你最后一次深信不疑地认为看到的就是真的，是在什么时候？
可能是昨天和同事的视频会议，也可能是上周和家人的视频通话。文字可以代写，声音可以合成，但让对方打开摄像头——聊几句、看表情——似乎总能多一分把握。
如今，连这份眼见为实的笃定也开始受到挑战。
2026年10月1日，旧金山AI公司Tavus发布了名为Griffin的实时视频交互模型，并公布了一项实验结果：在一分钟视频通话后，54名参与者中有26人——恰好48%——认为屏幕另一端是真人。公司将其称为首个通过实时视频图灵测试的模型。
截至发稿，Tavus在X平台发布的预告视频已吸引超过1736万次观看。评论区里，赞叹与质疑各占一半。有人说科幻成真，有人问第一个能想到的用途就是诈骗。
两个反应都是对的。它们恰好指向同一件事的两面。
48%背后的飞跃与陷阱
Tavus将Griffin称为Human Interaction Model（HIM）——一个全双工视频到视频模型，能在同一系统中同时监听、观看和回应。它生成的不只是面部：椅子的阴影、背景的灯光变化、转头时的身体运动——整个画面都在实时渲染。
技术参数上：720p分辨率、25fps帧率、每320毫秒生成一个视频潜空间块（一个latent对应8帧），每块只需3步扩散推理。音频到视频的平均延迟为0.43秒——Tavus称这是业界最快。模型只需要一张参考照片和大约10秒的语音样本，就可以创建一个完整的数字分身。
在NVIDIA于2026年9月独立运行的VideoFDB全双工视频基准测试中，Griffin-Lite以3.73分（满分5）位居感知赛道15个模型之首，仅次于人类基准的4.20分。开源模型MiniCPM-o 4.5（仅音频配置）得分3.44，Gemini 2.5 Flash Native得分3.17，OpenAI gpt-realtime得分2.97。
但快速不等于完美。Griffin-Lite的中位响应延迟为2,232毫秒（约2.2秒），慢于开源MiniCPM-o的720毫秒和人类参考值的1,400毫秒。生成画质虽领先同行，但唇形同步精度排在第二——Tavus自己在发布页上诚实标注了这项不足。
然而，真正让这次发布引发两极反应的，是Tavus设计的那场镜像实验——
上一代系统（由Phoenix-4.5、Sparrow-2和Raven-1三件拼凑而成）在同流程下仅有2.4%的参与者被欺骗（41人中仅1人）。Griffin-Lite将这一数字从2.4%拉升到48%，提升了整整20倍。
这也是Griffin名字中首款宣称的依据。
但数字背后有必须正视的细节。这48%来自Tavus自己的实验：参与者通过未公开名称的众包平台招募，被告知将与另一位参与者进行一分钟视频通话，话题是今年你最期待什么。实验由Tavus内部执行，无第三方监督。
54人是一个相当小的样本。那些判断被骗的参与者事后平均置信度仅79%——他们自己也没有十足把握。判断正确的参与者平均置信度81%，两个群体之间仅差2个百分点。更关键的是，那些最终产生怀疑的参与者，大多数在通话开始后的前20秒内就已经心存疑虑。
如果把通话时长从1分钟延长到5分钟、10分钟，48%很可能守不住。
这恰恰点出了视频图灵测试概念的脆弱性。图灵测试在文本领域已被GPT-4.5以73%的被认为真人率击穿；每一次将测试的感官维度从文本扩展到语音再到视频，本质上都在重复同一个故事：在受限条件下，AI越来越擅长模仿人类的外壳，但它是否真正跨过了智能的标杆，仍然存疑。
一张自拍就够了，这意味着什么
Griffin最值得关注的技术特质，不是它能做得多好，而是它的启动门槛有多低。
一张参考照片，10秒音频，就能生成一个可以在实时视频通话中与人交流的数字分身。不需要多角度扫描，不需要专业影棚，不需要几十张训练数据。
而Tavus的API平台已有15万开发者和企业注册。虽然Griffin目前尚未进入该平台——公司明确表示在安全与披露机制就绪前不向公众提供——但其上一代技术的生成和交互能力已经通过API被广泛集成。
这意味着什么？技术门槛已经低到了这样的程度：任何有API访问权限的人，理论上都可以在应用里嵌入一张看起来像真人的面孔，让它开口说话、实时回应。
这幅画面的背面，是一个正在急剧膨胀的黑色产业。
据Surfshark研究数据，2025年全球深伪相关欺诈损失飙升至11亿美元，是2024年的3倍，是2020至2023年四年总和的9倍。83%的深伪损失来自社交媒体平台。2024年香港发生的奥雅纳（Arup）深伪骗案更是典型案例：一名员工被邀请参加视频会议，对面所有参会者全是AI生成的假人，公司因此损失2,500万美元。
