Парень крутит кубик Рубика, а девушка на экране подсказывает, какую грань повернуть. Он останавливается подумать. Она не лезет с репликой. Ждёт. Потом продолжает объяснение. Выглядит как обычный видеозвонок. Только девушки нет. Её лицо, голос, паузы и кивки создаёт AI-модель Griffin от американской Tavus.

Внутренний тест Tavus дал неприятно впечатляющую цифру: 26 из 54 участников после минутного разговора решили, что общались с живым человеком. Это 48%. У предыдущей связки Tavus было 1 мнение из 41, или 2,4%. Рост примерно в двадцать раз. Но называть это полноценным пройденным тестом Тьюринга я бы не спешил. Ниже объясню почему.

Видео: geekpark.net · русские субтитры — перевод SAMI

Griffin учится вести разговор

Tavus называет Griffin первой моделью класса Human Interaction Model, или HIM. По задумке это цифровой ведущий, который реагирует на происходящее в разговоре, а не читает заранее подготовленный текст. Модель одновременно получает видео и звук от собеседника. Смотрит на лицо, жесты, предметы в кадре. Слушает интонацию. Отслеживает, закончили вы фразу или просто остановились подумать.

Кадр видеодиалога: женщина показывает большой палец, а собеседник виден в отдельном окне; снизу отображается английская реплика.Источник: geekpark.net

В демонстрации с кубиком Рубика участник сам выполняет действия, а Griffin следит за процессом. В другой сцене инженер паяет плату. Аватар помнит, на каком шаге находится задача, и подаёт следующую подсказку в нужный момент. Есть и более бытовые проверки: • Griffin играет в «Саймон говорит» и реагирует только на правильную команду; • может перебить собеседника и не потерять нить разговора; • останавливается, когда её перебили; • подключается к разговору, когда в кадре появляется новый человек; • реагирует на шутки, комплименты и неожиданные повороты.

В одном из роликов виртуальная Vanessa говорит, что «покраснела», когда её хвалят. Она шутит про подержанную одежду CEO Tavus Hassaan Raza и обещает дышать спокойнее, чтобы не перегружать CPU его ноутбука. Это рекламная демонстрация, поэтому относиться к ней нужно спокойно. Но тестовые ролики с обычными участниками показывают важную вещь: Griffin старается встроить ответ в ритм разговора.

Hassaan Raza, CEO Tavus: «Граница между разговором с машиной и разговором с человеком становится очень-очень тонкой».

Как работает Griffin: full-duplex вместо цепочки моделей

Большинство разговорных аватаров устроены как эстафета. Сначала распознавание речи переводит звук в текст. Затем языковая модель готовит ответ. Потом синтезатор озвучивает его. В конце отдельная система двигает лицо. Каждый этап добавляет задержку. И каждый что-то теряет. В текст не попадает выражение лица, жест или предмет в руке. А система часто ждёт, пока человек окончательно замолчал. Отсюда знакомый эффект: вы закончили говорить, аватар завис на секунду, потом начал отвечать.

Кадр видеодиалога: двое собеседников смотрят на женщину в окне видеосвязи, что соответствует живому взаимодействию Griffin.Источник: geekpark.net

Griffin построена иначе. Tavus описывает её как full-duplex video-to-video модель. Full-duplex — это когда система может одновременно слушать и говорить. Не как рация: сначала вы, потом она. Скорее как нормальный разговор, где люди кивают, поддакивают и иногда перебивают друг друга.

Модель каждые доли секунды заново оценивает состояние разговора. На выходе появляется не только текст будущей реплики, но и сигналы для голоса, эмоции, позы, мимики и жестов. По данным Tavus, видеогенератор выдаёт 720p с задержкой около 0,43 секунды от входящего аудиосигнала до соответствующей реакции изображения. Видео собирается блоками по 320 миллисекунд. Это задержка именно видеогенерации, а не обещание, что весь разговор всегда будет отвечать за 430 миллисекунд.

Для голоса Tavus использует собственный аудиокодек Tavec. Компания заявляет, что голос можно клонировать примерно по десятисекундной записи. Но эти цифры пока нужно воспринимать как данные разработчика, а не как независимый стандарт качества.

Самая интересная часть — отказ от жёсткого 3D-шаблона лица. Более ранние системы Tavus опирались на заранее заданные параметры. Griffin, по описанию компании, генерирует весь кадр целиком: лицо, руки, фон, тени, движение стула. Поэтому она умеет синхронно открывать рот, поворачиваться, смотреть на вошедшего человека, менять выражение лица и показывать жест.

Что показал тест Griffin — и где заканчивается громкий заголовок

Tavus называет результат 48% первым прохождением видео-теста Тьюринга. Но методика здесь важнее заголовка. Участникам сказали, что они будут разговаривать с другим человеком. Только в конце их спросили, возникало ли ощущение, что собеседник может быть AI. Методика отличается от классического теста: участник заранее не знает о возможной машине и не пытается специально её распознать.

