我先联网核实 Bland 与 Tofu-1 的发布信息。
已找到一手报道,我继续核实具体参数、开放方式与评测细节。
我再补充多一个信源的细节。
已核实:Bland 于 2026 年 11 月中旬发布 Tofu-1,企业研究预览已开放申请。以下按固定格式输出。
核心结论先摆出来:Tofu-1 的真正价值在于把语音 Agent 的 “三段式流水线” 压成 “一段式直通”—— 它让语音模型第一次可以在同一时间里既听又说,而非又做一个更会说话的语音机器人。这是旧金山语音 AI 公司 Bland 发布的全双工(full-duplex)语音到语音(speech-to-speech)模型,目前以企业研究预览形式限量开放,目标行业点名银行、医疗、保险、政府四类。它和现在绝大多数语音客服的根本区别在中间那层文字:传统方案是 “语音转文字 → 大模型处理 → 文字转语音”,Tofu-1 直接把通话音频喂进模型、直接吐出音频,中间不落地成文本。Bland 的说法是,这样 “语气、犹豫、背景声都还留在模型手里”。它宣称具备三项听觉能力(说话人跟踪、噪声分离、副语言识别),支持来电者中途打断和实时纠正,还支持 “边干活边说话”—— 后台任务没跑完就不谎报完成。最能说明它野心的一点是:它不只生成坐席的声音,还能在一次推理里把 “第二个人、房间声学、线路噪声” 一起生成出来。不过要泼一盆冷水:除了 “闭门盲测中超过 92% 的听者分不出是真人还是模型” 这一个自报数字,参数规模、时延、价格、基准分数全部未公开,也没有任何第三方测试。
一、它改的是架构,不是音色
先看清 “级联” 和 “全双工” 差在哪。这不是升级,是换了条路走。
| 维度 | 传统级联方案 | Tofu-1(全双工直通) |
|---|---|---|
| 处理链路 | ASR 转文字 → LLM 处理 → TTS 合成 | 音频进 → 音频出,无文本中转 |
| 信息损失 | 语气、迟疑、叹息、背景声在转写时被抹平 | 这些信号原样留在模型输入里 |
| 交互节奏 | 严格轮次:你讲完我才讲 | 边听边说,可被打断、可插话 |
| 延迟来源 | 三段串行,误差逐级累积 | 一段推理,理论上少两次转手 |
| 错误传播 | ASR 错一个字,后面全错 | 无转写环节,也就不存在转写错误 |
这张表里最该被注意的是最后一行。客服场景里很多 “AI 答错”,根子不在大模型笨,而在 ASR 把关键数字、姓名、地址听错了,后面全是链式错误。去掉转写这一环,等于把最脆弱的一环拆掉了。
二、三项听觉能力,逐条看含金量
Bland 在产品页列了三项音频理解能力,这是它宣称能应对 “烂通话” 的底子。
| 能力 | 官方描述 | 实际解决的问题 | 工程难度 |
|---|---|---|---|
| 说话人跟踪(Speaker tracking) | 区分不同说话人,并判断每句话是说给谁的 | 车里同乘者在聊别的、病房里家属在插话,模型不该回应错人 | 高,需要说话人日志+意图归属 |
| 噪声分离(Noise separation) | 把话声从婴儿哭声、电视、路噪、院内广播、按键音中剥出来 | 电话线路本身窄带,噪声一叠加就糊 | 高,且要区分 “噪声” 与 “有效旁白” |
| 副语言识别(Paralinguistics) | 听出犹豫、烦躁、急迫 | 决定该提速、该安抚,还是该转人工 | 中高,标注成本极高 |
第三项最容易被低估。人类坐席判断 “这人在生气”,靠的不是他说了什么,而是怎么说。副语言能力是 “共情” 能不能落地的分水岭—— 没有它,AI 的安抚话术永远是背稿。
三、“边想边说”:解决的是谎报完成
这是 Tofu-1 里我认为最有商业价值的一条设计。
传统语音 Agent 遇到 “帮我查一下这笔订单到哪了” 这种要调接口的请求,常见做法是先说 “稍等,我帮您查”,然后卡住,或者更糟 —— 任务还没回来就先说 “已经为您处理好了”。Tofu-1 的处理逻辑是:一边继续对话,一边在后台跑任务;任务真正完成才报结果,绝不提前宣称完成。
