视频通话一直被当作远程验证身份的最后一道保险：文字可以代写，声音可以合成，但打开摄像头面对面聊天，总能多一分笃定。这份笃定上周被撕开了一道口子。AI 团队 Tavus 发布实时视频交互模型 Griffin，其研究预览版 Griffin-Lite 在一项一分钟视频通话实验中，让 54 名参与者里的 26 人相信屏幕对面坐着真人，占比约 48%。作为对照，Tavus 上一代系统在相同流程下只有 41 人中的 1 人被骗，比例 2.4%。截至发稿，这场实验已有近 1736 万网友围观。
赢在说话之外
翻看实验细节，Griffin 骗过参与者的细节大多藏在语言之外。它能够同时看、听、说，并根据对方的表情、视线、语气和停顿持续调整自己的行为。一段沉默在它那里有了区别：对方在思考、已经说完、还是希望它继续解释，模型会结合上下文与非语言信号分别处理，而不像传统语音助手那样把每次声音停止都当成发言结束。
视觉生成范围也明显扩大。Tavus 称 Griffin 能从一张参考图像出发，实时生成整个画面，包括人物的脸、手臂、手指，连椅子的移动、阴影和背景变化都在其中。所以屏幕上的角色在听人说话时会点头、调整视线、改变表情，不必等到自己开口才突然”活”过来。
全双工是真正的分水岭
支撑这一切的是架构变化。常见的级联系统按顺序完成识别、生成回答、合成语音、驱动数字人，用户说完一句系统处理一句。Griffin 采用全双工方案，输出声音和画面的同时持续接收用户的声音与画面，对话引擎以小于一秒的间隔重新评估交流状态，一句话说到一半也能根据对方反应决定暂停或继续。
生成速度跟得上是前提。Griffin-Lite 的视频模块以每段 320 毫秒的方式实时生成 720p、每秒 25 帧的画面；在英伟达 H100 测试中，音频到达后出现在画面上的平均延迟为 0.43 秒，约为对比方法中最快者的一半。在英伟达 VideoFDB 公开榜单上，其生成赛道得分 3.83，人类参考分 3.92；感知赛道 3.73，人类参考分 4.20，均领先其他 AI 系统。
48% 说明了一半，另一半要警惕
数字之外需要保持清醒。这项实验样本仅 54 人，通话只有一分钟，且得分相近的两组信心都在八成上下，说明不少人是在”概率上猜错”，与彻底被骗仍有距离；产生怀疑的人通常在开始后 20 秒内就有所察觉。五项主观评价中对话流畅度只有 4.9 分（七分制），是最低的一项。Tavus 自己也只开放了研究预览，明确表示正在开发 AI 身份披露功能，未向普通客户开放。
写在最后
“首个通过实时视频图灵测试”目前只是 Tavus 对自家实验的定义，样本与时长都不足以盖棺定论。但方向已经清楚：当合成的面孔开始以假乱真，真正的分水岭会从”能不能骗过你”转移到”愿不愿意告诉你它是谁”。身份披露这套基础设施，比模型本身的逼真程度更值得行业和监管者盯紧。
配图说明：本文封面为 AI 生成图像。
参考：爱范儿（36氪转载）《刚刚，AI击穿了”视频图灵测试”，1700万网友在线围观》报道，本文为基于公开信息的独立评述。