Bland, a empresa de voice‑AI de São Francisco, lançou o Tofu-1, um modelo de fala-para-fala full-duplex em pré‑visualização de pesquisa. O modelo Tofu-1 tem como alvo chamadas feitas de carros em movimento, salas de hospital e linhas com sinal fraco. Ele escuta enquanto fala e raciocina enquanto conversa. Para equipes de telefone‑agente, um único modelo agora trata áudio de entrada e saída, sem transcrição intermediária. Você pode conferir as opções de implantação e especificações aqui através da extensão Chrome GPULeaderboard.com. O que é o Tofu-1? O Tofu-1 é um modelo de fala-para-fala full-duplex da Bland que ouve, raciocina e responde em áudio durante chamadas telefônicas. É o primeiro lançamento de uma família planejada de modelos de fala-para-fala da Bland. Como o Tofu-1 difere de um agente de voz em cascata? A maioria dos agentes de voz funciona em cascata: convertem fala em texto, enviam ao modelo de linguagem e convertem a resposta de volta em fala. O Tofu-1 escuta o áudio diretamente, permitindo que tom, hesitação e sons de fundo permaneçam disponíveis ao modelo. A Bland não divulgou a arquitetura interna. Compreensão de áudio A Bland lista 3 habilidades de áudio em sua página de produto: Rastreamento de falantes: diferencia os interlocutores e identifica a quem cada um está se dirigindo. Separação de ruído: isola vozes de uma criança chorando, TV, trânsito, interfone de hospital ou tons de teclado. Paralinguística: percebe hesitação, frustração e urgência. Full‑duplex e pensamento enquanto fala Os interlocutores podem interromper ou corrigir o Tofu-1 no meio da frase. Enquanto executa uma solicitação, ele mantém a conversa em andamento. Ele relata o resultado apenas quando o trabalho está concluído, nunca afirmando que a tarefa terminou antecipadamente. Geração de cenário Como o Tofu-1 modela o som de uma chamada, ele também pode produzi‑la, incluindo um segundo falante, o ambiente ao redor e ruído de linha. O que é o “TV Test” da Bland? O TV Test faz uma única pergunta: o modelo consegue seguir o interlocutor enquanto ignora a fala de outra cena? O áudio da TV costuma ser mais alto que o do interlocutor. A Bland marca seu walkthrough do TV Test como ilustração.
Fonte: MarkTechPost
Publicado em 2026-11-15