要同时听辨口令、观察手势、判断该不该行动,再生成抬手、摸脸或摸头发的画面。听懂规则、看懂动作和做出回应在一场实时互动中连起来,展示了它如何把视觉信息用进对话,也展示了全场景生成能带来的肢体表达。

演示案例 03:Mars 与虚拟形象玩“Simon Says”手势游戏。演示中,听到指定前缀后虚拟形象抬手或摸脸;遇到未加前缀的指令则指出游戏规则并拒绝执行,全景肢体动作实时生成。

评测看什么:能理解场面,也能作出合适回应

NVIDIA 的 VideoFDB 专门评估全双工音视频对话:模型能否用视觉和声音理解对方,以及自己的声音、表情和动作是否配合得当。

该基准提取了 237 段来自真实双人视频通话的片段,覆盖了人际沟通学中 11 种关键非言语动态(包括停顿中的视线转移、情感表露、手势、打断与即时笑声响应),并由大模型作为裁判,在 0 到 5 分的区间内对“感知(Perception)”与“生成(Generation)”两条轨道进行独立裁判。

生成评分 / 5 对比对象
3.92 人类参考
3.83 Griffin-Lite
2.80 Gemini 2.5 + Anam
2.39 Gemini 2.5 + Keyframe
感知评分 / 5 对比对象
4.20 人类参考
3.73 Griffin-Lite(视听)
3.44 MiniCPM-o 4.5(纯音频)
3.17 Gemini 2.5 Flash Native(视听)
2.75 OpenAI gpt-realtime(视听)

两条轨道分别评分,不能把其中一项当作模型通用智力的排名。

官方还用“比次优系统高约 37%”和“与人类表现的距离拉近超过 12 倍”概括进展。若按公开的生成总分计算,3.83 相比 2.80 高约 36.8%;与人类参考 3.92 的差距,则由次优系统的 1.12 分缩小到 Griffin 的 0.09 分,前者约为后者的 12.4 倍。这里能复算的是评测分数和分数差距,不能据此说响应快了 37% 或整体能力强了 12 倍。

从 NVIDIA 公布的榜单数据中,可以看出两组对比:

  1. 生成轨道(评价 AI 自身言行举止的自然度与情绪协调性):

    • 传统采用“Gemini 2.5 + Anam”等语音驱动数字人的串联管线仅拿到了 2.80 分;
    • 而 Griffin Lite 取得了 3.83 分,与人类真人的基准录像(3.92 分)仅差 0.09 分,远超同类对比方案。
    • 在表征发言时机契合度的 TOR-Alignment(发言接管时机对齐率)指标上,Griffin Lite 达到 62.8%,而串联数字人仅有 31%~44%。
  2. 感知轨道(评价 AI 理解用户视听语境并适时作答的能力):

    • 在感知轨道的 15 个参测配置中,Griffin Lite 拿下 3.73 分,位居榜首;
    • 超过了以纯音频运行的 MiniCPM-o 4.5(3.44 分)、Google Gemini 2.5 Flash Native(3.17 分)以及以视听配置运行的 OpenAI gpt-realtime(2.75 分)。

在响应速度与时序表现上,NVIDIA 榜单显示 Griffin 生成中位响应为 1892 毫秒、感知为 2232 毫秒,发言接管对齐率分别为 62.8% 与 73.8%;作为对比,人类基准分别为 900 毫秒(78%)与 1400 毫秒(90%)。其中 MiniCPM-o 4.5 视听感知响应达 720 毫秒,说明总分最高并不代表响应最快。此外,Tavus 报告在 H100 上的平均 0.43 秒仅为音频到视频生成器延迟,10 毫秒是一个音频包可承载的声音时长,320 毫秒是一块视频覆盖的播放时长;这两项是输出块的粒度,都不等于整套对话的响应延迟。

摄像头接上了,画面却不一定参与对话

在对主流模型的横向测试中,NVIDIA 团队指出了目前大多数标榜“具备视觉能力”的对话模型普遍存在的两大系统性失效:

  • 第一种病:解说式坍缩(Captioning Collapse) 模型拿到视频画面后,下意识地把画面当成了“图片标注”任务来做。比如 Mini-Omni2 在高达 87% 的多模态测试片段中,不会像一个正常对话者那样跟你聊天,而是脱口而出:“我看到你正在穿一件深色衣服……”、“你看起来坐在椅子上……”,硬生生把聊天变成了看图写话。

  • 第二种病:视觉盲视(Visual-Stream Ignorance) 有的模型虽然在后台吃进了视频帧的 Token,但其生成的回复无论在时序上还是文字内容上,与纯音频输入模式下的回复近乎同义改写(如 gpt-realtime-mini)。视觉输入很少改变回复内容或时机。

