Tavus发布端到端全双工视频模型Griffin

一个男人对着镜头拧魔方，屏幕里的女孩注视着他的动作，时不时点头，提醒下一步该转动哪一面。当他卡壳低头思索时，女孩并未插话，只是安静等待；等他重新动手，她才顺势接上下一句。

这并非一次普通的视频通话。屏幕中女孩的脸庞、声音以及每一次点头和停顿，均由 AI 实时生成。

近日，美国 AI 视频公司 Tavus 发布了一款名为 Griffin 的模型，并将其定义为全球首个「人类交互模型」（Human Interaction Model，HIM）。测试数据显示，在一项 1 分钟的视频通话盲测中，54 名参与者中有 26 人误以为自己正在和真人交流，比例高达 48%。而 Tavus 上一代系统在同样测试下的真人通过率仅为 2.4%。

这标志着数字人技术从单纯卷「画面精细度」，转向了攻关「人类交互逻辑」。

告别机械感：实时对话不再「出戏」

在官方公布的演示中，Tavus 联合创始人兼 CEO Hassaan Raza 与名为 Vanessa 的虚拟形象进行跨时区视频沟通。整场对话流畅自然，无论是打趣调侃、要求比大拇指，还是另一位同事突然入镜，AI 都能自然承接互动。系统彻底摆脱了传统数字人「你说完、愣一秒、再机械作答」的卡顿感。

在开放场景测试中，Griffin 展现出几项关键能力：

• 理解沉默的意义：指导工程师焊接电路板时，模型会记录任务进度，在关键节点主动开口，而不是将对方的沉默误判为插话时机。
• 支持双向抢话打断：在讲故事或分享喜讯时，模型允许用户随时打断，并能在两人短暂同时发声的状态下维持逻辑连贯。
• 动态像素生成：在「西蒙说」动作互动中，肢体动作、光影投射和背景画面均实时生成，不再受限于静态贴图。

端到端全双工架构重塑交互

市面上大多数实时数字人采用级联架构，类似接力赛：语音识别转文字，交给大语言模型生成回复，语音合成念出文本，最后通过形象驱动模型渲染口型。这种串联方案每一步都在堆积延迟、丢弃语气和表情信息，且只能以单向轮流方式交互。

Griffin 则转向了全双工、端到端「视频到视频」的处理架构，主要分为两大核心：

1. 连续对话建模：模型以亚秒级频率持续重新评估对话状态，综合语义、语气、微表情和画面动作，决定当前是该回答、点头附和还是安静倾听。输出信号直接涵盖情绪、姿态与手势参数。
2. 音视频生成引擎：音频侧自研了 Tavec 编解码器，配合自回归扩散模型，以最小 10 毫秒为单位流式输出语音；视频侧通过分布匹配蒸馏与 Self-Forcing 自回归训练，将庞大的视频扩散模型压缩到可以逐帧生成，以 320 毫秒为块生成 720p 视频。从听到输入到画面做出反应，平均延迟仅 0.43 秒。

此外，Griffin 摆脱了传统 3D 人脸先验约束，仅凭一张参考图片即可实时推演身体晃动、阴影与手势细节。在 NVIDIA 的全双工音视频对话基准 VideoFDB 评测中，Griffin-Lite 在生成维度拿下 3.83 分（满分 5 分），逼近人类基准的 3.92 分；感知维度同样以 3.73 分位列榜首，超过 MiniCPM-o 与 OpenAI gpt-realtime。

数字人下半场：从「像不像」到「懂不懂」

过去，以播报和口播为主的数字人主要依靠渲染精度生存。但在实时交互场景中，拼接式架构的物理延迟容易彻底打破沉浸感。

如同 GPT-4o 掀起语音端到端风潮一样，Griffin 将端到端全双工范式推进至视觉模态，倒逼行业将竞争重心从「图形渲染」迁移至「实时对话建模」。

不过，该测试仍存在一定局限。54 人的样本量较小，且受测者预先被告知对方是真人，存在心理暗示。在没有防备时容易蒙混过关，但一旦产生怀疑，部分受测者在 20 秒内便能察觉异样。

目前 Griffin-Lite 仅面向少数受信任机构内测。Tavus 表示，正在联合安全组织开发「AI 身份主动披露」机制，以规避可能引发的视频诈骗与身份冒充风险。