Tavus发布全新视频交互模型，图灵测试结果大幅提升
美国旧金山AI视频企业Tavus在官网公布消息，推出新一代模型Griffin-Lite。研究团队安排54名受试者参与一分钟实时视频通话实验，测试结束后，共有26人无法分辨对话对象，误把AI当成真人，占比达到48%。
作为参照，该公司上一代系统在完全相同的测试流程下，仅2.4%的受试者会产生类似误判。Tavus表示，Griffin-Lite是首个完成实时视频场景下视频图灵测试的对话模型，并将其归类为人类交互模型。和传统语音助手最大的不同在于，它支持双方同时发言的全双工交互，能够像真人聊天一样适时附和，甚至主动打断对话。
视频图灵测试标准更严苛，综合考核多维度表现
视频图灵测试，是专门针对实时视频通话场景设计的评估方式。受试者在实验前不会获知对方身份，依靠自然对话过程，自主判断交流对象属于人类还是人工智能。
如果短时间内有足够比例的受试者将AI误认为真人，就视作模型通过这项测试。相比传统纯文本图灵测试，视频版本的考核门槛更高，除对话内容之外，表情神态、说话语气、反应快慢等非语言信息，都会影响受试者的判断。
独立基准测试验证性能，多项指标处于领先水平
除内部实验数据之外，该模型的表现还在英伟达VideoFDB独立基准中得到验证。这套基准专门用来评估全双工视频对话能力，从生成与感知两条独立维度打分。
测试结果显示，Griffin-Lite在两个评分维度上，都超过同期参与对比的其他公开模型。它的生成得分已经十分接近真人参考标准，唯一明显短板是响应速度依旧慢于人类。在画面质量、口型匹配以及延迟等细分项目对比中，这款模型同样具备明显优势。
端到端全新架构，实现音视频实时生成
能够实现高度拟真的实时视频对话，根源在于技术路线的调整。Griffin-Lite采用端到端架构，将感知、决策与生成模块整合在一起。
一套连续对话引擎持续接收对方的音视频信号，以不足一秒的间隔做出判断，决定接下来是开口发言、附和对方、插话或者保持安静。同时确定对话内容、语气，还有人物表情、手势与肢体姿态。配套的生成引擎随即输出语音和全身影像，仅依靠一张参考照片，就可以渲染动态画面。画面里的背景、阴影，甚至椅子位置都能够同步变化，长时间对话过程中图像也不容易出现失真问题。
暂不对外大规模开放，合规问题成为主要考量
现阶段Griffin-Lite仅向少数经过筛选的可信测试用户开放，还没有接入商业平台。Tavus解释暂缓大范围上线的原因，模型拟真程度过高，很容易让用户在不知情的情况下，误以为对话对象是真实人类。
欧盟《人工智能法案》已经明确要求，凡是直接和人类交互的AI系统，必须主动告知用户自身AI身份。目前企业正在紧急开发强制身份提示功能，同时和AI安全机构开展合作。完整版Griffin需要等相关合规事项全部解决之后才会推出，官方暂未披露上线时间与定价方案。
高拟真AI视频交互，机遇与风险并存
这一次模型性能突破，代表实时数字人交互技术向前迈进一大步。全双工对话能力，让数字人不再局限于单向播报或者一问一答的简单交互，更贴近真实人际沟通。
但高度拟真的视频AI，也带来新的风险。一旦缺少清晰的身份标识，普通用户很难分辨对面的影像是否由AI生成，存在被误导的潜在隐患。这也是相关监管法规要求AI主动披露身份的核心原因。技术持续迭代的同时，身份识别、安全管控等配套机制，也需要同步跟上。
（素材来自：Tavus 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。