在纯画面渲染层面上,Tavus 将 Griffin-Lite 的视频生成器与 4 种主流流式扩散模型(共 5 个模型)进行了音频驱动视频的对比:

  • 在 H100 硬件环境下,从音频输入到屏幕画面产生相应视觉变化的平均延迟为 0.43 秒,约为对比中最快基线延迟的一半。
  • 在画面质量指标 DOVER(感知画质)、FID(帧分布保真度)与 THEval(数字人说话综合基准)三项上均拿下 第 1 名。
  • 在唇形同步置信度(LSE-C)上,Griffin-Lite 以 7.27 位列第 2。Tavus 对此解释:LSE-C 会奖励明显的嘴部运动,甚至超过自然程度,但在日常交流中,过度的嘴唇动作反而会破坏真实感,而兼顾自然度的综合评估框架 THEval 则把 Griffin 列在首位。

升职分享演示把这种协调展示得很直观:用户还在说话,虚拟形象就笑起来、抬手庆祝,声音也变得兴奋。前面的连续对话引擎会把语气、表情和手势控制同时交给生成端,因此庆祝能在声音和画面上一起出现。对面对面交流而言,何时回应、如何回应,也影响着对方是否觉得自己被认真听见。

演示案例 08:Rudy 向虚拟形象分享自己升职的喜讯。AI 在听到消息时露出笑容并抬手欢呼,声音、表情与动作共同表达庆祝。

放到日常交流里,它能怎样配合你?

在脱离静态评分的动态交互中,Griffin 展现出了哪些具体能力?Tavus 公布的演示展示了几种具体配合方式:

场景 1:情感共鸣与倾听反馈

在倾诉社交烦恼的演示中,用户诉说自己在约会后不知该如何体面拒绝对方。虚拟形象在用户说话时始终保持眼神聚焦、微微点头,并在用户自嘲时报以轻笑。随后给出了既直截了当又不至于拖泥带水的沟通建议。整个互动展现出连贯的社交节奏,而无需用户每讲一句话就停下来等待系统响应。

演示案例 04:用户讲述约会后的纠结经历,虚拟形象伴随倾听展现点头、微笑与思考神情,自然参与日常情感话题的探讨。

场景 2:根据视觉道具即兴接梗

在互动故事接龙演示中,用户表示想跟学生玩“根据随机道具编故事”的游戏,并在摄像头前先后举起两个物件:

  1. 先拿出一只绿色的毛绒小玩具:AI 没有机械报出“我看到一个玩具”,而是立刻把故事里的角色调整为“伪装成普通小鱼的绿色毛茸茸海底小怪兽”,并指定这个绿色小家伙为特工队长;
  2. 随后又举起一个三阶魔方:AI 顺势接梗,将魔方改写为“必须把颜色转对才能解开隐藏宝藏坐标的高科技水下导航仪”。

这一交互说明,当环境中的视觉元素发生改变时,系统能将其直接内化到对话语境中,而非生硬打断当前心流。

演示案例 05:交互式故事编织演示。用户先后展示绿色毛绒道具与魔方,AI 迅速理解画面并将其化用为“绿色海怪特工”与“水下 GPS 导航仪”。

场景 3:陪伴型分步动手辅导

在魔方还原教学演示中,用户表示底两层已经拼好,顶层只有一个蓝色条状块。AI 采取了“小步慢跑”的指导策略,一次只发出三到四个顺时针或逆时针旋转的明确指令,随后主动要求:“做完这几步后把顶面举稳让我看一眼”。在确认对齐情况后,再下发下一组公式。 发布视频包含标为 2 倍速的片段,不适合据此计算响应速度。这里值得留意的是它把指令分批给出,并等待用户完成动作和展示结果。

演示案例 06:魔方分步教学演示。AI 分小批次给出转动指令,并主动要求用户静止展示顶面以核对对齐情况(注:原视频包含 2 倍速快进剪辑)。

场景 4:时序追踪与提示辅助

在电路板手工焊接的演示中,用户拧好螺丝后准备去取工具,并明确对 AI 说:“我已经把电烙铁打开了,热起来大概需要 12 秒,到时间麻烦提醒我一下。”AI 答应后保持倾听,随后开口提醒“12 秒到了”。随后在用户焊接元器件时,AI 辅助数出“One Mississippi, Two Mississippi, Three Mississippi”帮助把控按压时长。

演示案例 07:主板焊接辅助演示。用户事先请求 12 秒预热提醒,AI 按请求发声提醒,随后辅助读秒。

聊一分钟,26 人认作真人:这个测试说明什么?

