我先联网核实 Bland Tofu-1 全双工语音模型的信息。
核实完了:Tofu-1 的功能点写得很清楚,但关键指标几乎没公开。稿件如下。
11 月 13 日,旧金山语音 AI 公司 Bland 在 X 上发布通告,推出全双工(full-duplex)语音到语音(speech-to-speech)模型 Tofu-1,企业研究预览的申请入口同步在产品页开放。所谓 “全双工”,就是模型在说话的同时还在听、还在推理,而不是传统语音助手那种 “你讲我听、我讲你听” 的轮流机制;它也不走 “语音转文字 → 大模型生成 → 文字转语音” 的级联流程,而是直接吃音频、直接吐音频,中间不留文字稿。Bland 给它的定位很明确:跑在嘈杂、高风险的真实通话里,比如开车途中打进来的客服电话、医院病房里夹着院内广播的咨询、信号很弱的线路。值得注意的地方在于,这次公开的信息量和它的野心不成正比 —— 除了 “超过 92% 的人在筛查中没能听出是 AI” 这一个自查数字之外,模型参数量、轮次切换延迟、价格、benchmark 成绩、内部架构、支持语言全都没有公布。研究预览只开放给有限数量的企业,官方点名的目标行业是银行、医疗、保险和政府,申请表单要填月度通话量,选项从 1000 通以下到 50000 通以上。官方口径里提到 “明年 1 月” 可用,但没写清楚是哪一年、届时开放哪些功能。
它和常见的 “级联” 语音助手差在哪
差别不在 “能不能对话”,在信息在哪一层丢掉了。把两种架构摆在一起看:
| 维度 | 级联方案(cascade) | Tofu-1(端到端语音到语音) |
|---|---|---|
| 处理链条 | 语音识别 ASR → 语言模型 LLM → 语音合成 TTS,三段串行 | 音频输入直接映射到音频输出,单模型完成 |
| 中间产物 | 必须生成一份文字稿 | 不产生文字稿 |
| 丢失的信息 | 语调、犹豫、叹气、背景声在转文字时基本被压掉 | 这些副语言与声学线索保留在模型输入里 |
| 延迟来源 | 三段各自耗时,还要等上一段输出完成 | 听与说并行,理论上少一次串行等待 |
| 出错传播 | 前一段错,后一段跟着错 | 不存在跨段错误传播 |
| 打断处理 | 依赖 VAD(语音活动检测)判断,容易误判 | 全双工持续占用双向音频流,可在句中接受更正 |
Bland 在架构上没给更多细节,只说明语调、犹豫和背景声都作为可用信息留在模型里。这一点在业务上是有意义的:同一句 “大丈夫です(没问题)”,平静地说和犹豫地说,后续该不该追问、该不该转人工,判断完全不同。
三项音频理解能力,分别解决什么问题
Bland 产品页列了三项能力,都指向同一个场景 —— 电话那头不只有客户一个人在说话:
| 能力 | 具体做什么 | 举的例子 | 业务意义 |
|---|---|---|---|
| 说话人追踪 | 区分多个声音,并判断每句话是说给谁听的 | 车里同乘的人在聊天,客户在跟客服说事 | 不按 “听到的顺序” 回应,而是按 “对象” 回应 |
| 噪声分离 | 把背景音从人声里剥出来 | 哭闹的孩子、电视、高速公路交通、医院广播、按键音 | 电视台词听得清,但它不是指令,需要判断 “该不该理” |
| 副语言信息 | 从声音里读犹豫、挫败感、急迫感 | 客户反复改条件、语气发紧 | 决定是缩短解释、插入确认,还是转人工 |
为了说明第二项,Bland 做了一个叫 “TV Test” 的演示:电视里的声音往往比通话本人还大,看模型能不能一边忽略电视语音、一边跟上客户。这里有个必须说清的点 ——Bland 明确标注这段演示是示意性的,不是录制的模型真实输出。所以它证明的是 “设计意图”,不是 “实测性能”。
全双工的三个行为承诺
