Tavus Griffin：首个通过视频图灵测试的模型

2026 年 10 月 1 日，Tavus 发布了 Griffin，称之为首个 Human Interaction Model（HIM，人类交互模型）——一个在实时视频中观察你、聆听你、决定何时以及如何回应，并生成一个会说话的真人形象的统一系统。最引人注目的结果来自一项实时研究：54 名参与者中有 26 人（48%）在一分钟视频通话后认为对方是真人；而在 Tavus 此前的一整套技术上，41 人中只有 1 人（2.4%）这样认为。Tavus 称，这使 Griffin 成为首个通过实时视频图灵测试的模型。

与这一主张同样重要的，是它的限制：被测的 Griffin-Lite 是一个研究预览版，仅向少数受信任的测试者开放。 它尚未上架 Tavus 平台，没有公开的模型标识、没有 API 端点、没有定价、也没有模型卡。本文会把边界说清楚：哪些是 Tavus 已经声明的、NVIDIA 独立基准究竟显示了什么、以及你仍然买不到什么。

Tavus 发布了什么

Tavus 是一家总部位于旧金山的公司，销售对话式视频——即「PAL」，你可以与其面对面交谈的 AI——建立在它已发布的三款模型之上：Phoenix（实时面部渲染）、Raven（感知）和 Sparrow（轮次管理）。Griffin 把这几项彼此独立的工作合并为一个全双工、视频到视频的模型。Tavus 自己的描述对二者的区别非常精确：此前的系统「像一个中继，常被称作级联（cascade）」，一个模型转写语音，另一个模型生成回复，再由其他系统把回复变回声音和面孔，「每一次交接都会增加延迟，并丢掉下一个系统从未看到的信息，比如你的语气或镜头里的内容」。

这次发布以 @tavus 账号在 2026 年 10 月 1 日 16:59 UTC 发出的九条线程帖子呈现，而且它对于发布策略异常坦率：由于 Griffin「可能被误认为是真人」，Tavus 说它「在公开发布前需要经过安全考量」。第一条帖子直接给出了这一主张。

另外两条 Tavus 帖子勾勒的是产品命题而非基准。一条描述让机器「在我们所在之处与我们相遇」的目标，并给出例子——一个能察觉学生听不懂的老师、一个养老陪伴者——这些描述的是长期、开放式对话，而非脚本化的数字人。另一条则承认这一结果会引发的本能比较。Tavus 研究主管 Ioannis Patras 与研究帖一同署名，联合创始人兼 CEO Hassaan Raza 亦是如此；官方页面由两人共同署名。

把整条线程当作一个整体来读，有三个事实毫无歧义：模型存在、名字是 Griffin、访问权限被一道安全审查所限制。其余内容——基准、能力、图灵测试研究——都来自 Tavus 关于 Tavus 自己的说法，只有一个重要例外：NVIDIA 的基准，我们在下文单独处理。

发布视频里有什么

首条推文附带一段 108 秒的视频，值得在阅读任何数字之前先看一遍，因为它定下了整场发布的基调。视频里，一个男子在视频通话中与通话另一端的女子交谈。她留着齐肩棕色头发，背景是素净的浅色墙面；通话界面显示着他自己的一个小画中画。整个片段中，镜头在他屏幕、他的面部，以及两位正在观看通话并大笑的同事的较宽画面之间切换。屏幕字幕承载着对话：「Have you thought any more about」「you know, show them what it looks like」「Do you think they'll believe」「It's like the line between」「of the simulation」。最后一帧是 Tavus 字标和那句「the human computing company」。

最后那条字幕就是整个论证的浓缩。通话中的女子——也就是 AI 数字人——说话时会打手势，在恰当的时刻微笑，并保持眼神交流；观看的人类则报以笑声和难以置信。画面里没有任何东西表明她是生成的，而这恰恰是 Tavus 的论点，也恰恰是其批评者的论点。