在这次发布中,Tavus 最受关注的一项主张,是宣称 Griffin 成为“首个通过实时视频图灵测试的模型”。

这组数据的具体实验设计与统计分母如下:

  • 测试方法:通过第三方独立平台招募参与者,告诉他们将与“另一位参与者”进行一场时长仅有 1 分钟 的视频通话,两人共同聊聊“今年最期待的事情”。而屏幕对面的搭档实际上是由 Griffin-Lite 驱动的虚拟人 PAL;

  • 统计结果:在 54 名 参与者中,有 26 人(占比 48%) 在通话结束后认为自己是在和真人交谈;

  • 历史对比:在相同的测试协议下,Tavus 自家上一代基于 Phoenix-4.5 + Sparrow-2 + Raven-1 级联架构的系统,在 41 名 参与者中仅有 1 人(占比 2.4%) 误以为是真人;

  • 置信度与疑点:认为对面是真人的组别,平均判断置信度为 79%;而察觉出异样的受访者平均置信度为 81%,并且多数在前 20 秒内就产生了怀疑;

  • 维度打分(7 分满分):在自然度上获得 5.4 分,可信赖度 5.6 分,再次交谈意愿 5.8 分,感知其认真倾听程度 5.5 分;而“谈话流动自然度”得分相对最低,为 4.9 分。

问卷最后才询问参与者是否怀疑对面不是真人,之后向所有人告知 AI 身份。官方还报告,超过一半参与者在通话期间没有想到对面可能是 AI,这一组中几乎所有人最后都判断对方是真人。认为对面是 AI 的参与者,再次交谈意愿仍有 5.4/7 分:认出 AI,也未必就不愿意继续交流。

演示案例 02:讨论 AI 伴侣角色。虚拟形象 Vanessa 明确表示:“我是 AI,我们的目的不是掩盖这一点,而是让交互足够自然,成为有用的伙伴。”

这项主张到底意味着什么?

视频图灵测试问的是:交谈者能否分辨屏幕对面的对象是真人还是机器?视频通话让这个判断涉及更多线索:回答是否贴切,语调与表情是否搭配,手势是否自然,点头、笑声和接话是否出现在合适的时刻。Griffin-Lite 在这次研究中被 26/54 人认作真人,相比旧串联系统的 1/41,说明整套面对面交互带来的真人感明显提高。Tavus 据此将它称为首个通过实时视频图灵测试的模型。

这次通话只有一分钟,参与者预先被告知要与“另一位参与者”交谈,仍有 28 人认为对面是 AI。报告也没有给出统一的行业通过门槛,因此这项结果不能直接推广到长期交谈,更不能证明机器有主观感受。它展示的进展是具体的:声音、表情和接话节奏一起改善后,一段短视频对话已经能让相当一部分人觉得是在与真人交流。


目前谁能用,下一步要解决什么?

当一种技术能够在这次短通话研究中让接近一半参与者误认成真人时,清晰告知 AI 身份就更有必要。

Tavus 在报告中明确指出了这种双刃剑效应:让交互变得极其自然的同一种机制,也可能让使用者误认对方是真人。正因如此,Griffin-Lite 目前并未全面开放商业接口,而是仅以“研究预览(Research Preview)”的形式向少数受信任的测试者开放。Tavus 正在研发安全披露功能并推进进一步对齐和安全评测,计划解决相关问题后扩大发布。

针对未来的落地场景,Tavus 提出了几个具体应用方向:在教学辅导中,导师能察觉学生听不懂的困惑神情并主动换一种讲法;在职场沟通中,员工可以进行困难谈话排练,对方会像真人一样作出即时反应;在日常检修时,用户无需知道专业名称,直接举起损坏零件对着摄像头就能一起排查故障;此外还包括面向老年人的日常情感陪伴。

Griffin 目前尚未接入现有的 Tavus 客户平台。目前 Tavus 平台客户可用的,仍是基于 Phoenix 生成人脸、Raven 负责视觉理解、Sparrow 控制接话时机的旧架构;旧模型的可用并不代表 Griffin 已开放使用。这一步依然很早,但它的真正价值在于让用户少花精力去迁就系统的反应节奏。

↑ 正文结束
✓ 本篇全文免费开放

会员可复制、下载全文 Markdown,还能让你的 AI 订阅和提问。

阅读原文 ↗
📮 新解读第一时间进邮箱

读完觉得有用?留个邮箱,每篇新解读发布就送达,随时退订。