您的位置首页 >人工智能 >

Bland 发布 Tofu-1 全双工语音模型边听边说、能中途打断,企业研究预览开放申请

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:

  1. 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”。
  2. 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。
  3. 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-1OpenAI GPT-Live-1NVIDIA NemotronLabs VoiceChat 11BBlock 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-6000MacBook 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 ChatGPTHugging 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。