线程随后展示了五段简短演示，每段都配有自己的短片。它们是对「全双工」在实践中意味着什么的最清晰公开证据。

第一段是两位 Tavus 研究员玩的「Simon Says」游戏。要玩这个游戏，Griffin 必须同时听出「Simon says」这句话、观察他们的手，并移动自己的手。Tavus 的描述强调它「生成的是整个画面，而不只是一张脸」。

演示还在继续：一段在 Griffin 陪伴下讲述的故事，一场有人解魔方时 Griffin 从旁观察他手中魔方的辅导，以及一项焊接任务——Griffin 追踪时间并在下一步该做时开口，而不是等对方安静下来才说话。每段短片都不足一分钟，且都由 Tavus 配上字幕。这些都是厂商制作的演示，因此应把它们视为能力示意而非独立测试——但它们展示的具体行为（物体感知、时机、打断）正是下文基准试图衡量的东西。

「全双工」到底意味着什么

全双工是这一主张的技术核心，值得仔细定义，因为它常被宽泛地使用。

传统的 AI 语音或视频智能体是回合制的：它等你停止说话，然后转写、推理，再开口。这是一种对讲机式的对话。人类对话并非如此。人们会在对方仍在说话时给予回应（「mm-hm」），会笑早半拍，会打断，也会把沉默解读为思考或继续的邀请。

Griffin 就是为持续运行这些行为而构建的。Tavus 描述它以「规律的亚秒级间隔」决定是保持安静、用点头或表情示意、给予回应，还是接过话轮——依据它听到的和它看到的，而不是把一次停顿当作话轮的结束。官方页面把这一循环概括为「听、决定、行动」，在聆听和说话的同时每秒多次重新评估对话。

这一架构带来四个后果，而它们正是那些演示想要展示的：

• 它可以在你还在说话时就「mm-hm」，而不是等到出现尴尬的沉默。
• 它可以不留下级联在交接处产生的那种尴尬停顿就作答。
• 你一插话它就停下，而不是把句子说完。
• 它可以对你看到的东西作出反应——举起的一个物体、一个面部表情——并把它纳入回复。

Tavus 自己的示意图带有一条值得复述的免责声明：「本图中的时机仅作示意，并非从真实会话中测量得出。」这种坦率是有用的，因为下文那些基准分数才是真正被测量过的数字。

Griffin 内部是如何工作的

Tavus 把 Griffin 拆分为两个引擎，这一拆分解释了系统为何能在句子中途作出反应。

1. 持续对话建模。 这个引擎摄取人的音频和视频，并在持续感知的同时输出「表现控制」——时机、姿态、表情、手势。Tavus 强调感知「在 PAL 说话时也从不停止」，因此一个在句子中途做出的决定（一次停顿、一次移开视线、一个微笑）会在同一个亚秒小回合内体现在声音和面孔上。

2. 视听生成。 它把这些控制转化为语音和视频。它由两部分组成。

在语音侧，Griffin 使用一个快速自回归扩散 Transformer，以一个编码的「说话人前缀」为条件。Tavus 称它可以从约 10 秒的音频中克隆音色，并输出「小至 10 毫秒」的音频包。其底层是 Tavec，一个卷积自编码器，把 48 kHz 音频映射为紧凑的连续潜表示——每帧 40 个值、每秒 100 帧、没有码本——并使用完全因果的解码器，使音频在一帧存在的瞬间即可流式输出。

在视频侧，设计目标是：快速响应流式控制、处理快速变化的控制、并在长生成中保持质量。Tavus 通过三个阶段把一个大型、双向、多步扩散模型蒸馏成一个少步自回归生成器——先是分布匹配蒸馏，然后借助教师强制转换为自回归生成，最后用 Self-Forcing 训练，使长自回归滚动不漂移。结果「以 320 毫秒的令牌块实时生成 720p 视频，一次一个潜变量」，其中一个潜变量是 25 fps 下的八帧。VAE 把时间压缩八倍，这正是让令牌数量低到足以实时运行的关键。

其中最具决策相关性的后果是延迟。Tavus 报告「真正的音到视频延迟」——从一段音频到达，到视频显示出它的效果——在 H100 GPU 上为 0.43 秒，它称这是次快方法的一半。这个数字正是一个点头能及时到位、让人感觉像点头而不是延迟模仿的原因。

