Yanhua(@yanhua1010):细思极恐啊，一个AI刚刚通过了"视频图灵测试"。 Tavus 发布新模型 Griffin：受试者以为在和另一个真人视频聊天 1 分钟，结束后 48% 的人认定对方是真人。上一代同类系统，这个数字只有 2.4%。以前的 AI 视频通话为什么一眼假？因为它们在跑"接力赛"：语音转文字 → 大模型回复 → 合成语音 → 驱动头像。你说完它要愣一秒多，你停下想一想它就抢话，你打断它它停不下来。 Griffin 换了思路：边听、边看、边说，同时进行。每隔不到一秒就判断一次，该开口、该点头说"嗯"，还是该等你想完。它还会看：你拧魔方，它盯着魔方指导；你焊电路板，它记着进度主动提醒下一步。整个画面只需一张照片生成，声音只需 10 秒录音克隆。在 NVIDIA 的独立基准 VideoFDB 上，它的表现力评分 3.83，真人 3.92，第二名只有 2.80。（当然，图灵测试只有 54 人、聊 1 分钟，样本还小。）最反常的是：Tavus 自己按下了暂停键，说它太像人，要先解决"怎么让人知道对面是 AI"，才会正式开放。一张照片 + 10 秒语音 = 一个能实时跟你视频的"人"。以后接到家人的视频电话，你要怎么确认屏幕那头是真人？

2026.10.02 02:14

细思极恐啊，一个AI刚刚通过了"视频图灵测试"。 Tavus 发布新模型 Griffin：受试者以为在和另一个真人视频聊天 1 分钟，结束后 48% 的人认定对方是真人。上一代同类系统，这个数字只有 2.4%。以前的 AI 视频通话为什么一眼假？因为它们在跑"接力赛"：语音转文字 → 大模型回复 → 合成语音 → 驱动头像。你说完它要愣一秒多，你停下想一想它就抢话，你打断它它停不下来。 Griffin 换了思路：边听、边看、边说，同时进行。每隔不到一秒就判断一次，该开口、该点头说"嗯"，还是该等你想完。它还会看：你拧魔方，它盯着魔方指导；你焊电路板，它记着进度主动提醒下一步。整个画面只需一张照片生成，声音只需 10 秒录音克隆。在 NVIDIA 的独立基准 VideoFDB 上，它的表现力评分 3.83，真人 3.92，第二名只有 2.80。（当然，图灵测试只有 54 人、聊 1 分钟，样本还小。）最反常的是：Tavus 自己按下了暂停键，说它太像人，要先解决"怎么让人知道对面是 AI"，才会正式开放。一张照片 + 10 秒语音 = 一个能实时跟你视频的"人"。以后接到家人的视频电话，你要怎么确认屏幕那头是真人？