Видеомодель Griffin впервые в истории прошла тест Тьюринга при видеообщении

Искусственный интеллект впервые пройти видеотест Тьюринга удалось компании Tavus благодаря модели Griffin. Система не только анализирует лицо и слова собеседника, но и генерирует видеоответ с такой естественностью, что почти половина людей (48 из 100 участников при экстраполяции) спутали её с реальным человеком после минутного диалога.

Главное отличие Griffin от предшественников — это полная интеграция всех компонентов видеодиалога в одну нейросетевую модель. Вместо того чтобы работать поочередно (распознавание речи → обработка текста → синтез голоса → видеоответ), все процессы происходят параллельно. Система в буквальном смысле слышит и видит одновременно, как человек.

Благодаря такому подходу Griffin реагирует с минимальной задержкой — всего 0,43 секунды между моментом, когда человек заканчивает фразу, и ответом модели. Видеопоток выводится в качестве 720p мелкими блоками по 320 миллисекунд, что обеспечивает плавность движений. Система постоянно переанализирует ситуацию несколько раз в секунду, позволяя естественно реагировать на происходящее: кивнуть, вставить реплику или замолчать при перебивании.

Адаптация голоса требует минимальных затрат данных — достаточно записи примерно в 10 секунд, чтобы модель смогла клонировать и воспроизводить индивидуальный голос.

Прогресс по сравнению с предыдущими попытками стремительный. Когда Tavus тестировала более ранние видеомодели, их приняли за людей меньше 3% участников. Теперь этот показатель подскочил до 48%. Независимая проверка от NVIDIA VideoFDB, включившая 15 различных видеосистем ИИ, подтвердила лидерство Griffin в категориях восприятия и генерации видеоконтента.

При этом компания сохраняет осторожность на этапе развёртывания. Облегчённая версия Griffin-Lite пока доступна только проверенному кругу тестировщиков. Такой подход отражает понимание разработчиками потенциальных рисков, связанных с распространением настолько убедительного видеоподделывателя.

Источник: 4pda