视频图灵测试详解

这就是产生 48% 这一标题结果的研究，而它的方法比那个数字更重要。

参与者通过一个独立研究平台招募，并被告知将被「匹配另一位参与者，进行一分钟视频通话，聊聊他们今年期待什么」。他们的对象实际上是一个运行 Griffin-Lite 的 PAL，实时生成她的面孔、声音和回应。只有在调查结束时，他们才被问到是否曾想过对方可能不是真人——随后每位参与者都被告知对方是 AI。对比组使用相同的协议，针对 Tavus 此前的一整套技术（Phoenix-4.5 搭配 Sparrow-2 和 Raven-1）。

有两个细节比通过率更重要。第一，两组都很有把握：说「真人」的人平均置信度 79%，说「AI」的人平均 81%，这正是研究希望看到的——没有人在猜。第二，超过一半的参与者表示这一可能性在通话中从未出现在脑海里，而这个群体几乎都后来认为对方是真人；那些确实起疑的人往往是在前 20 秒内。最后这一行是报告中最令人不安的结果，也应当左右你如何阅读下文的安全部分。

这项研究也有真实的局限，而它们正是持怀疑态度的读者应当记住的。它样本小（n=54）、时长短（一分钟）、且由 Tavus 自己进行。参与者被告知他们将见到另一位参与者，这预先让他们期待一个人；同时没有一组与真人交谈的对照，因此没有在同一协议下真人被判定为「真人」的频率基线。一分钟的通话不是一次客服会话、一小时的辅导或一场求职面试。

NVIDIA VideoFDB 基准

本次发布中最强的外部证据是 VideoFDB 基准，由 NVIDIA（与 David AI）构建并评分，他们把它作为首个全双工视听对话基准发布。它由一个大语言模型评委，对来自真实视频通话的 237 段人工标注片段按 0–5 分打分，分为两条各有评分标准和榜单的独立赛道。

Tavus 称 NVIDIA 于 2026 年 9 月使用自己的评委独立进行了评估。正是这种独立性，使得这些数字比 Tavus 自己的图灵研究更值得先拿来说。

生成赛道——模型是否产生正确的行为，把它的语音和视频合在一起来评分：

感知赛道——模型是否理解当下情境，使用音频和视频：

Griffin-Lite 还取得了最高的接管率对齐——衡量它的时机决策与参考对话的吻合程度——在生成赛道为 62.8%，在感知赛道为 73.8%。

这些表格旁边应当放三条限定说明，它们既来自 Tavus，也同样来自基准本身。

第一，与人类的差距是真实且具体的：生成赛道 0.09，感知赛道 0.47。Tavus 把生成差距表述为「比任何其他被测系统接近人类表现的程度高出 12 倍以上」，这是关于相对接近度的准确陈述——但比人类低 0.09 并不等于人类，而一个大语言模型评委也不是人。

第二，感知对比并非同类相比。 最强的基线 MiniCPM-o 4.5 是按其仅音频配置评分的，而 Griffin 还读取视频。NVIDIA 自己的论文发现，视听模型在这些自然对话片段上常常无法胜过其仅音频的对应版本——因此 Griffin 感知领先的一部分，衡量的是「有眼睛」的价值，而此时对手没有。

第三，一次基准运行不是一次部署。 NVIDIA 的协议给每个系统相同的任务和相同的评委；它对通话的第九个小时，或两个人整整一分钟互相抢话时会发生什么，什么也没说。基准是目前可得的最佳证据——而不是一个产品结果。

延迟、视觉质量与唇形同步

对于视频生成器本身，Tavus 在音到视频的设置中把 Griffin-Lite 与四个已发布的流式扩散模型做了对比：每个模型拿到语音和一张参考图，必须生成会说话的面孔。

LSE-C 这一行值得细读，因为 Tavus 自己指出了其中的注意事项：LSE-C「奖励明显的嘴部运动，包括运动到看起来已不自然、而 THEval 会考量的程度。」换句话说，Griffin 只排第二的那个指标，正是一个能被夸张嘴部动作刷高的指标——而这正是社区对这次发布最常见的视觉批评（见下文）。与 VideoFDB 赛道不同，这些质量数字是 Tavus 自己的测量，且对比的基线由它自己挑选。

