Tavus视频模型一分钟骗过近半受试者

视频通话里的那张脸，可能很快就无法再作为「真人」的凭证。旧金山初创公司Tavus日前发布了它称为首个「人类交互模型」（Human Interaction Model）的Griffin：一个全双工、视频到视频的模型，能像真人一样实时进行面对面的对话，边说边听，同时解读对方的表情、语气、手势和停顿。

测试结果相当惊人。在Tavus自己组织的盲测中，54名受试者里有26人——即48%——在与Griffin进行一分钟视频通话后相信对方是真人；而该公司上一代系统的这一比例只有约2%。在英伟达的VideoFDB独立评测中，Griffin的拟人度得分为3.83分（满分5分），真人参考值为3.92分，此前公开系统的最好成绩只有2.80分。

技术架构上，Griffin不再沿用「语音转文字、大模型、再合成语音」的级联管线，而是把音频和视频放在同一模型里同时处理，以亚秒级间隔判断何时说话、何时倾听、何时点头插话，可生成720p视频，每段仅320毫秒，只需一张参考图就能驱动包括肢体动作和背景光影在内的整个画面。

不过，Griffin目前仅以「Griffin-Lite」研究预览版向少数测试者开放，完整版要等安全对齐完成后才会推出——Tavus坦承，这类模型天然具备欺骗能力。这不只是理论风险：此前香港一家公司员工曾在深度伪造的视频会议中被骗走2560万美元，反欺诈机构Pindrop统计2024年深度伪造欺诈企图激增1300%。

Tavus创立于2020年，累计融资约6400万美元，早期为销售和营销制作个性化AI视频，后转向实时双向视频对话。公司列出的应用场景包括一对一辅导、困难对话演练和摄像头技术支持等，但「以假乱真」的另一面，意味着视频通话的信任机制可能需要重新设计。

编译自 The Decoder，原标题："Nearly half of test subjects mistook Tavus' AI video avatar for a real person on a one-minute call"