米 Tavus が2026年10月1日、顔を合わせた対話に向けたモデル「Griffin」の研究用の試作版を公表した。相手が AI だと知らされていない参加者54人と1分のビデオ通話をした調査では、48%（26人）が相手を本物の人間だと答えたという。同社の前のモデルでは41人中2.4%だった。
- 米 Tavus が2026年10月1日（米国時間）、顔を合わせた対話をその場で理解して生成するモデル「Griffin」の研究用の試作版（Griffin-Lite）を公表した。同社は、音声と映像を入れて音声と映像を出す1つの仕組みで、話しながら聞き、言葉だけでなく表情や間も見るモデルだとしている
- 1分のビデオ通話の調査では、相手が何かを知らされていない参加者54人のうち26人（48%）が、通話の相手は本物の人間だと答えたという。同社の前のモデル（Phoenix-4.5 などを組み合わせた仕組み）では、参加者41人中2.4%だったとしている。同社は、映像の対話で人と区別できなくなった最初のモデルだと認識しているとしている
- 調査のやり方も書かれている。参加者は独立の研究プラットフォームで募集し、「別の参加者と1分のビデオ通話をして、今年楽しみにしていることを話してもらう」と伝えた。通話のあとで相手の答えを書き出させ、自然さや信頼できるかを採点させ、最後に初めて「相手が人間ではないかもしれないと頭に浮かんだか」を尋ね、全員に相手が AI だったと伝えたという
- NVIDIA が独立に採点する全二重の音声映像の対話のベンチマーク VideoFDB では、生成の部門で3.83（人の基準値は3.92）、知覚の部門で3.73（人の基準値は4.20）で、公開されている比較対象の中で両部門とも最高だったとしている。映像の生成だけを比べた試験では、音声が届いてから画面に反映されるまでの平均が H100 で0.43秒、次に速い方法の半分だとしている
- 安全については、人を AI でないと信じ込ませられる性質を持つことを認め、公開のためには追加の調整と安全の手順が必要だとしている。AI だと分かるようにする仕組みを開発中で、安全に取り組む組織とも進めているという。今は顧客向けには提供せず、選んだ試験者だけに研究用の試作版として渡していて、安全の課題に対応できたあとに公開したいとしている。料金についての記述は無い
調査の結果の内訳では、人間だと答えた人の確信度は平均79%、AI だと答えた人は平均81%。半数以上は通話中にその可能性が頭に浮かばなかったと答え、そのほとんどが相手を人間だと答えた。疑った人は最初の20秒のうちに疑う傾向があったとしている。
7段階の評価では、自然さ5.4、信頼できるか5.6、また話したいか5.8で、AI だと答えた人の間でも、また話したいかは5.4だったという。会話そのものは、相手が本当に聞いてくれていると感じたかが5.5、自然に流れたかが4.9で、5項目の中では最も低かった。
仕組みは2つの部分から成るとしている。入ってくる音声と映像を途切れずに見て、いつどう応じるかを1秒より短い間隔で決める対話のモデルと、その指示を音声と映像に変える生成の部分。
話している最中も聞き続けるため、割り込んだり割り込まれたり、うなずいて相づちを打ったりできるという。映像は1枚の参照画像から毎フレームを生成し、椅子の動き・影・背景まで含めてその場で作るとしている。
確かめた一次資料
この記事は、上の一次資料の原文を読んで書いています。数字は原文のとおりで、計算した値はそう書いています。