Кадр видеодиалога с собеседницей Vanessa и ответной репликой «You're making me blush», как у живого аватара Griffin.Источник: geekpark.net

Выборка тоже небольшая — 54 человека. Разговор длился одну минуту, тема была лёгкой: чего участники ждут от текущего года. Это не проверка сложного интервью, длинной консультации или спора с уточняющими вопросами. Показательно и другое: больше половины всё-таки распознали AI. А те, кто начал подозревать неладное, часто замечали это в первые 20 секунд. Griffin хорошо проходит короткий разговор без подготовки. С настороженным собеседником всё сложнее.

Есть независимый ориентир. В бенчмарке NVIDIA VideoFDB Griffin-Lite получила 3,83 балла за генерацию при человеческом ориентире 3,92. В треке восприятия модель набрала 3,73 и заняла первое место среди участников. В материалах Tavus также указано, что она опередила связку Gemini 2.5 и Anam. Это уже не внутренний пользовательский тест, но цифры всё равно не означают, что Griffin стала человеком. Она приблизилась к людям в отдельных сценариях оценки.

Главная перемена не в том, что лицо стало реалистичнее. Важно, что аватар начинает понимать, когда говорить, когда молчать и на что именно реагировать.

Почему Griffin важна для креаторов

Рынок цифровых людей долго сравнивали по лицу и липсинку. HeyGen и Synthesia сделали предрендеренный ролик: вы пишете сценарий, сервис озвучивает его аватаром. Для рекламы, обучения и презентаций такая схема всё ещё удобна. Но в живом эфире красивое лицо быстро перестаёт спасать. Зритель замечает задержку, неуместную улыбку и ответы строго после полной паузы. Griffin меняет метрику: теперь важнее понять, улавливает ли аватар ситуацию.

Временная схема сравнивает пошаговый и полнодуплексный диалог Griffin с паузами, сигналами и началом ответа до окончания реплики.Источник: geekpark.net

Для креатора это открывает несколько направлений: • интерактивный ведущий стрима, который видит вопросы и реагирует без заранее записанных реплик; • виртуальный консультант на выставке или в шоуруме; • персонаж для тренировки сложных разговоров; • камера-ориентированный саппорт, который видит, что пользователь держит в руках; • цифровой герой для интерактивного сериала или лайв-перформанса.

Но сегодня это скорее инструмент для наблюдения, чем готовая кнопка в продакшне. Griffin-Lite доступна ограниченной группе доверенных тестировщиков как research preview. Публичной цены и открытого API именно для этой модели в доступных материалах нет. На странице Tavus действительно говорится об API-платформе, но это не означает открытый доступ к Griffin.

Обычный продакшн от этого не переворачивается. Для рекламного ролика, клипа или обучающего видео по-прежнему рациональнее заранее собрать сценарий, сгенерировать аватара и нормально смонтировать результат. А вот интерактивные форматы уже стоит проектировать иначе. Не писать весь диалог по секундам, а задавать персонажу роль, границы, визуальные реакции и правила передачи инициативы.

Где это ломается и почему Tavus не открыла Griffin всем

Чем убедительнее аватар, тем опаснее ошибка доверия. Tavus прямо признаёт: свойства, которые делают Griffin хорошим собеседником, могут заставить человека поверить, что перед ним живой человек. Компания разрабатывает функцию активного раскрытия личности AI и говорит о сотрудничестве с организациями по безопасности. Поэтому более мощную версию обещают выпустить после решения вопросов безопасности.

Схема аудиокодека Tavec: звук 48 кГц преобразуется в непрерывные латентные значения для обработки голоса в живом видеодиалоге Griffin.Источник: geekpark.net

Это не абстрактный риск. В начале года северокорейские хакеры использовали deepfake-видео в Zoom-звонках, выдавая себя за знакомых. На фоне таких атак аватар, который умеет ждать, перебивать и реагировать на предметы в кадре, выходит за пределы интерфейса для бизнеса.

Для креаторов вывод практический: если запускаете интерактивного перса, раскрытие AI-статуса должно быть частью сценария, а не мелким текстом где-то внизу страницы. Нужны понятные правила — что модель видит, что запоминает, какие действия может совершать и где разговор передаётся человеку.

Я бы пока проверял Griffin не с попытки срочно заменить ей ведущего, а через три теста: насколько хорошо она держит перебивания, как долго сохраняет визуальную идентичность и замечает ли реальные предметы в кадре. Отдельно стоит сравнить полную задержку разговора с красивой цифрой 0,43 секунды.

Мои тесты AI-видео и цифровых персонажей — в работах

Источники

Griffin: The First Human Interaction Model | Tavus

Tavus says Griffin fooled 48% of testers in one-minute video calls

Tavus Griffin: what it is and who can use it

Tavus Griffin: The 48% That Passed the Video Turing Test

Tavus Griffin (HIM) Case Study: The Video Turing Test Launch

Источникgeekpark.net