这三条是 Tofu-1 在交互层面最实的部分,也是企业选型时最容易验证的部分:
- 句中可打断、可更正。客户在 “预约日是周五” 说到一半时改口 “还是改成周四”,模型要能接住这个更正并更新对话前提,而不是把原句说完再说 “好的,已为您预约周五”。
- 边干边说。调用外部工具、查订单、改预约的这段时间里,模型不能沉默,得继续把对话维持住。
- 做完才报。“正在为您修改” 和 “已经改好了” 是两句完全不同的话,模型不能在外部系统还没返回结果时就宣称完成。
第三条听起来像常识,但在语音智能体里是高频事故点:语音听起来很自然,说的话和后台系统真实状态对不上,用户就会带着错误预期挂电话。
唯一公开的那个数字,怎么读
Bland 自己公布的成绩是:在筛查测试中,超过 92% 的评审者没能识别出这是 AI。这个数字有传播力,但它回答的问题很窄 —— 它只说明 “听起来像人”。它不说明:提问有没有被正确解决、外部工具有没有被正确调用、方言和口音下还能不能保持这个水平、在多长的对话里能保持。
审稿方(ISM 的评述)提了一个更值得采纳的验证思路:别拿各家的宣传数字横向比,自己造同一套场景跑一遍 —— 安静通话、电视声压过本人的通话、说到一半被更正的通话,然后记录四项:首次响应时间、任务是否真的完成、中途要求确认了几次、有没有在没完成时就说完成了。这套指标比 “像不像人” 更接近采购决策。
没公开的六项,才是选型的关键
| 缺口 | 为什么关键 | 现状 |
|---|---|---|
| 参数量 / 显存占用 | 决定自托管可行性与单路成本 | 未公开 |
| 轮次切换延迟 | 电话场景里超过 1 秒就会被感知为 “卡” | 未公开(同类已公开 448ms 至 0.798s) |
| 价格 / 计费方式 | 决定单通电话成本模型 | 未公开 |
| Benchmark 成绩 | 决定能不能横向比较 | 未公开,无 WER、无任务成功率 |
| 内部架构 | 决定可解释性与可定制空间 | 明确不公开 |
| 支持语言 | 决定能否用于非英语市场 | 未公开(研究预览通告里没列) |
研究预览的 “预览” 二字在这里不是客套。Bland 说的是 “有限数量的企业”,申请要填月度通话量 —— 这更像是在筛样本、收集真实通话分布,而不是在卖产品。ISM 的提醒也值得记:提交研究预览申请,不等于拿到了生产环境的部署许可。
和四家同类模型横向对照
把公开信息整理成一张表,能看清 Tofu-1 站在什么位置(各家数字来自各自官网,评估基准版本不同,不能直接比大小):
| 项目 | Bland Tofu-1 | OpenAI GPT-Live-1 | NVIDIA NemotronLabs VoiceChat 11B | Block Dessa |
|---|---|---|---|---|
| 类型 | 全双工语音到语音 | 全双工语音模型 | 全双工语音到语音 | 全双工语音到语音 |
| 参数量 | 未公开 | 未公开 | 11B | 未公开 |
| 权重 | 闭源 | 闭源 | 开源(OpenMDW 1.1) | 未发布 |
| 训练数据 | 数百万小时真实对话 | 未公开 | 约 55 万小时音频 + 文本 | 仅人类语音,无文本 |
| 运行环境 | Bland 托管 | OpenAI 托管 | A100/H100/H200/B100/B200/RTX-6000 | MacBook Pro M4 Max 及以上 |
| 轮次延迟 | 未公开 | 0.798 秒(FDB v1) | 448 毫秒(FDB) | 未公开 |
| 工具调用 | 边处理边保持对话 | 委派给后端模型 | 实时工具调用,工具选择率 82.5%(FDB v3) | 未公开 |
