实时视频数字人过了视频图灵测试：48% 的人没认出对面是 AI

客服那头的姑娘，这次可能真不是人

做女装的朋友前几天讲了个事。她店里的直播时段切到凌晨，主播熬不住，试过用数字人顶班，进来的观众停留时间平均不到二十秒就走。翻车的原因很统一，画面里那个人说话时会先停一下，对方一句"这个版型显瘦吗"，她得等两秒才接得上。

Tavus 在十月一号发布的 Griffin-Lite，冲的就是这个"迟到的两秒"。这家公司给它起了个新类别名字，叫人类交互模型，Human Interaction Model。

官方盲测的数字，摊开看

先看原始数据。Tavus 自己设计并跑了一次盲测。

• 54 名受试者，每人跟一个 Griffin-Lite 形象做一分钟视频通话
• 通话结束后，26 人认为对方是真人，占比约 48%
• 上一代系统在同样流程下，41 人里只有 1 人这么判断，占比 2.4%
• 认为对方是真人的那批人，平均自信度 79%
• 起疑心的人里，多数在前二十秒内就察觉了

这几个数字要说清楚的边界也在这。样本是 54 人，通话是一分钟，测试是厂商自己组织的一次中型研究，而且受试者事前被告知要会见另一位参与者，心理预期偏向"对面是人"。

所以标题里那句"通过视频图灵测试"，带的是 Tavus 自己的定义。它有进步，也经不起单独成证据。

第三方基准说了什么

比厂商盲测更值得看的是英伟达那套东西。

英伟达和数据合作方 David AI 做了 VideoFDB，一个针对全双工视听对话的基准，用 237 段真实双人视频通话片段打分，重点是模型能不能读懂"对方停顿加眼神移开"这种信号。

• 感知赛道，Griffin-Lite 拿 3.73 分，人类参考水平是 4.20 分，谷歌 Gemini 2.5 Flash Native 是 3.17 分
• 生成赛道，Griffin-Lite 3.83 分，人类基准 3.92 分
• 中位响应时间 2.2 秒，人类是 1.4 秒

翻译过来一句：它已经很像人了，但还慢人一步。 这剩下的 0.8 秒，就是直播间里那二十秒停留时间的直接来源。

技术路线的差别在哪

老一代数字人是接力队。语音识别接文本生成，文本生成接语音合成，语音合成接面部驱动，四个模块排成一列，每交接一次加一点延迟，语气里的微妙东西在交接路上被磨掉。

Griffin-Lite 是端到端。一个连续对话引擎持续接收你的音视频，以不足一秒的间隔判断此刻该接话、该附和、该插话还是继续安静听着，同时定下内容、语气、表情、手势和身体姿态。另一个生成引擎同步出语音和全身画面。

几个具体参数值得记。

• 视频生成器按 320 毫秒一块产出 720p 画面，单个 latent 逐个生成
• 语音引擎大约十秒音频就能克隆音色
• 一张参考照片就能驱动全身动态，背景、阴影、椅子挪动都跟着变
• 在 H100 上平均延迟 0.43 秒

还能看见画面里的东西。演示里它认出镜头前举着的一只孔雀，把它编进正在讲的故事；看着手部动作指导还原魔方；盯着 soldering 的进度提醒时间。

电商能用在哪些环节

分三类，价值和风险差很远。

第一类是夜间和高峰溢出。真主播一天能撑的时长有上限，凌晨档用数字人接，只要客人知道对面是谁，这是纯粹的效率提升。目前所有成熟方案里，这一类的转化最好看。

第二类是售前答疑。商品页上一个能回答尺寸、面料、洗护方式、能不能机洗的形象，比文字客服强。前提是它答得准，答错了比没人答更伤。

第三类是售后和外呼。这一类的性价比最高，因为它不需要"像真人"，它需要的是不烦人、能办事、能转人工。用不着上最新模型，语音助手加一个头像就够了。

成本账怎么算

先泼一盆冷水。Griffin-Lite 目前只对少量受信任的测试者开放，商业平台没接入，时间表和定价都没公布。所以下面这一栏里的数字是推算，不是报价。

一个形象 + 语音 + 生成算力，夜里六小时，跟一个夜班主播的时薪比。按国内二线城市夜班主播的行情，一个月成本在一万上下波动。如果这个价位能包住六小时直播的算力，账就划得来。包不住就再等等，这条曲线下得很快。

另一个隐藏成本是返工。数字人讲错一句尺码建议，回来的是退换货。这笔钱要算进 ROI。

别只盯着"像不像人"

这条新闻传播得广，很大程度上是因为那个 48%。但从生意角度看，这个数字不是最关键的。

真正决定转化的是三件事，它答得对不对、它能不能顺着客人往下聊、它会不会在关键信息上说错。 像不像人排在第四位。

一个坑值得提前知道。越是"像真人"的形象，越容易让客人产生信任，一旦答错或者承诺错误政策，客人的失望程度比对着一个明显的机器人要高得多。信任建立得快，塌得也快。

所以推荐的做法是反过来。先用普通语音助手把知识库跑顺，答对率稳住了，再考虑上更拟人的形象。顺序反着来，你会在高信任的场景里暴露一个低准确度的系统。

还有一点。真人主播的价值不只是回答问题，是那种"我穿给你看"的即时判断和临场反应。模型目前在这块还差很远，别急着把这一层也替换掉。

三条红线，别踩

必须告知对方这是 AI。 欧盟人工智能法案已经要求与人类直接交互的 AI 明确披露身份，国内这几年关于 AI 生成内容的标识要求也在收紧。Tavus 自己把 Griffin-Lite 压着不放大范围开放，理由恰恰是它太像真人。厂商怕的事，你别抢着干。

别用真人的脸和声音做人设。 除非你手里有书面授权，而且范围写清楚。这条在直播带货里出过不少纠纷。

别替它承担不该它说的话。 医疗效果、投资收益、绝对化的功效宣称，交给自动化形象去讲，风险等级比你自己讲要高。

现在就能做的准备

现在平台没开放，正好是练内功的窗口。

先把话术库整理出来。把过去半年客服聊天记录里最高频的两百个问题捞出来，写标准答案，标清楚哪些涉及退换货政策、哪些涉及参数、哪些必须转人工。这个库以后换哪家模型都能用。

再把真人和机器的分工画出来。哪些话只能真人讲，哪些句自动化能兜，写下来贴在工位上。

最后挑一档流量最低的时段做试点，只跑一个月，看三个数：平均停留时长、加购率、退换货里因为"跟主播说的不一样"的比例。 第三个数比前两个重要。