ChengRang
EN

Bland Tofu-1 热门 新增

AI 音频音乐 付费

Bland 2026/11/13 发布的全双工语音到语音模型,研究预览阶段,直接处理音频输入输出,不经中间转写。四项能力为理解场景、生成整段场景音频、边说边听、边想边说:能分辨不同说话人并判断一句话说给谁,把电视、哭闹的孩子、车流与按键音从人声里分开,识别犹豫与急躁,被中途打断时正在说的话可以跟着改。官方未公布参数量、延迟、定价与基准分数,目前仅对银行、医疗、保险、政府按申请开放

语音到语音 全双工 电话客服 说话人分离 研究预览
访问 Bland Tofu-1 官网

免责声明:测评内容仅代表编辑个人观点和使用体验,不构成任何商业推荐或投资建议。产品信息和价格可能随时变动,请以官方最新信息为准。

产品简介

电话客服这条线上的语音系统,绝大多数还是三段式:先把声音转成文字,把文字交给语言模型,再把回复合成成声音。每一跳都会丢掉一点东西。谁在说话,这句话是说给谁听的,中间有没有停顿,话说完了没有,这些在转写那一步就被压成一行纯文本。Bland 在 11 月 13 日放出的 Tofu-1 想跳过这个中间态,直接吃音频、直接出音频,官方给的词是全双工。

先说清楚它现在是什么。研究预览,不是能马上接进生产的产品。只对银行、医疗、保险、政府四类机构按申请开放,没有公开参数量、延迟、定价和基准分数。所以能讲的只有它声称解决了什么问题,以及哪些地方该留余地。

官方那个雨天报地址的场景把问题说得很准。有人打电话报树倒了砸到房子,站在雨里,信号很差,儿子在旁边一直问她话,她念到一半地址转过头去回答。接电话的人不用想就能跟上:她转开了,等她回来,雨声不重要,地址接着刚才那半句念。现在的语音系统做不稳这件事,因为转写会把转过头去这个动作抹掉,只剩一串准确的文字。

Tofu-1 的说法是听音频本身,声音里带的线索都还在。它把这件事拆成四项能力。一是理解场景,能把不同说话人分开,判断一句话是说给谁的,把哭闹的孩子、电视、高速车流、医院广播、按键音从人声里分出来,还能听出犹豫、沮丧、急躁这些语气。二是生成整段场景,因为建模的是通话的声音而不只是词,它也能造出第二个说话人、周围的空间和线路噪声。三是边说边听,被打断或者被纠正的时候,正在说的话可以跟着改。四是边想边说,查身份、查理赔、查权益这些活和对话同时跑。

四项里最能说明问题的是它叫 TV Test 的那一类。电视开着的时候,广告说现在致电,主播在提问,剧里有人说了句 Yes。每句话都清楚,都不是说给客服听的。降噪解决不了这个,因为电视不是噪声,是来自错误来源的语音,而且常常比来电人还大声。Bland 举的例子是客服问确认要退保吗,来电人没说话,她在找保单号,电视说了 Yes。只靠转写的系统会把 Yes 当成她的回答,把保单退了。Tofu-1 要做的是把这个 Yes 归到电视上,然后请她本人确认。音量判断不了这件事,响的电视可能无关,轻声的纠正可能是这通电话里最重要的一句。

也得说它给自己划的线。如果背景吵到根本听不清来电人,它应该直接说听不清,请对方重复或者换个安静点的地方。忽略电视不能变成猜对方说了什么的理由。这条边界写得比多数发布材料老实。

证据强度要分开看。官方说内部筛查里超过 92% 的听众分不出 Tofu-1 的输出和真实录音,但没说这批听众有多少人、素材怎么选的,这个数字只能当方向看。发布视频里所有人声和背景声都是模型生成的,官方自己标了是合成,不是真实客服录音。TV Test 那一段标的是示意场景,不是录下来的模型输出。两个可以听的样本各 10 秒和 39 秒,都是官方挑出来的。

所以判断它值不值得等,别看 demo 有多顺,看三件事。一是它能不能在你自己的线路噪声里分清谁在说话,这得拿真实录音去试,官方页面上的两段全是干净场景。二是它出错时会不会承认听不清,而不是顺着上下文编一个答案出来。三是等你拿到接入方式时,延迟和并发能不能撑住一通电话,这三样现在一个数字都没有。

对做语音 agent 的团队,它提出的问题比它给的答案更有用。过去两年大家比的都是转写准确率,Tofu-1 把评价标准挪到了另一处:这通电话里谁在说话,这句话是说给谁的。这件事以前的级联架构根本没有位置放它。

核心功能

适合谁用

以下类型的用户会特别受益于 Bland Tofu-1:

优点亮点

价格与方案

研究预览阶段,官方没有公布任何价格,也没有自助入口。申请表中按每月通话量分档填写,从 1000 通以下到 5 万通以上,场景限定银行、医疗、保险、政府,按个案审批。参数量、延迟、并发与基准分数同样未公开。

总结与建议

Tofu-1 想解决的不是转写准不准,而是转写这一步会把通话场景丢掉。全双工让它能被中途打断,说话人跟踪让它能判断一句话说给谁,TV Test 把电视里那句 Yes 从噪声问题变成了归属问题。它现在是研究预览,只对四类机构按申请开放,参数量、延迟、价格、基准一个都没公开,demo 也全是合成的。值不值得等,要拿自己的线路噪声去试。

版本演进

分类
AI 音频音乐
价格
付费
标签
语音到语音 · 全双工 · 电话客服
官网