Tavus Griffin：首个通过「视频图灵测试」的模型——48% 的真人通话者以为对面是人
Tavus 发布 Griffin，称为全球首个 Human Interaction Model（HIM，人类交互模型），也是首个通过实时视频图灵测试的模型：盲测中 54 名参与者与一个跑在 Griffin 上的 PAL（人格化应用层）进行一分钟视频通话，26 人（48%）认为对面是真人；而 Tavus 上一代系统（Phoenix 4.5 + Sparrow-2 + Raven-1）的通过率仅 2.4%（41 人里 1 人）。技术核心是「全双工 video-to-video」：不再是你说完我再说的话筒式轮替，感知、对话决策与生成三条流水线持续并行——对话模型每亚秒（sub-second mini-turn）重新评估对话状态并输出控制信号（说什么、怎么说、以什么表情/姿态/时机），语音与视频生成器边收控制边出帧，模型在自己说话时也仍在看和听。两个引擎：① Continuous Conversational Modeling（同时吃音频与视频输入，可读眼神、表情与用户环境，让停顿不被当作轮次结束，能插话、被打断、边听边「嗯」）；② Audio-Visual Generation：Streaming Speech 用自回归扩散 Transformer（VDiT）+ 自研 Tavec 连续码本-less 编解码器（48kHz 输入输出、每帧 40 值×100 帧/秒、10ms 因果解码包、10 秒音频即可克隆音色）；Streaming Video 把大双向多步扩散教师经三阶段蒸馏（DMD 少步学生 → teacher forcing 自回归 → Self-Forcing 长程不漂移）成少步自回归生成器，VAE 8× 时间压缩，一步 latent=8 帧=320ms 720p，H100 上平均延迟 0.43 秒（次快方法的一半）。评测：NVIDIA VideoFDB 双榜第一（生成轨 3.83 vs 人类参照 3.92、次优 2.80，距人类仅 0.09；感知轨 3.73，人类 4.20、最强基线 MiniCPM-o 4.5 为 3.44），抢话率对齐 62.8%/73.8% 双榜最高；音频-视频生成对比四个已发表流式扩散模型，DOVER/FID/THEval 三项第一、口型同步 LSE-C 7.27 第二。安全考量：正因为会「骗过人」，Griffin-Lite 仅向受信任测试者开放研究预览，先做披露与安全机制再广泛发布。作者：Hassaan Raza 团队（Tavus 自称 human computing 公司）。