| 场景 | 传统 Agent 常见表现 | Tofu-1 宣称的行为 |
|---|---|---|
| 查订单物流 | 沉默等待,或 “稍等我查一下” 后长时间静默 | 用填充语维持对话,同时后台查询 |
| 改预约时间 | 接口失败仍回 “已为您改好” | 未完成不确认,完成后才复述结果 |
| 多步流程 | 中途断线,用户不知道进行到哪 | 全程保持话轮,进度可感知 |
一个语音 Agent 的可信度,往往不是被 “答错” 毁掉的,而是被 “假装做完了” 毁掉的。这条设计约束,比多 5 个点的识别准确率更能救一个客服项目。
四、它还能 “造” 一个通话现场
这是 Tofu-1 最不寻常、也最需要警惕的一段。
按照 Bland 的说法,Tofu-1 因为建模了 “通话的声音”,所以也能生成 “通话的声音”:包括第二个说话人、对方所处的房间、以及线路噪声。官方随发布放出的演示视频里,Bland 称所有声音都由 Tofu-1 生成。如果这一点成立,它就和传统语音合成走了两条路 —— 过去坐席人声、背景音、环境声是分别合成再叠加,现在是一次推理里统一生成。
配套的验证方法是它自己设计的 “TV Test”(电视测试),只问一个问题:当电视里的声音比来电者更响时,模型能不能继续跟着来电者,而把另一个场景的话音当噪声屏蔽掉?
这里有两点必须标出来:
- Bland 明确把 TV Test 的演示标注为“示意性演示(illustrative),并非录制的模型输出”;
- 也就是说,这项测试目前是设计意图的表达,不是性能证据。
五、哪些数字能用,哪些先别信
这一节是全篇最该认真读的地方。发布会声量很大,但可核验的信息很少。
| 项目 | 状态 | 说明 |
|---|---|---|
| 闭门盲测 “超 92% 听者分不出” | 已披露(自报) | 方法论未公开,样本量、听者构成、测试语料均未知 |
| 训练数据 | 已披露(定性) | “数百万小时真实对话” |
| 参数规模 | 未披露 | 无法估算显存与部署成本 |
| 轮次切换时延 | 未披露 | 全双工最关键的指标,恰好没给 |
| 工具调用成功率 | 未披露 | 只说 “边干活边说话” |
| 价格 / 授权 | 未披露 | 企业预览阶段未公布 |
| 支持语种 | 未披露 | 未列语言清单 |
| 第三方独立评测 | 无 | 目前全部为企业自述 |
特别提醒一个常见误读:“听不出是真人还是 AI” ≠ “能把事办对”。 前者是自然度指标,后者是任务成功率指标,两者可以完全脱钩。一个声音以假乱真但把订单号说错的 Agent,比一个声音机械但信息准确的 Agent 危险得多。而 Tofu-1 目前公布的唯一数字,恰好是前者。
六、横向坐标:全双工已经不是无人区
Bland 自己列了一张对照表,需要注意各家数字来自各自官网、评测集版本不同,不能直接横比。
| 模型 | 类型 | 参数 | 权重 | 轮次时延 | 工具调用 |
|---|---|---|---|---|---|
| Bland Tofu-1 | 全双工语音到语音 | 未披露 | 闭源 | 未披露 | 边说话边干活 |
| OpenAI GPT-Live-1 | 全双工语音模型 | 未披露 | 闭源 | 0.798 s(FDB v1) | 交给后端模型执行 |
| NVIDIA NemotronLabs VoiceChat | 全双工语音到语音 | 11B | 开放(OpenMDW 1.1) | 448 ms(FDB) | 原生工具调用,工具选择 82.5%(FDB v3) |
| Block Dessa | 全双工语音到语音 | 未披露 | 未发布 | 未披露 | 未披露 |