Tavus的CEO Hassaan Raza在发布声明中明确表达了这种担忧：同样的技术能力既能成为产品，也能成为欺骗工具。
但问题在于，当技术本身已经被造出来、API基础设施已经铺好，一家累计融资约6,400万美元的公司，如何在开放和安全之间划出那条真正有效的界线？
目前Griffin-Lite仅限受信任测试者申请研究预览。但Tavus没有公布具体的筛选标准，也没有公布产品的最终定价和时间表。X平台上那条推文下的热门回复里，点赞最高的一条写着：除了欺诈操纵和宣传，这东西还能用来做什么？
从营销视频到实时数字人的两步跨越
Tavus的故事并不长，但浓缩了AI创业的典型轨迹。
2020年，Hassaan Raza和Quinn Favret在旧金山创立了Tavus。公司出身Y Combinator 2021夏季批次，最初的核心业务是企业级个性化视频生成——用AI替销售人员和营销团队生成数字分身，自动化发送个性化的视频消息。客户包括Verkada、Genesys、Pathrise等。公司声称产品能让点击率提升5倍、转化率提升8倍。
2024年3月，Tavus完成1,800万美元A轮融资，由Scale Venture Partners领投，Sequoia Capital和Y Combinator跟投。彼时，它还在讲用AI替销售人员批量生成个性化视频的故事。
2025年11月，Tavus完成4,000万美元B轮融资，由CRV领投，Sequoia、Scale Venture Partners、Y Combinator、HubSpot Ventures和Flex Capital跟投，累计融资约6,400万美元。与OpenAI、Anthropic动辄百亿美元的账本相比，这支体量不算什么。然而18个月后，同一个团队发布了一个能在实时视频通话中以假乱真的模型。
从替销售人员拍视频到替AI生成一个会实时回应的脸，Tavus走了两步：第一步是把数字分身做得足够逼真；第二步是让分身能实时互动。Griffin就是第二步的产物。
这两步之间不到两年时间。它揭示了一个更深层的行业事实：在AI领域，护城河的时间窗口正在急剧缩短。你用来做营销数据的资产，换一个角度，可能就是未来最危险的竞争武器。
被重新定义的对面有人
给AI视频领域画一个谱系，一端是Synthesia和HeyGen——它们帮你从文字脚本生成一段有人说话的预制视频，相当于视频界的预制菜。另一端是实时交互模型：不仅能提前录制好菜，还能在餐桌上和你聊天、理解你的表情、回应你的语气。
Tavus Griffin走的是后一条路，但这条路上并非只有它一个玩家。
D-ID在2026年推出了V4 Expressive Visual Agents——基于真人演员训练的数字人，能连接LLM实时对话，根据情绪调整面部表情，通过WebRTC以最高100fps流式传输。起步价每月5.9美元，比Tavus未公开的定价更具侵略性。
而谷歌、Meta和OpenAI的实时视频生成能力都在向通过摄像头理解世界的方向演进。只不过这些巨头更加专注通用AI助手，而非专门优化像真人的视频通话体验——这也正是Tavus选择的一条更窄、但也更深的路线。
如果AI实时视频通话的成本降到足够低、质量好到无法分辨，所有需要人脸出镜的交互场景都将被重写——客服、销售、教育、心理咨询、线上诊疗。每一个行业都可能面临一个选择：用真人成本高，用AI用户可能发现不了。
站在用户这一侧，你需要重新定义一件事：什么才叫对面有人。
这个问题没有标准答案。但Griffin的价值恰恰在于它把这个问题从哲学假设变成了日常现实。
从技术文明演进的大尺度来看，每当人类发明一种新的通信技术——电报、电话、Email、短信——我们总是先用它来缩短距离，然后花很长时间才学会提防里面的骗子。视频通话作为最真实的通信方式的地位，正在经历这个转折点。
Tavus的创始人们把他们的愿景称为Human Computing——让计算机变得像人一样自然地和你对话。这个愿景美好而充满未来感。但它也潜藏着另一种可能性：当计算机真的学会了像人一样说话、看人、回应表情时，像人本身就不再是一个充分条件。
这个人造的Griffin——半狮半鹰的神话生物——也许并不是来摧毁什么防线的。它只是提前把一道选择题摆在了我们面前：当你面前的这张脸、这个声音、这段实时视频都可以被AI完美模拟时，你要靠什么来判断，对面是不是一个真实的人？
眼见为实这句话，可能必须从我们的词典里划掉了。
快报