| 获取方式 | 企业研究预览 | API 与 ChatGPT | Hugging Face 权重、NVIDIA 容器 | 面向安全研究者的预览 |
这张表最有信息量的一行是 “轮次延迟”。四家里有两家给了具体毫秒数,两家没给 —— 而延迟恰恰是电话场景里用户最先感知到的指标。开源程度也是分野:Nemotron 直接放出权重和容器,Dessa 做到能跑在单台 MacBook Pro 上,Tofu-1 和 GPT-Live-1 都是闭源托管。
全双工在国内已经不是新鲜事
作为背景参照,同一技术方向在国内已有落地:
- 字节跳动的 Seeduplex 于 2026 年 4 月 9 日发布,作为原生全双工语音大模型已在豆包 App 全量上线;官方数据显示判停延迟降低约 250 毫秒、复杂场景抢话比例相对减少 40%、打断响应延迟缩短约 300 毫秒、复杂声学干扰下误回复率与误打断率降低一半。
- 面壁智能的 MiniCPM-o 4.5 以 9B 参数做到端侧全双工全模态,官方称单张 RTX 5070 即可实时运行,支持边看、边听、边说。
- 字节后续还推出了 SeedRealtime 音视频全双工模型(2026 年 8 月 5 日)。
这说明 “边听边说” 本身不是壁垒,壁垒在嘈杂真实通话里的稳定性和延迟能不能压到用户察觉不到。Tofu-1 把场景明确锁在电话这一条线上,是对的方向;但它目前没有拿出任何一项可比的量化指标来支撑 “我能做到”。
判断
Tofu-1 是一次方向正确、证据偏薄的发布。方向上,语音智能体从级联走向端到端是全行业的共同选择 —— 少一次串行转换就少一段延迟,保留副语言就多一层判断依据,全双工就能接住人类对话里那些说到一半又改口的真实情况。这三点 Bland 都抓住了,而且抓的是电话这个最有商业价值、也最难的场景。
证据上,这次公开的信息只够判断 “它想做什么”,不够判断 “它做成了什么”。92% 的识别率是单点自查,不是任务成功率;参数量、延迟、价格、benchmark 四项全空,等于把最关键的选型依据都留在了未公开状态。研究预览限企业、要填通话量、提到 “明年 1 月”,说明它现在还在收集真实数据的阶段。
给企业的一个务实做法:如果你的通话业务里有明确的痛点场景 —— 比如背景噪音导致的反复确认、客户中途改条件被漏掉、后台处理期间的长静默 —— 可以拿这三个场景去申请预览,并提前把评估表做好:首次响应时间、任务完成率、平均确认次数、有没有出现 “没完成却说完成”。这四项跑完,比看任何演示都管用。
【相关 FAQ】
问题 1:Bland 发布的 Tofu-1 是什么,和普通语音助手有什么不同?
回答 1:Tofu-1 是 Bland 于 11 月 13 日发布的全双工语音到语音(speech-to-speech)模型,企业研究预览已开放申请。它和普通语音助手的核心差别在于架构:普通助手走 “语音转文字 → 大模型 → 文字转语音” 的级联流程,Tofu-1 直接处理音频、直接输出音频,中间不生成文字稿,因此语调、犹豫、背景声这些线索不会在转写环节被压掉。同时它在说话时仍在听和推理,可以在句子中途接受客户的更正和打断。
问题 2:Tofu-1 的 “全双工” 具体能做什么,能中途打断吗?
回答 2:可以。Bland 对 Tofu-1 的全双工给出了三个行为承诺:一是客户可以在模型说话的过程中打断或更正,模型需要接住更正并更新对话前提;二是模型在处理外部请求(查订单、改预约)时不能沉默,要继续把对话维持住;三是必须等后台真正处理完成才报告结果,不能在系统还没返回时就宣称 “已经办好了”。这三点是通话类语音智能体最容易出事故的地方,也是最容易在实测中验证的部分。
问题 3:Tofu-1 有哪些音频理解能力,为什么强调嘈杂通话场景?