格局很清楚:开源侧已经把 “时延 + 工具调用” 这两个硬指标摊在桌面上(448 ms、82.5%),闭源侧则在比谁的体验更接近真人。 Tofu-1 站在后者这一边,但它连一个时延数字都没给,这就让它暂时无法进入工程选型的比较序列。
顺带说一句国内参照:全双工语音在中文场景已经跑过规模化验证,字节的 Seeduplex 于 2026 年 4 月在豆包 App 全量上线,公开的关键指标是误回复率与误打断率较半双工减半、过早响应率下降 40%。这说明全双工的技术门槛正在被快速拉平,接下来拼的是场景纵深,不是概念新鲜度。
七、Bland 是谁,为什么它敢做这件事
不是一家突然冒出来的公司,它的底子恰好压在 “最难自动化的那类电话” 上。
| 维度 | 情况 |
|---|---|
| 公司 | Bland,总部旧金山,语音 AI |
| 业务量 | 每周处理约 350 万通电话 |
| 通话特征 | 典型通话时长 30—45 分钟,远长于常见脚本化交互 |
| 主要领域 | 医疗、金融服务及其他强监管行业 |
| 融资 | 2026 年 6 月完成 5000 万美元 C 轮,Dell Technologies Capital 领投,累计融资超 1 亿美元 |
| 技术栈 | 自研 ASR、语言模型、TTS 全栈,客户不能替换为外部模型 |
| CEO 表态 | Isaiah Granet:多数语音 AI 是为简单交互设计的,我们聚焦最难自动化的电话 |
两个细节值得注意。一是通话时长 30—45 分钟—— 这不是查快递那类 90 秒任务,而是保险理赔、术前问诊、政务咨询这类多轮、跨系统、情绪起伏大的长对话。全双工在这种场景里的收益远大于短任务。二是自研全栈且不允许换模型,好处是端到端可调、脏活能自己啃,代价是客户被绑定,且没有 “换一个更强模型试试” 的退路。
八、谁能用,怎么申请
| 项目 | 内容 |
|---|---|
| 开放形式 | 企业研究预览(research preview),限量 |
| 目标行业 | 银行、医疗、保险、政府 |
| 申请信息 | 需填写月通话量,区间从 1,000 通以下到 50,000 通以上 |
| 公开发售 | 尚未宣布;Bland 提到 1 月可用(January availability) |
| 独立开发者 | 暂不可直接获取 |
| 定位 | 该系列语音到语音模型的第一个 |
这套筛选逻辑很聪明:用 “月通话量” 当筛子,直接筛出有能力做真实压测的客户。 对 Bland 来说,这是拿别人的生产流量换自己的评测数据。
九、三个判断
- 判断一:Tofu-1 的技术方向是确定的 —— 语音 Agent 一定会从 “转写中转” 走向 “音频直通”。转写这一层在长对话、强噪声、多说话人场景里的信息损耗,靠堆模型是补不回来的。
- 判断二:它的商业可信度目前排在 “演示” 一档,不在 “可采购” 一档。缺时延、缺工具成功率、缺价格、缺第三方评测,这四项补齐之前,任何 “替代现有语音客服” 的说法都太早。
- 判断三:最该被行业提前讨论的不是它能多像人,而是它能一次生成整个声场。当模型可以合成第二说话人、房间混响和线路噪声时,来电者身份核验的假设基础就被动摇了 —— 现有的 “听声音辨真人” 防线,在这类模型面前基本失效。
【常见问题】
问题 1:Bland 的 Tofu-1 是什么?和普通语音客服有什么区别?
回答 1:Tofu-1 是 Bland 发布的全双工语音到语音模型,能同时听和说,中间不经过文字转写。普通语音客服是级联结构:先把语音转成文字,交给大模型处理,再把文字合成语音,三段串行、误差逐级累积,且必须严格轮流发言。Tofu-1 直接对通话音频做理解和生成,语气、迟疑、背景噪声都留在模型输入里,支持来电者中途打断和实时纠正。目前 Tofu-1 以企业研究预览形式限量开放,是该系列语音到语音模型的第一个。
问题 2:Tofu-1 宣称的 “全双工” 具体能带来什么体验变化?
