Tavus发布通过视频图灵测试的Griffin模型

2026年10月1日，Tavus推出人类交互模型 Griffin，该模型可处理视频和音频，并进行实时响应；该公司称，这是首个通过视频图灵测试的模型。对话时长为一分钟的一项测试显示，54名参与者中有26人（48%）认为 Griffin-Lite 是真人。

在 NVIDIA VideoFDB 对全双工视听交互进行的独立测试中，Griffin-Lite 在15个受评模型中排名第一。Tavus目前仅向有限范围开放 Griffin 的使用权限，以开发 AI 披露功能并评估该模型冒充他人能力带来的风险。

Tavus 推出 Griffin，将其定义为一类新型人类交互模型（Human Interaction Model，HIM）。该模型能够同时看、听、说，并响应对话对象的非语言线索。不同于先识别语音、生成回答、再将其语音化的级联系统，Griffin以固定的亚秒级间隔作出决策。

该模型作为一个全双工视频到视频系统运行。它能够对停顿、视线、面部表情和手势作出回应；可以同时听和说；能够在不丢失上下文的情况下打断或继续对话；并可根据停顿时长判断何时回应。

Griffin还能够识别物体及其周边环境，并将其纳入回答。Tavus表示，该模型会调整语音、面部表情和手势，以适应具体情境。

实时演示与性能

在演示中，Griffin一边追踪参与者的言语和动作，一边玩“Simon Says”游戏。它将展示在摄像头前的一只孔雀融入对话情节，借助手部动作协助解决魔方问题，并在持续记录时间的同时指导焊接操作。

该系统包含两个核心组件。持续对话建模（Continuous Conversational Modeling）分析音频和视频，以决定 Griffin 应何时以及如何回应；音视频生成（Audio-Visual Generation）则将这些信号转换为语音和视频。

Tavus称，Griffin-Lite使用320毫秒片段实时生成720p视频。在 H100 GPU 上，该模型的平均延迟为0.43秒；该公司称，这大约是受测次快方法速度的两倍。

据Tavus称，在旨在衡量全双工视听交互的独立 NVIDIA VideoFDB 测试中，Griffin-Lite在15个受评模型中排名第一。

在生成赛道中，Griffin-Lite获得3.83分，而人类基准为3.92分。它在感知赛道中获得3.73分。

该模型在开始说话时机方面也取得最高对齐分数，生成赛道达到62.8%，感知赛道达到73.8%。

在一项涉及54名参与者的测试中，26人（48%）在进行一分钟视频通话后表示，其对话对象是真人。Tavus此前的系统——Phoenix-4.5与 Sparrow-2 和 Raven-1 的组合——录得2.4%的比例，41名参与者中仅1人认为其为真人。

Tavus称，超过半数 Griffin-Lite 测试参与者在对话过程中并未想到自己可能是在与 AI 交谈。通常怀疑对话对象为人工系统的参与者，都会在最初20秒内产生这一怀疑。

Griffin目前仅作为研究预览版向有限测试者群体开放。Tavus表示，由于该模型能够冒充他人，在公开发布前必须解决安全问题。

开发者指出：“使人类交互模型成为人类与机器之间自然通信强大接口的同样特性，也使其能够欺骗一个人类，让其相信它不是 AI。”

Tavus表示，正在开发 AI 披露功能和额外的风险评估程序。该公司计划在解决安全问题后，更广泛发布功能更强大的 Griffin 版本。