安全：为什么 Griffin-Lite 没有发布

Tavus 明确表示，让 HIM 成为优秀交互界面的那些特性，同样使它成为优秀的欺骗工具。官方页面的表述是：「让 Human Interaction Models 成为人机自然沟通强大界面的那些特性，也允许它们欺骗一个人，使其相信它不是 AI。」它补充说，「安全发布需要进一步的对齐与安全程序」，Tavus 正在「开发安全的披露功能」，并正在「与致力于 AI 安全的组织合作」。

发布决定由此而来。Griffin-Lite 仅作为研究预览版提供给少数受信任的测试者，现阶段不会向客户开放使用。 访问需通过申请表。Tavus 称它预计「在这些安全顾虑得到解决后很快就会发布 Griffin」，并且 Griffin「尚未上架 Tavus 平台」——它会在「我们想清楚如何安全发布之后」到来。

鉴于一场实时样本中近一半人无法分辨，而那些能分辨的人大多在二十秒内就看了出来，一个能在随意对话中存活的披露机制绝非可有可无。诚实的总结是：Tavus 描述了一次负责任的、分阶段的发布，而能让外部审查这一说法的文件——模型卡、能力阈值评估、滥用评估——在公告当天尚未发布。

社区反应

这次发布引发了异常巨大的反响——仅首条帖子在约一天内就有约 29,500 个赞、3,200 次转发和 1,180 万次（11.8M）浏览——回复分成三个可以辨认的阵营。这些是社区反应，而非已核实的事实，之所以收录，是因为它们显示了压力点在哪里。用户名为其在 X 上的显示形式。

怀疑者大声质疑这项研究。 点赞最高的批评回复直接否认 48%：@willjciolino 写道「48% 的人认为自己是在和真人说话，这个概率是 0。除非你们用一个偏倚的样本，专挑 70 岁以上的人来问。那玩意儿在头半微秒就一眼看穿了。嘴巴动得像一个烦人的 Annoying Orange 视频」。另一条帖子认为结果实际上等于随机：@Acezhang01 写道「48% 基本就是抛硬币。过了这个点，唯一可靠地知道你是在和 AI 说话的方式就是它主动告诉你，所以披露不再是可选项」。

谨慎派把它读作一道阈值被跨过。 一条回复：@WorldianAI 写道「一步从 3% 以下跳到 48%，这才是让我在意的地方，哪怕这是公司自己的测试。实时视频通话是我们大多数人仍然信任、用来证明另一端有真人的最后一样东西，而这将需要一个替代方案」。另一条在整条线程中点赞最高的回复之一（超过 1,300 赞）更进一步：@mayfer 写道「我觉得我们大概应该通过一条法律让它非法。不过实时卡通角色我还是能接受的」。

赞叹派聚焦于这次跃升。 @heyorvian 写道「我试用时真的不敢相信自己不是在和真人说话，这才是真正的 HIM :)」；@mihuq 写道「它让我起鸡皮疙瘩，看起来太真了。哇」。

跨越各阵营，有一条技术批评反复出现：嘴巴和唇形同步。 @LLMJunky 写道「嘴部动作挺怪的。不过很酷，这会是它最差的状态。我不同意它看起来像真人。接近，但还差一点」（约 730 赞）。一个更温和的版本：@kusailatalit 写道「唇形动作和整体延迟都还有点工作要做，但看起来已经很疯狂了！gg」。值得注意的是，这正是基准显示 Griffin 在 LSE-C 唇形同步上只排第二而非第一的那个维度——群众和指标意见一致。

玩笑也是记录的一部分——@litcapital 写道「我能带 Griffin 去酒吧一起灌啤酒吗？」——还有一个广传的、关于《Her》配色方案的调侃——以及反乌托邦式框架：@tedbjorling 写道「科幻正在我们眼前展开。或者反乌托邦。不确定」。Tavus 以同样的口吻回复了其中许多，那句「Griffin Lite :)……看看我们在怎么改进 Griffin Lite」的预告就出自这里——这是一个信号，表明一个更强的版本已经在路上。