回答 2:全双工带来的核心变化是对话节奏。传统半双工语音 Agent 必须等用户说完才开口,遇到用户犹豫、改口、插话就容易卡住或误触发。Tofu-1 宣称边听边说、边想边说:用户可以在它说到一半时打断并纠正,它在后台跑任务时仍能维持对话,且只有任务真正完成才回报结果,不会提前宣称完成。此外 Tofu-1 具备说话人跟踪、噪声分离和副语言识别三项能力,能在车里、病房等嘈杂环境判断该回应谁、该忽略什么。
问题 3:Tofu-1 公布了哪些可核验的数据?
回答 3:目前 Tofu-1 只公布了一个量化声明:闭门盲测中超过 92% 的听者无法分辨其输出与真实录音,但该测试的方法论未公开。训练数据仅定性披露为 “数百万小时真实对话”。参数规模、轮次切换时延、工具调用成功率、价格与授权、支持语种均未披露,也没有任何第三方独立评测。因此 Tofu-1 现阶段只能作为技术路线信号看待,不能进入采购比选。
问题 4:Tofu-1 和 OpenAI、NVIDIA 的全双工模型比,处在什么位置?
回答 4:三者路线不同。NVIDIA 的 NemotronLabs VoiceChat 是 11B 开放权重模型,公布 448 毫秒轮次时延和 82.5% 工具选择成绩,走的是可复现、可自托管的路线。OpenAI 的 GPT-Live-1 是闭源全双工语音模型,公布 0.798 秒时延,工具调用交给后端模型执行。Bland 的 Tofu-1 同为闭源,但上述指标一个都没公布,只在 “生成完整通话声场” 和 “边干活边说话” 这两点上做了差异化。各家数字来自各自官网、评测集版本不同,不能直接横比。
问题 5:企业怎么申请 Tofu-1 的预览,门槛是什么?
回答 5:Tofu-1 目前只以企业研究预览形式开放,需通过 Bland 的申请表单提交,表单会询问月通话量,档位从 1,000 通以下一直到 50,000 通以上。Bland 点名银行、医疗、保险、政府四类目标行业,理由是这些场景通话长、噪声大、合规要求高。独立开发者与个人研究者暂不能直接获取,公开发售时间尚未宣布,Bland 提到 1 月可用。
【参考资料】
- [2026-11-15](Bland Launches Tofu-1, a Full-Duplex Speech-to-Speech Model for Calls)MarkTechPost
- [2026-11-15](Bland の音声 AI「Tofu-1」、話しながら聞く電話応対へ)ISM AI LAB
- [2026-11-15](Bland lança Tofu-1, IA que atende chamadas com voz natural)Mirai Broadcast
- [2026-11-15](Bland представил Tofu-1: полнодуплексный голосовой AI для шумных звонков)AIKraft
- [2026-11-14](Bland Claims Tofu-1 Can Hear a Caller Through a Crying Baby and a Highway)Glitchwire
- [2026-04-09](Seeduplex:原生全双工语音大模型)字节跳动 Seed
免责声明:
本文基于 Bland 官方发布信息及多家媒体公开报道整理,仅作技术路线解读与行业观察,不构成采购、投资或选型建议。文中所有性能表述(含全双工交互、说话人跟踪、噪声分离、副语言识别、场景音频生成、“超过 92% 听者无法分辨”)均来自 Bland 自述或其产品页描述,截至本文写作时尚未有任何第三方独立测试或公开基准结果;“TV Test” 演示已被官方标注为示意性演示,并非真实模型输出。Tofu-1 的参数规模、轮次时延、工具调用成功率、价格、授权条款与支持语种均未公开,实际能力需以企业预览阶段的实测结果为准。与其他厂商模型的对比数据来自各自官方页面,评测集版本不一致,不具直接可比性。语音合成技术存在被用于伪造来电人身份的风险,相关合规与身份核验要求请以所在司法辖区法规及行业监管规定为准。
