26 із 54 людей прийняли ШІ за людину під час відеодзвінка. Що показав Griffin

Познайомтеся з Ванессою — і придивіться, як вона слухає

Офіційний ролик Tavus знайомить із Ванессою — цифровою персонажкою, через яку компанія представляє Griffin. Почніть з оригіналу нижче. Під час першого перегляду я б поставив просте запитання: чи пов’язана увага персонажки з тим, хто говорить? Під час другого — стежив би за паузами й одночасними репліками, а не лише за рухом губ.

Піднята брова чи ледь помітна усмішка працюють, коли з’являються з конкретної причини. Надто рання реакція може здаватися завченою; запізніла — відстороненою. Такі деталі варто розглядати, не перетворюючи відібраний проморолик на твердження про будь-яку розмову із системою.

Джерела: Tavus / YouTube [3] · Tavus / Business Wire [2]

Що саме перевіряло дослідження з 54 учасниками

За методологією Tavus, учасникам повідомили, що вони матимуть хвилинну розмову з іншим учасником про те, чого очікують цього року. Запитання про те, чи міг співрозмовник бути ШІ, поставили наприкінці опитування. Потім людям пояснили, з ким вони спілкувалися. Двадцять шість вважали співрозмовника людиною; 28 — ні.

Умови мають значення. Людина, яка очікує зустріти іншого учасника, перебуває в іншій ситуації, ніж та, що цілеспрямовано шукає ознаки машини. Коротка дружня бесіда також залишає менше можливостей перевірити суперечності, ніж довга складна розмова. Результат описує цих людей за цих умов. Він не дає універсальної частоти розпізнавання ШІ у відеодзвінках.

Tavus називає це проходженням відеотесту Тьюринга. Я б залишав таке формулювання твердженням компанії. Інформативніший заголовок — сама кількість учасників: вона дає змогу обговорювати процедуру, а не сприймати рекламне визначення як остаточний науковий висновок. Результат достатньо вражає й із відкрито зазначеними межами.

Джерела: Tavus Research [1]

Три приклади, які варто відкрити після проморолика

Три кліпи на дослідницькій сторінці Tavus роблять анонс конкретнішим. Наведені взаємодії описує сама компанія в підписах; незалежних тестів цих прикладів ми не проводили.

Ці ситуації висувають до персонажа різні вимоги. «Саймон каже» пов’язує видимий рух із правилом. Кубик потребує уваги до предмета поза власним обличчям персонажа. У розмові про добру новину момент реакції стає частиною відповіді. Саме це цікаво перевірити в кліпах: чи пов’язана поведінка зі зміною ситуації? Відібрані приклади Tavus не показують частоту успіху або кількість спроб до вдалого результату.

Джерела: Tavus Research [1]

• «Саймон каже». Марс дає вказівки. За описом Tavus, Griffin виконує жест, коли дотримано умови гри, і відмовляється, коли її пропущено.
• Підказки для кубика. Арі повертає кубик Рубіка перед камерою. Tavus повідомляє, що Griffin стежить за змінами, дає підказки й чекає, коли Арі робить паузу.
• Добра новина. Руді розповідає Ванессі про підвищення. За описом Tavus, вона реагує до завершення його репліки, і на мить вони говорять одночасно.

Що корисного стоїть за терміном full-duplex

Tavus описує Griffin як full-duplex video-to-video модель: вона обробляє звук і зображення та водночас вирішує, як говорити, рухатися або чекати. За офіційним анонсом, ці процеси тривають і тоді, коли персонажка говорить, і тоді, коли слухає. Задум — розмова, яка може змінювати напрямок ще до завершення чергової репліки.

Для мене найцікавіше — що робить слухач під час чужої репліки. На крупному плані очікування вже є частиною акторської гри. Ледь помітна зміна погляду може дати відчуття, що думку почуто. Якщо інтерактивний персонаж зможе стабільно реагувати на такі моменти, виникне інша режисерська задача: вибудувати правдоподібну поведінку в розмові, наступна репліка якої ще не написана.

Джерела: Tavus / Business Wire [2] · Amrita Mazumdar et al. / arXiv [5]

Таблиця NVIDIA показує складнішу картину

VideoFDB розділяє сприйняття та генерацію й використовує мовну модель для оцінювання. Його бали стосуються поведінки в розмові; це інший вимір, ніж дослідження Tavus за участі людей. В опублікованій таблиці, перевіреній 5 жовтня, наведено такі значення.

Загальний бал генерації близький до людського еталона, але показники часу та невербальних реакцій усе ще мають розрив. Середнє значення може приховати цю різницю. Я б оцінював перебивання саме в момент, коли воно відбувається: переконлива, але запізніла реакція змінює ритм усієї розмови. Бал бенчмарку також не доводить достовірності відповідей, розумових здібностей у будь-якій задачі чи здатності переконати кожного глядача.

Джерела: NVIDIA / David AI [4] · Amrita Mazumdar et al. / arXiv [5]

Чому цей анонс так легко поширюється

У знімку даних Doomers за 5 жовтня анонс має приблизно 20,7 млн накопичених переглядів у X і 28 тисяч додавань до закладок. Це округлені показники трекера, а не перегляди за останні 24 години й не кількість унікальних людей. Незалежно перевірити поточний лічильник X не вдалося.

На мій погляд, хук працює дуже просто. Глядач отримує запитання, на яке може відповісти особисто: чи розпізнав би це я? Поруч — цифра, яку можна перевіряти й обговорювати. Демонстрація спонукає передивитися ролик, бо відповідь залежить від дрібних деталей поведінки. Це сильне запрошення придивитися. Для нього не потрібно стверджувати, що тепер будь-яку людину неможливо відрізнити від ШІ.

Джерела: Doomers [6] · Tavus / X [7]

Хто може спробувати Griffin — і що варто перевірити далі

Griffin-Lite — дослідницька версія для окремих довірених тестувальників. Tavus повідомляє, що працює над позначенням ШІ та заходами безпеки перед ширшим доступом. В анонсі немає дати загальнодоступного релізу чи ціни Griffin. Наявні продукти й тарифи Tavus не означають публічного доступу до цієї версії.

Наступним я б перевірив довшу розмову з несподіваною зміною теми, помилковим припущенням, яке треба виправити, і періодом мовчання. А ще повторив би ситуацію, щоб порівняти реакції персонажки. Це запропоновані тести, а не вже отримані мною результати. Для інтерактивної акторської подачі важливе відновлення після помилки: те, що відбувається після непорозуміння, може сказати більше, ніж відполірована перша відповідь.

Джерела: Tavus / Business Wire [2] · Tavus Research [1]

Режисерське питання — увага

Мене в Griffin найбільше цікавить перспектива режисувати увагу персонажа. Правдоподібне обличчя дає точку, на яку ми дивимося. Поведінка дає причину дивитися далі. Для інтерактивного персонажа вчасне підтвердження, витримана пауза й переконлива реакція на виправлення — виразні рішення. Мені цікаво, наскільки надійно автор зможе керувати ними протягом цілої розмови. Анонс Griffin дає конкретний матеріал для цього обговорення; наступні корисні докази з’являться в довших, повторюваних взаємодіях.