Tavus 发 Griffin：首个通过「视频图灵测试」的模型，48% 的人在视频通话里以为对面是真人
10 月 2 日，Tavus 发布 Griffin，官方称其为首个「Human Interaction Model（HIM）」——一类理解并生成面对面实时交互的模型。与前代最大的区别是全双工：Griffin 把此前三块研究（实时感知、对话决策、有表现力的类人视频）并成一个统一的 video-to-video 系统，说话的同时在听，对停顿、表情、目光做反应，而不只是处理词。官方描述的运行方式是一个对话模型直接控制语音与非语言行为，流式的语音与视频生成器跟随它的决定实时改变输出。
最硬的一个数字来自「视频图灵测试」。在一分钟视频通话实验里，54 名参与者中有 26 人（48%）认为对面是真人；而 Tavus 自家上一代 Phoenix-4.5 的通过率是 2.4%（41 人中 1 人）。速度方面，Griffin-Lite 在 H100 上从收到音频到画面体现出该音频平均 0.43 秒，是次快方法的一半；语音生成可在约 10 秒参考音频上克隆音色。
第三方基准由 NVIDIA 的 VideoFDB 打分（2026 年 9 月）。生成轨道 Griffin 得 3.83/5，领先次高的 Gemini 2.5 + Anam（2.80）1.03 分，距人类参考 3.92 只差 0.09；感知轨道 Griffin-Lite 得 3.73，领先次优 0.29 分，人类参考 4.20，是所评 15 个模型里最会「读懂当下」的一个。接话时机对齐率两轨分别为 62.8% 与 73.8%，均为榜上最高。官方同时说明当前放出的是 Griffin-Lite 预览版。
原文链接：Tavus 官方页面
核验记录
官方博文 https://www.tavus.io/blog/griffin 直读 200 / 301,117 字节，文内署名日期「San Francisco, California October 1st, 2026」；官方 blog 列表页把该条挂在 October 2, 2026（分类 Research），Techmeme 10/2 18:45 转出，故 date 取 10-02，两个日期都在窗内。该页无 JSON-LD datePublished。数字逐句取自该页正文：48%（26/54）对 2.4%（1/41）、H100 上 0.43 秒、约 10 秒克隆音色、VideoFDB 生成轨 3.83 对 2.80 与人类 3.92、感知轨 3.73 领先 0.29、人类 4.20、接话对齐 62.8% / 73.8%。「VideoFDB 分数由 NVIDIA 在 2026 年 9 月打分」为该页原文。配图为该页 og:image（1,192,979 字节 JPEG），裸请求与带站内 Referer 各一次均 200。未读 NVIDIA VideoFDB 榜单原始页面（未逐项复核裁判口径）。
← 上一篇Epoch 算了一笔账：2027 年前出货的内存能跑 3000 万–1.7 亿个并发智能体，需求侧可能跟不上下一篇 →Apple 收紧 macOS「全盘访问」：理由写得很直白——AI 智能体越自主，这项授权的风险越大