Bland Tofu-1 開放研究預覽:語音 AI 邊聽邊說,如何分清來電者與背景電視?

Bland 發布 Tofu-1 全雙工語音模型,有限企業可申請研究預覽。解析背景人聲、TV Test、插話修正、邊說邊處理工作,以及官方合成示範與正式評測的差別。

Share
Bland Tofu-1官方合成語音示範影片的廚房場景縮圖
Bland 官方 Tofu-1 示範影片縮圖;影片聲音由模型生成,並非真實客戶來電。 圖片來源:官方原文。

Tofu-1 想讓電話 AI 同時聽和說,還能分清背景電視裡的「好」是不是來電者的確認。對需要取消保單或更改預約的流程,聲音來自誰,和辨識到什麼字同樣重要。

Bland 在 2026 年 11 月 13 日發布這個全雙工語音模型,開放有限企業申請研究預覽,主要邀請銀行、醫療、保險與政府等有重要電話工作的團隊。本文功能與方案資訊查核至 2026 年 11 月 16 日。

全雙工表示系統說話時仍持續接收聲音,來電者可以中途更正資料。這需要判斷哪些插話只是回應、哪些是在改變原本要求。

官方用 TV Test 示意聲源歸屬,這個情境不是模型實際錄製的輸出。發布影片另以模型生成來電者、代理與背景聲。概念時序圖也沒有提供實測延遲或通過率。

我會先看它在可重播的來電情境中,是否能保住更正後的要求與操作確認。若只因示範聽起來流暢就交付重要工作,仍少了任務結果的驗證。

要理解這個差異,先看傳統語音串接會丟掉哪些線索,再看模型如何用聲音本身處理互動。

Tofu-1 直接處理聲音,保留對話中的互動線索

語音轉文字的流程能保存字句,卻可能漏掉說話對象、停頓與注意力轉移。

常見電話 AI 可以把語音辨識成文字,再交給文字模型決定回答,最後合成聲音。這種串接容易理解,也能分別改善各個元件,但對話途中並非只有字句重要。

說話的方向、停頓、語氣與背景互動,都可能改變一句話的意思。如果轉成文字時沒有保留足夠線索,後面的模型即使正確理解字面,也可能把不該採取行動的內容當成指令。

Bland 的說法是,Tofu-1 直接處理並產生聲音,讓聆聽、推理與回應可以一起發生。這是產品宣稱的設計方向,並不等於所有採用語音轉文字的系統都完全無法處理說話者或中途插話。

例如「嗯」可能只是表示還在聽,短暫沉默可能是在找資料,也可能是人離開了電話。模型要依前後聲音判斷怎麼繼續,而不是只把每一個辨識到的詞依序排進對話。

這類能力也不能只用聲音是否接近真人衡量。自然的聲音可能讓錯誤更不容易被察覺。真正需要檢查的是,它有沒有把正確的人、正確的意思與正確的行動接在一起。

保留聲音線索之後,模型首先要決定哪些話是對代理說的。

Bland Tofu-1官方合成語音示範影片的廚房場景縮圖
Bland 官方 Tofu-1 示範影片縮圖;影片聲音由模型生成,並非真實客戶來電。 圖片來源:官方原文。
Bland 官方 Tofu-1 四十九秒示範,來電者、代理與背景聲均由模型生成,並非真實客戶電話錄音。 來源:官方原文。

TV Test 分辨來源,清楚的字也可能無關

TV Test 是說明聲源歸屬的示意情境,沒有提供模型實際錄製的測試結果。

官方描述的情境是:來電者正在找保單資料,電話背景裡的電視說了「好」。如果代理正在等待取消確認,把電視的字句當成來電者答覆,就可能把無關聲音接進操作流程。

TV Test 用這個例子說明,辨識清楚不代表可以採信。代理還要知道聲音屬於誰、是不是對自己說,以及是否符合正在等待的確認。這些都不是光看轉錄文字一定能回答的問題。

