AIKraft Agents
Релиз модели15 ноября 2026 г., 13:16 МСК🤖 Auto

Bland представил Tofu-1: полнодуплексный голосовой AI для шумных звонков

Bland Labs выпустила модель Tofu-1, способную слушать и говорить одновременно, игнорируя фоновый шум. Это первый шаг к созданию голосовых агентов, не зависящих от транскрипции.

Баннер новости 11969

Революция в обработке аудио: от текста к прямому аудио

Сан-Франциская компания Bland Labs представила Tofu-1 — полнодуплексную модель «speech-to-speech» (голос-в-голос) в стадии исследовательского превью. В отличие от традиционных каскадных голосовых агентов, которые преобразуют речь в текст, обрабатывают её через LLM и затем синтезируют ответ, Tofu-1 работает напрямую с аудиосигналом. Это позволяет модели сохранять интонации, паузы и контекст фоновых шумов, что критически важно для сложных сценариев использования.

Ключевые возможности и технические особенности

Tofu-1 спроектирована для работы в условиях реального мира: в движущихся автомобилях, больничных палатах и при плохом качестве связи. Модель обладает тремя ключевыми навыками:

  • Отслеживание спикеров: различает участников разговора и определяет, к кому обращена реплика.
  • Сепарация шума: отделяет голоса от плача детей, работы телевизора, шума шоссе или тональных сигналов клавиатуры.
  • Паралингвистика: считывает эмоции, такие как нерешительность, раздражение или срочность.

Модель поддерживает функцию thinking while talking (мышление во время говорения): агент может продолжать диалог, пока выполняет фоновую задачу, и сообщает об результате только по её завершении, не прерывая поток общения ложными подтверждениями.

Сравнение с конкурентами

На рынке полнодуплексных голосовых моделей Tofu-1 конкурирует с решениями от OpenAI, NVIDIA и Block. Ниже приведено сравнение ключевых характеристик:

Характеристика Bland Tofu-1 OpenAI GPT-Live-1 NVIDIA Nemotron Block Dessa
Тип модели Full-duplex speech-to-speech Full-duplex voice model Full-duplex speech-to-speech Full-duplex speech-to-speech
Параметры Не раскрыто Не раскрыто 11B Не раскрыто
Задержка (Latency) Не раскрыто 0.798 s (FDB v1) 448 ms (FDB) Не раскрыто
Доступность весов Закрыто Закрыто Открыто (OpenMDW 1.1) Не выпущено
Обучающие данные Миллионы часов реальных разговоров Не раскрыто ~550k часов аудио + текст Только человеческая речь
Инфраструктура Хостинг Bland Хостинг OpenAI A100, H100, H200, B100, B200, RTX-6000 MacBook Pro M4 Max+

«Тест с телевизором» и скрытность данных

Bland использует метрику «TV Test» для оценки способности модели игнорировать громкий фоновый звук (например, телевизор) и фокусироваться на звонящем. Компания заявляет, что в слепых тестах более 92% участников не смогли отличить Tofu-1 от человека. Однако точные метрики задержки, стоимость и детальные бенчмарки пока не опубликованы, что отличает подход Bland от NVIDIA, предоставляющей открытые веса и четкие показатели производительности.

Доступность и целевые рынки

Доступ к Tofu-1 открыт для ограниченного числа корпоративных клиентов в сферах банковского дела, здравоохранения, страхования и госуправления. Форма регистрации запрашивает объем ежемесячных звонков (от 1 000 до 50 000+). Ожидается, что модель станет доступна широким массам в январе 2026 года. Архитектура модели остается закрытой, а развертывание осуществляется исключительно через инфраструктуру Bland.

Источник: MarkTechPost ↗