AI数字人学会察言观色，近半测试者误认成真人

一个男人对着镜头拧魔方，屏幕里的女孩盯着他手上的动作，时不时点头提醒。他卡住了，她没有插话，只是安静等着。这看起来像一次普通的视频通话，但屏幕里的女孩并不存在——她的脸、声音、每一次点头和停顿，全部由 AI 实时生成。

10 月 1 日，美国 AI 视频公司 Tavus 发布 Griffin 模型，定义为全球第一个「人类交互模型」。数据显示，在一分钟视频通话测试中，54 名参与者有 26 人认为自己是在和真人聊天，比例接近 48%。而上一代系统在同样测试中，41 人里只骗过 1 个，比例 2.4%。从 2.4% 到 48%，这不是常规迭代。过去数字人拼的是「脸像不像」，Griffin 想证明的是 AI 已开始学会「像人一样聊天」。

Tavus 发布的演示视频本身就是一次 AI 视频通话。联合创始人 Hassaan Raza 与屏幕中的女孩 Vanessa 像老同事一样互相打趣，她接得住笑点，停顿自然，没有数字人特有的机械感。更能说明问题的是技术博客中的测试片段：Griffin 指导人拧魔方时，会等对方准备好再开口；在焊接主板时，能理解「沉默」也是信息，在该做下一步时主动开口；玩「西蒙说」游戏时，每个动作都是现场生成。还有「抢话」能力——有人告诉它自己升职了，它在对方话没说完时就做出反应，两人短暂同时说话却不乱线索。

过去的数字人采用「级联」架构：语音识别转文字，大语言模型生成回复，语音合成念出文字，形象驱动模型让脸动起来。每多一次交棒就多一份延迟和信息丢失，且必须等你说完才处理，于是有了一两秒的尴尬停顿。Tavus 上一代方案已被 15 万开发者和企业使用，但真人测试通过率仅 2.4%。

Griffin 的思路是把接力赛变成一个大脑同时处理所有事情。Tavus 将其描述为「全双工、视频到视频」模型，由两大部分构成。第一部分是「连续对话建模」，每隔不到一秒重新评估对话状态，综合你说什么、怎么说、什么表情、镜头里有什么，决定该说话、点头、嗯一声还是继续听。它输出的是整套控制信号，涵盖情绪、姿态、表情和手势。第二部分是音视频生成引擎。语音侧自研 Tavec 编解码器，把 48kHz 音频压缩成每秒 100 帧、每帧 40 个数值的连续表示，最小以 10 毫秒为单位输出声音，还能用约 10 秒录音克隆声音。视频侧通过「蒸馏」把庞大模型压缩：先分布匹配蒸馏把几十步压到几步，再改造成自回归结构，最后用 Self-Forcing 方法训练避免画面漂移。最终 Griffin 以 320 毫秒为一块实时生成 720p 视频，从听到声音到脸上做出反应平均延迟 0.43 秒，Tavus 称这只有次快方案的一半。

Griffin 抛掉了前几代依赖的 3D 人脸先验，只用一张参考照片就能实时生成画面里每一个像素，椅子的晃动、墙上的影子、手指动作和背景都在控制之内。第三方评测中，在 NVIDIA 的 VideoFDB 基准上，Griffin-Lite 在「生成」赛道拿到 3.83 分（满分 5 分），比第二名高出 1 分多，离人类参考值 3.92 只差 0.09；在感知赛道也以 3.73 分排名第一。

2024 年 GPT-4o 靠端到端语音模型取代三段式流程，让 AI 语音第一次有了插话、语气和停顿。Griffin 做的，是把这场端到端革命从声音推进到了画面。

Griffin 真正的冲击在于重新定义了数字人该比拼什么。过去行业主线是「做一张更像的脸」，HeyGen、Synthesia 主打预生成口播视频，国内直播带货、政务客服数字人也是同一逻辑。这条路线解决的是「播」而非「聊」。一旦进入实时对话，级联架构的天花板就暴露无遗。Griffin 把赛道核心指标从「像不像」换成了「懂不懂」——卖点不是某一帧画面有多高清，而是什么时候点头、什么时候插话、什么时候闭嘴。