🎭 AI 视频

48% 这个数字是怎么来的

实验设计很直接：54 个人通过独立研究平台被招募，告诉他们「待会儿要和一个参与者聊一分钟，聊聊今年期待什么」，但实际上对面是 AI 实时生成的脸、声音和回应。通话结束后才问：你觉得对方是真人吗？26 人说「是」，占 48%，平均确信度 79%。作为对照，Tavus 上一代系统（Phoenix-4.5 + Sparrow-2 + Raven-1 三级联）在同样流程下，41 个人里只骗过 1 个——2.4%。从 2.4% 到 48%，发生在一代模型之内。
技术上的差别在于架构：老方案是「语音转文字 → 语言模型想 → 合成声音和脸」的流水线，每一环都加延迟；Griffin 是全双工视频到视频，感知、决策、说话和画面生成同时跑，720p 视频按 320 毫秒一块生成，音频到画面的延迟约 0.43 秒，语音克隆只需要约 10 秒参考音频。

这条研究有三个洞，必须连着读

第一，样本太小：54 人、只有 1 分钟。按 95% 置信区间算，真实比例大概在 35% 到 61% 之间。而且视频通话里最容易露馅的往往是长时间才暴露的细节——重复动作、反应时间过于规律、背景光影的漂移，一分钟够骗过初见，不够验证长期交互。
第二，没有真人对照组。研究没有设置「和真人通话」的盲测组，所以我们只知道 48% 把它认成了真人，却不知道同一批人会把多少真人认成 AI。少了这个分母，「48%」就不能当作「通过率」来解读。
第三，是自己做的研究，由 Tavus 自行开展和撰写，不是外部机构的双盲测试。另外英伟达 VideoFDB 的生成赛道上，参赛的 AI 系统只有三个，对手还是级联式架构，领先幅度要放在这个背景下看。

真正该担心的不是「图灵测试过了」，是电话那头

把技术参数放一边，这件事的现实形态是诈骗。反诈领域有个已知规律：骗局多靠短时通话，而且对象不会刻意去找 AI 的破绽——这恰好就是这次实验的条件。也就是说，实验里最宽松的那几处设计，在真实骗局里反而变成了有利条件。
行业已经在反应：World 推出了 World ID for Zoom，用「虹膜设备图像 + 手机自拍 + 实时视频帧」三方比对，给通过的人打上「已验证真人」标记；World ID for Agents 则用零知识证明，让真的人把「我是人」这件事授权给智能体去使用；目前已有近 1800 万人在 160 个国家完成过验证。背景数据也不轻松：2024 年机器人已经占到网络流量的 51%，德勤预计生成式 AI 会把美国的欺诈损失在 2027 年前推到最高 400 亿美元。Tavus 自己也说，在处理完安全问题之前不会全面开放，目前只给少量受信任的测试者用。