旧金山语音 AI 初创公司 Bland 正式发布了 Tofu-1,这是其计划中的语音到语音模型系列的首个研究预览版。与传统的级联式语音智能体不同,Tofu-1 采用端到端架构,直接处理音频输入并生成音频输出,中间无需经过文本转录环节。这一突破使得模型能够在通话过程中同时“倾听”与“推理”,完美支持全双工交互,尤其针对汽车行驶、医院病房及信号微弱等高噪声或复杂场景进行了深度优化。
- 地址:https://www.bland.ai/speech-to-speech

核心突破:从“转录-回复”到“直接听觉”
传统语音智能体通常遵循“语音转文本 (ASR) → 大语言模型 (LLM) → 文本转语音 (TTS)”的级联流程,这不仅增加了延迟,还丢失了语气、情绪和背景音等关键信息。Tofu-1 则直接对原始音频波形进行建模,保留了丰富的声学特征:
- 全双工交互:用户可以在 Tofu-1 说话时随时打断或纠正,模型能无缝切换倾听模式,并在处理请求的同时保持对话流的连续性。
- 副语言理解:模型能够识别犹豫、沮丧、紧迫感等非语言线索,从而更准确地判断用户意图。
- 噪声分离与说话人跟踪:具备强大的音频处理能力,能从哭泣的孩子、电视背景音、高速公路噪音或键盘声中分离出目标人声,并区分不同说话人的指向性。
独特能力:场景生成与“电视测试”
由于 Tofu-1 对通话的声音环境进行整体建模,它不仅能理解声音,还能生成逼真的音频场景,包括模拟第二个说话人、房间混响及线路噪声。
Bland 提出了极具挑战性的 “电视测试” (TV Test):当背景中播放着比来电者声音更大的电视音频时,模型能否在忽略干扰的同时准确跟随来电者的指令?虽然目前展示的演练标记为说明性而非实时录制输出,但这展示了 Tofu-1 在极端噪声环境下的潜在鲁棒性。据 Bland 自我报告,在盲测筛选中,超过 92% 的参与者无法分辨对方是真人还是 Tofu-1。
目标行业与访问权限
Tofu-1 目前处于封闭的企业研究预览阶段,主要面向对通话质量和隐私要求极高的行业:
- 目标领域:银行、医疗、保险及政府机构。
- 访问门槛:企业需通过注册表申请,并根据每月通话量(从 <1,000 到 50,000+)进行分级。
- 发布时间表:Bland 提到该模型预计将于 1 月 正式可用。
局限性与展望
尽管表现亮眼,Tofu-1 目前仍缺乏公开的技术细节:
- 数据透明度:所有性能数据均为自我报告,尚未公布模型参数量、具体延迟指标、定价策略或在标准基准(如工具使用分数)上的表现。
- 架构黑盒:Bland 尚未披露其底层网络架构,这使得开发者难以评估其部署需求和扩展潜力。
Tofu-1 的发布标志着语音 AI 从“文本中心”向“音频原生”的重要转变。通过消除转录瓶颈,它不仅大幅降低了交互延迟,更让 AI 具备了真正像人一样“听”懂语气和环境的能力,为下一代电话智能体奠定了坚实基础。
© 版权声明
文章版权归作者所有,未经允许请勿转载。