社区反应没有提供的是独立验证。本文找到的任何回复、引用或讨论都没有复现这项研究或运行该基准。整场发布中唯一的独立评分仍然是 NVIDIA 的。

可用性与定价

可用性是今天最关键的约束，而且它很简单：没有办法购买或调用 Griffin。 没有模型标识、没有端点、没有速率限制、没有 SLA、没有地区清单、也没有公开价格。Tavus 把今天就想构建的人引向「150,000 名开发者和企业已经在用」的模型——Phoenix、Raven 和 Sparrow——它们是前代产品，而非 Griffin。

作为参照，Tavus 现有的 Conversational Video Interface 平台在 tavus.io/pricing 上有一份公开但混乱的价格表（2026 年 10 月 2 日核对）。展示的开发者档包括一个含 25 分钟对话视频的免费档，以及一个 $59/月、含 100 分钟、超出部分 $0.37/分钟的 Starter 档；同一页面还显示了另一组与前者重叠的套餐块（包括 $22 的 Starter、$397 的 Growth 和 $975 的 Business）。这些套餐都不包含 Griffin。 任何针对 Griffin 本身给出的数字都应视为编造——Tavus 一个都没有发布。

局限与悬而未决的问题

有五处缺口值得直接说明，因为它们正是这次发布与任何真实部署决策之间的东西。

1. 图灵研究样本小且由公司自run。 n=54、一分钟通话、没有独立复现、没有真人对照臂。48% 是一个引人注目的信号，不是一个已确立的人群估计。
2. 感知领先部分是比较方式的产物。 Griffin 能看到视频；它最强的基线是按仅音频评分的。NVIDIA 自己的论文指出，能看见并不等于会利用所看见的。
3. 长会话行为未经核实。 Tavus 称生成器经过训练以使长滚动不漂移，但它没有发布任何超过一分钟的会话结果。客户对话、辅导会话和面试会进行 10 到 60 分钟。
4. 安全文件缺失。 发布时没有公开的模型卡、能力阈值评估或滥用评估。

5. 定价与访问未定义。 没有任何东西可供评估成本、规模化延迟或可靠性，因为一个都没被提供。

这对智能体开发者意味着什么

撇开访问问题，这次发布仍然改变了你应当如何思考实时智能体。

时机如今是区分点，而非保真度。 发布中最有用的数字不是 48%——而是一个衡量智能体何时行动、而不只是它说什么的基准（VideoFDB）如今存在了。轮次管理、给予回应和处理打断都是可测量的，而整个领域——包括前沿实时模型——在这些方面都远低于人类。如果你在构建语音或视频智能体，这就是值得埋点测量的维度。

全双工是架构，而非一个功能开关。 你无法把持续回应硬加到「转写 → LLM → 合成」的级联之上。Griffin 的招牌行为源自于在同一循环中从同一个控制信号生成语音和视频。如果你的产品依赖打断或非言语线索，级联会从结构上限制你。

为阶梯而设计，而非为这次发布而设计。 Tavus 自己的回复预告了「Griffin Lite」和它背后一个更大的模型，而平台现有的技术栈（Phoenix/Raven/Sparrow）才是今天任何可发布产品所在之处。务实的做法是继续基于有文档记录的模型构建，并追踪 Tavus 平台上出现 Griffin 那一行的时刻——而不是等它。

把披露当作产品需求。 这个领域的每一个严肃参与者——包括 Tavus——如今都说披露工具必须先于发布。如果你的智能体可能被误认为真人，那么可研究的失败模式不是「它是否骗过了用户」，而是「用户是否能够可靠地查明真相」。

常见问题

什么是 Tavus Griffin？

Griffin 是 Tavus 的首个 Human Interaction Model（HIM）：一个全双工、视频到视频的系统，它感知一个人的音频和视频，决定何时以及如何回应，并同时生成语音和视频。Tavus 称它是首个通过实时视频图灵测试的模型。

