一半人分不清视频通话对面是不是真人：电商的信任成本要重算了

设想这样一个场景：你的客服接到一通视频电话，对方自称是合作了三年的供应商负责人，要求把一批货的发运地址改到新仓库。画面里的人你见过，声音你听过，他还能顺手把新合同举到摄像头前给你看。你会改吗？

大多数人会改。因为「开个视频」在过去几年里一直是成本最低、可信度最高的核验方式——直到最近出现的一组测试结果，把这条常识的可靠性打了个问号。

一通一分钟的电话，二十六个人以为对面是人

测试的设计很简单。参与者被告知将与另一位参与者进行一次一分钟的视频通话，聊一聊接下来的计划。对面的人会听、会笑、会在你把东西举到镜头前时做出反应，也能接话。通话结束后，参与者才被问到：你觉得对方是真人吗？

五十四个人里，有二十六个人说是。而对面是一个模型驱动的实时对话系统。

同一套流程用在上一代系统上时，四十一个人里只有一个人被骗，比例是百分之二点四。从百分之二到接近一半，只用了一代。

在另一个由芯片厂商研究者建立的实时双向视频对话基准上，这个系统的生成质量得分是三点八三，人类参考分是三点九二，次优系统是二点八零。差距已经小到「同一档次」的程度。

数字背后的前提：样本很小，但跳变很大

必须先把这份测试的可信边界说清楚，否则很容易得出错误结论。

• 样本只有五十四人。 这是个小数，统计波动大。
• 通话只有一分钟。 时间越长，破绽越多；对方越警惕，越容易发现异常。
• 由发布方自己组织。 没有第三方独立复现，方法的细节披露也有限。
• 结果是接近五五开，不是压倒性。 一半人分不清，也意味着另一半人分清了。

所以严谨的说法是：在发布方设定的这个实验条件下，约一半的参与者未能识别出对面是模型。不能外推成「在日常使用中所有人都分不清」。

但这恰恰是最值得警惕的地方。百分之五十这个数字的意义不在绝对高低，而在于它第一次把「猜对」拉到了接近随机的概率水平。当人的判断力退化到和抛硬币差不多，就意味着「用眼睛确认」这件事在统计上已经不构成有效防线了。而百分之二到百分之四十八的跨代跳变说明：这不是缓慢演进，是一步跨过去的。

发布方自己的态度也值得注意。它没有立刻对外销售这个模型，只向筛选过的测试者开放一个轻量研究预览版，并明确表示需要补全安全对齐和身份披露功能之后才会正式发布。一家公司主动按住一个刚做出成绩的模型，本身就是对风险最直白的说明。

从流水线到全双工：为什么这一代不一样

要理解跳变为什么这么大，得看架构。

过去主流的实时数字人是一条流水线：先把语音转成文字，交给语言模型生成回答，再由语音合成和形象渲染输出画面。这条链路有个天然缺陷——必须等你说完才能开始回应，像对讲机。人在真实对话里的抢话、重叠、点头附和、边听边反应，它全都做不到。

新一代的做法是把感知和生成拆成两个并行运转的部分：一个持续对话建模引擎不断接收你的音视频信号，以亚秒级的间隔重新判断该保持安静、点头、附和、接话还是让话；另一个视听生成引擎把这些控制信号同步转成声音和画面。你还在说话的时候，它已经在反应了。

技术细节上有两处关键突破。语音侧用了新的编解码方案，能把高采样率音频压到极小的数据量，从而让声音在句子还没生成完时就开始播放，并且只用大约十秒的音频样本就能完成声音克隆。视频侧则是从大型扩散模型蒸馏而来，以三百二十毫秒为单位生成高清画面，逐像素生成整个场景——不只是换脸，连人物坐的椅子和投下的影子都是算出来的。