回答 3:Bland 在 Tofu-1 产品页列了三项:说话人追踪(区分多个声音并判断每句话是说给谁听的)、噪声分离(把哭闹的孩子、电视、高速公路交通、医院广播、按键音从人声里剥出来)、副语言信息(从声音里读犹豫、挫败感、急迫感)。强调嘈杂场景是因为电话业务的真实环境从来不安静 —— 开车时打进来的电话、病房里夹着院内广播的咨询、信号弱的线路,都会让级联方案在语音识别这一步就出错。Tofu-1 的训练据称用了数百万小时真实对话。
问题 4:Tofu-1 的 92% 识别率该怎么看,为什么说公开信息不足?
回答 4:92% 是 Bland 自己公布的单点数据 —— 在筛查测试中超过 92% 的评审者没能听出这是 AI。它只证明 “听起来像人”,不证明任务成功率。Tofu-1 目前未公开的关键项包括:模型参数量与显存占用、轮次切换延迟、价格与计费方式、benchmark 成绩(无 WER、无任务完成率)、内部架构、支持语言。作为对比,同类产品中 OpenAI GPT-Live-1 公开了 0.798 秒的轮次延迟,NVIDIA NemotronLabs VoiceChat 11B 公开了 448 毫秒延迟和 82.5% 的工具选择率。缺了这些,企业无法估算单路成本与响应速度。
问题 5:现在能申请 Tofu-1 吗,哪些企业是目标对象?
回答 5:可以通过 Bland 产品页提交企业研究预览申请,但只开放给有限数量的企业,不是公开 API。Bland 点名的目标行业是银行、医疗、保险和政府,申请表单要求填写月度通话量,选项区间从 1000 通以下一直到 50000 通以上。官方口径提到 “明年 1 月” 可用,但未明确是哪一年、届时开放哪些功能,也未说明是否支持英语以外的语言。需要注意,申请通过研究预览不等于获得生产环境部署许可,通话数据如何处理、故障时如何转人工都需单独确认。
【参考资料】
[2026-11-16](Bland 发布全双工语音模型 Tofu-1:官方称可同时听与说,企业研究预览开放申请)智源社区
[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」、话しながら闻く电话応対へ──企业が见极めたい実力と未公开情报)ISM AI LAB
[2026-11-15](Bland Introduces Tofu-1, a Full-Duplex Speech-to-Speech Model for Enterprise Calls)Grafy News
[2026-11-15](Bland's Tofu-1 Brings Full-Duplex Voice AI to Noisy Calls)Artiverse
[2026-11-14](Bland Claims Tofu-1 Can Hear a Caller Through a Crying Baby and a Highway)Glitchwire
[2026-08-05](SeedRealtime 音视频全双工大模型发布:走向全模态自然交互)字节跳动 Seed
[2026-04-09](Seeduplex:原生全双工语音大模型)字节跳动 Seed
智源社区字节跳动Seed字节跳动Seed免责声明
本文关于 Tofu-1 的功能描述、目标行业、申请方式与 “明年 1 月” 的时间口径,均来自 Bland 官方产品页、X 发布通告及 MarkTechPost、Glitchwire、Artiverse、Grafy News、ISM AI LAB 等媒体转述,属厂商自述与研究预览阶段信息,实际能力、开放范围与商用时间请以 Bland 官方公告为准。文中 “超过 92% 无法识破” 为 Bland 自查数据,未披露测试条件与样本规模,不构成第三方验证结论。竞品参数与延迟数据引自各厂商官网,所用评测基准版本不同,不可直接横向比较。文中提及的字节跳动 Seeduplex、面壁智能 MiniCPM-o 4.5 为同一技术方向的背景参照,与本次 Tofu-1 发布不是同一事件。本文仅为技术信息整理,不构成任何采购建议、投资建议或产品选型结论。