Griffin 真的通过了图灵测试吗？

在 Tavus 自己的实时研究中，54 名参与者中有 26 人（48%）在一分钟视频通话后认为 Griffin-Lite 数字人是真人，而在 Tavus 此前的技术栈上是 41 人中的 1 人（2.4%）。这是一个真实、引人注目的结果，但它来自一项样本小、时长短、由公司自run、没有独立复现也没有真人对照臂的研究。

NVIDIA 的基准究竟测量了什么？

NVIDIA 的 VideoFDB 是首个全双工视听对话基准，由一个大语言模型评委对来自真实通话的 237 段片段按 0–5 分打分。它有两条赛道。Griffin-Lite 在生成赛道得 3.83（人类 3.92），在感知赛道得 3.73（人类 4.20），在已发布基线上两项均为第一。

我今天能用 Griffin 吗？

不能。Griffin-Lite 是面向少数受信任测试者的研究预览版，需通过申请表获取。它尚未上架 Tavus 平台，没有公开的模型标识、没有端点、没有定价，Tavus 称现阶段不会向客户开放使用。

Griffin 多少钱？

Tavus 没有发布 Griffin 的任何价格，你看到的任何针对它的报价都是编造的。Tavus 现有的 Conversational Video Interface 平台在 tavus.io/pricing 上单独定价，且不包含 Griffin。

什么是「Human Interaction Model」？

Tavus 把 HIM 定义为「一类旨在理解并生成面对面的实时人类交互的新型模型」。在实践中，它意味着一个在说话时聆听、读取表情和停顿、并生成整个视频画面的系统——而不是串联起彼此独立的语音、语言和数字人模型。

Griffin 是全双工的吗？

是的。Griffin 以规律的亚秒级间隔评估对话，可以在对方仍在说话时给予回应、点头或接过话轮，同时使用音频和视频——而不是等用户停下来。

为什么 Griffin 还没发布？

因为让它成为优秀界面的那种真实感，同样使它具有欺骗性。Tavus 称在发布前需要进一步的对齐与安全程序，包括「安全的披露功能」，并称正在与 AI 安全组织合作。

对这次发布的批评是什么？

社区最常见的批评是嘴巴和唇形同步质量——这正是基准显示 Griffin 在 LSE-C 上只排第二而非第一的那个维度。评论者还质疑了研究的样本小和由 Tavus 进行的方法学，也有不少人主张一个如此逼真的模型需要强制性披露。

Griffin 与 Phoenix、Raven 和 Sparrow 有何不同？

Phoenix、Raven 和 Sparrow 是 Tavus 现有的分工模型——面部渲染、感知和轮次管理——以级联方式串联。Griffin 把感知、对话决策和生成合并进一个实时视频到视频的系统。现有的这三款是你今天可以基于其构建的产品。

来源

来源核对日期：2026 年 10 月 1–2 日。

• Griffin: The First Human Interaction Model — Tavus（官方产品与研究页面；所有能力、研究和基准主张）
• VideoFDB: Evaluating Full-Duplex Vision-Speech Capabilities in Conversational Agents — NVIDIA 及预印本（基准定义、基线、人类参考）
• Tavus 在 X — 发布线程（首条帖子和九条线程，上文引用为嵌入）
• Plans and Pricing — Tavus（现有平台档位；核对以确认 Griffin 未被列出）
• 发布线程上的社区回复，已在上文内联链接；作为有署名的反应引用，而非已核实事实。

关于更广的背景，可参阅我们的 Gemini 4 Argon 指南，了解前沿模型发布如何分阶段开放访问；以及 OpenAI DevDay 2026 回顾，了解智能体产品线如何成波发布。如果你构建实时智能体，注册表中有实用的起点：AI 数字人视频 和 HeyGen 最佳实践，而智能体技能分类是一张很好的地图，能看出对话与感知工具所在的位置。把记忆与感知接在一起的团队还应看看智能体记忆 MCP，而 TypeSafe Jev 深度解析则是一个有用的对照，说明一次发布的说法能被多诚实地分级。