这解释了为什么它能做流水线做不到的事：教人拧魔方时会在对方卡住的瞬间等待；玩模仿游戏时能抓到对方跳过了关键词；指导焊接时会在该开口的时机说话，而不是等房间安静下来。这些行为依赖的是时机和「看见」，而不是一句完整的话。

视频通话为什么一直是最后的信任锚点

在文字和语音先后被攻破之后，视频是最后一个人们还愿意相信自己的眼睛的通道。

• 文字层面，早在二〇二五年就有研究发现，在要求扮演特定人格的条件下，人们有百分之七十三的概率把某个模型当成人类。
• 语音克隆早已进入诈骗实战，成本被压得很低。
• 视频因为需要实时渲染、需要应对互动、需要连贯的动作，一直是难度最高的一关。

于是「开个摄像头」「我们视频确认一下」成了家庭和企业里默认的安全动作。风控流程、招聘面试、远程开户、供应商初次接洽，很多环节把视频通话写进了标准操作。

现在这一环松动了。而且松动的不是预先制作好的换脸视频——那类东西早已有之，也能靠动作指令验证——而是实时、可打断、能回应你举起的纸质文件的双向对话。

风控要改的地方：别再用「开摄像头」当核验

对电商和依赖远程信任的行业来说，下面几条是务实的调整方向。

• 把「见面」降级为「辅助信息」。 视频通话可以保留在流程里，但不能再作为唯一或决定性的核验依据。涉及改收款账户、改发运地址、变更合同主体、大额付款的操作，一律走独立渠道二次确认。
• 引入动作挑战。 让对方做一组随机指定的动作——侧头、遮挡半张脸、快速变换光照、按指令举起指定物品。这类挑战针对的是实时生成的弱点，比静态观察有效得多。
• 关键变更走「回拨 + 独立号码」。 不要用对方在通话里给你的联系方式回拨，用你系统里存档的号码主动打回去。这条规则老套，但至今仍是拦截此类诈骗最有效的手段。
• 对高价值操作设置冷静期。 给涉及资金和权限的变更强制留出等待窗口，并用另一条通道通知第二个人。多数此类诈骗依赖的是「紧迫感」。
• 更新内部话术与授权清单。 明确告知一线员工：视频里看到熟人不等于身份已核验，并把「哪些操作必须走二次确认」写成可执行的清单。

正向用法：哪些环节真的能用

技术本身是中性的，风险之外也有实打实的收益，关键在于用在什么环节、是否披露。

• 标准化售前答疑。 产品参数、库存状态、发运时效这类高频且答案固定的问题，用实时数字人承接可以显著降低响应延迟，并且能随时打断、随时追问，体验比传统按键菜单好得多。
• 售后问题定位。 让客户把故障部位举到镜头前，由系统实时识别并给出排查步骤——这类「看见并指导」的场景正是新一代架构的强项。
• 面试与培训演练。 用于内部培训的话术对练、新客服的上岗模拟，成本低且可无限重复。
• 跨时区接待。 用本地化形象和语言承接非工作时段的咨询。

但有一条底线不能破：必须显式披露对方是模型。发布方把「身份披露功能」列为正式发布的前置条件，不是客气话。未经披露的拟人化交互一旦被客户发现，损失的是整个品牌的信任基础。

现在就该做的四件事

第一，把你业务流程里所有把「视频通话」当作核验手段的环节列出来，逐一标注风险等级。第二，给涉及资金、权限、地址、账户的四类变更加上独立渠道二次确认，今天就加。第三，设计一组适合你业务的随机动作挑战，写进标准话术。第四，如果你打算引入实时数字人做客服，先定好披露方案——在页面上、在开场白里、在通话界面上都要有明确标识。

一分钟的通话能骗过一半人这件事，真正改变的不是技术格局，是成本结构：过去你要伪造一个人的实时形象，成本极高；现在它变成了一项可采购的服务。当伪造成本从「做不到」变成「花多少钱」，所有依赖视觉确认的流程都得重新定价。这件事不该等到第一起事故发生在自己身上才开始做。