在过去很长一段时间，视频通话被视作辨别真人与机器的可靠屏障。文字能够改写，人声可以合成，开启摄像头观察面部神态、肢体反应，似乎就能够守住身份核验的最后一道防线。但随着实时视频生成技术快速迭代，这份“眼见为实”的安全感正在被打破。

近期AI研究团队Tavus对外发布Griffin实时视频交互模型，并公开人机视频通话实验数据：54名受试者和Griffin‑Lite开展一分钟视频对话之后，有48%的参与者误以为沟通对象是真人，该数据远高于上一代系统2.4%的占比。Tavus将该模型归类为全新的人类交互模型（HIM），宣称它完成了实时层面的视频图灵测试。不过这个结论来自厂商自身定义，模型也尚未大规模对外开放，实验结论还需要更多验证。

传统AI交互经常出现“出戏”的问题：用户还在思考停顿，AI就抢先作答；用户传递低落情绪，虚拟面孔依旧保持笑容；即便被用户打断，AI依旧自顾自完成原有台词。错误未必出在回答内容，而是模型忽略了语言之外的非语言沟通信号。

Griffin的核心进步，正是把表情、视线、语气、对话停顿纳入感知范围。它不只是简单完成一问一答，能够分辨沉默究竟代表思考完毕、还在斟酌措辞，还是期待对方继续讲解。模型仅凭一张参考图，就可以实时完整渲染人物面部、手部动作，连同光影、背景环境一同生成。虚拟角色倾听过程中会自然点头、转动视线、切换神态，不用等到自身发言才产生动作，极大提升交流的真实感。

实现这种类人沟通，依靠的是全双工视频交互方案。传统级联式AI系统按顺序走完语音识别、大模型推理、语音合成、数字人驱动整套流程，用户说完一句话，系统才完整处理一轮。而Griffin分成两大模块，持续对话建模引擎不间断接收音视频信息，以不到一秒的间隔更新对话状态，随时决定什么时候说话、什么时候闭嘴，同步输出表情、情绪、动作指令；音视频生成引擎把控制信号转化为流畅音画，就算对话中途被打断，也可以随时暂停输出。

硬件测试数据显示，Griffin‑Lite采用流式音频生成，依靠10秒参考音频就能够复刻人声；视频端输出720P、25帧每秒画面，H100环境下平均音视频延迟低至0.43秒。在公开基准榜单VideoFDB当中，不管是非语言信号感知，还是音视频生成，该模型得分都大幅领先其他主流AI方案，分数十分贴近人类参考标准。但不同模型的输入条件并不统一，榜单分数不能等同于综合能力的绝对对比。

这项实验同样存在明确边界。测试仅仅维持一分钟，参与人数只有54位，受试者提前被暗示通话另一方是普通人。大部分察觉异样的受试者，在20秒左右就发现AI破绽。问卷反馈也显示，模型的对话流畅度得分偏低，依旧存在现实交流障碍。短时间小规模测试可以证明它短期的迷惑效果，却无法代表长时间、复杂现实场景下的表现。

技术层面的突破打开丰富的应用想象。未来AI线上辅导不再局限于录播课件，AI可以捕捉用户皱眉等神态，察觉理解障碍，主动更换通俗讲解方式；智能客服不必等待用户罗列复杂参数，用户直接将实物对准镜头，AI就能够同步观察画面协同解决问题。机器不再只是接收文字指令，开始理解人类真实沟通语境。

越是拟真的AI，越不能回避身份告知的责任。正是出于风险考量，Griffin‑Lite目前仅向少数可信测试人员开放研究预览，不对普通用户开放。团队正在研发AI身份披露功能，持续推进安全对齐评估，正式大范围发布的时间取决于安全问题的解决进度。

数字人发展早期，行业重点在于如何让人们愿意和机器对话；而当AI模拟人类神态对话已经足以混淆视听，行业新增一道命题：如何让使用者清晰知道，自己正在和机器对话。教会AI读懂人类察言观色，能够降低交互门槛；而主动标明AI身份，才是这份技术便利赖以存续的信任基石。