必須保留的是,官方將這段情境列為示意,沒有提供模型實際錄製的測試輸出。因此,它能說明產品想處理的問題,不能當成已測得 Tofu-1 能成功通過此題的獨立證據。

操作確認需要比關鍵字更多的條件

對取消、改期或其他會影響結果的工作,單一「好」字不應自動包辦確認。本文建議驗收時,同時核對前一個問題、說話者與當前工作狀態,讓測試真正對應該採取的動作。

這也意味著不能從官方的示意情境推出通過率。要比較不同系統,仍需使用相同的來電內容、背景聲與判定規則,並保留失敗紀錄。目前公告沒有提供那種完整比較資料。

聲源分清之後,還要判斷來電者插話時是否改變了原要求。

邊聽邊說,要區分附和與中途更正

全雙工讓模型在說話途中持續接收內容,附和和更正則需要不同回應。

全雙工的重點是,系統說話時仍然接收聲音,不必等一句話說完才開始聽。這能讓對話更接近人與人互動,卻也增加判斷需求:不是所有聲音都應讓代理停止或重新開始。

來電者說「嗯嗯」可能是在附和,希望對方繼續。說「不是最後四碼,是前面那組」則改變了資料內容。如果系統把兩者都當成打斷,會造成不必要停頓。完全忽略,又可能用錯資料。

Bland 以附和與更正等例子說明其目標,強調代理應依互動內容改變回應。這是值得驗證的差異,但仍要回到實際來電,確認更正是否被保留到後續步驟,而不只是在口頭上說已理解。

例如代理重新念出修改後的號碼,可以幫助來電者發現誤聽。若工具查詢仍使用舊號碼,表面對話自然也沒有解決問題。驗收應連同工具輸入一起看,而不是只聽最後一句回答。

全雙工也不等於沒有等待時間。這次公告沒有提供可對照的端到端實測延遲,不能因為能插話,就替產品補上毫秒數或宣稱一定比其他模型更快。

修正能被聽見,接下來還要傳到正在處理的工作裡。

邊說邊處理,完成狀態仍須對得上結果

對話可以繼續,查詢與工具工作也可同時進行,但確認完成要有實際結果。

電話工作經常需要查資料或等待工具結果。理想的互動是在說明進度的同時,接收來電者補充的新條件,讓對話與工作狀態保持一致。

官方介紹把聆聽、說話與處理工作並行作為方向。若代理正在查預約,來電者中途更改日期,新條件應影響後續結果。不能因為工具已開始執行,就讓對話與工作各走各的。

「正在查」與「已完成」是不同承諾

對話中的完成用語應對應實際狀態。代理說正在確認,只代表工作進行中。說已修改,則需要有可核對的結果。語音再流暢,也不能把尚未成功的操作提前包裝成已完成。

這裡的預約是用來解釋驗收方式的例子,並非本文看見了某個真實客戶交易。官方發布也沒有提供足以證明所有銀行、醫療或保險流程都可交付的完整操作驗證。

對開發者而言,可以記錄每次更正出現的時間、後續使用的條件與工具回傳。這樣才能區分問題發生在聽取、理解、工具執行或結果表達,也讓模型改善有明確的檢查對象。

這種流暢感是否可靠,不能只靠一段生成音訊判斷。

官方示範是合成場景,概念圖不是效能數字

Bland 明示發布影片中的聲音由 Tofu-1 生成,部分時序圖則是概念說明。

Bland 在官方發布中說明,影片裡來電者、代理與背景聲都由 Tofu-1 生成。這不是實際客戶來電紀錄,也不應被描述為企業已在真實營運中完成的案例。

生成場景可以展示團隊想呈現的互動方式,讓讀者理解對話方向。但所有聲音都來自模型,也表示不能直接用它證明在不同真實麥克風、口音與環境噪音下的表現。

官方頁另有聲音片段與概念時序圖。聲音片段應按音訊理解,不能把它們誤稱為有畫面的影片。時序圖則用來說明事件順序,不是測得的延遲分布或執行速度。

本篇所附影片使用官方 X 原始發布的可播放影片,保留來源與合成場景說明,不以其他產品展示代替。這讓讀者可以看到原廠怎麼呈現,但仍應把展示與驗證分開。

若要進一步評估,可以追問測試來電數量、困難情境、重試與失敗類型。沒有這些資訊時,最準確的結論是官方提出了一個研究預覽方向,而不是已證明能處理所有複雜電話。

理解示範證據的邊界後,才能設計自己的來電驗收。

從可重播來電驗收,保留聽不清楚的退出路徑

測試要保留來電者更正、背景插話與無法聽清楚的案例,確認系統不靠猜測完成。

測試可以先選一個能核對結果的小工作,固定背景條件與正確答案,再加入附和、更正或無關聲音。這是本文建議的驗收設計,不是官方已宣布的標準測試套件。

每段來電應保留原始聲音與預期行動,必要時重複播放相同情境。若代理只有某一次成功,其他次數卻忽略更正,平均對話自然度就不足以解釋這項差異。

背景聲也要分種類。無關的人說話、電視播放、短暫噪音與來電者自己改口,可能造成不同問題。把它們全放進一個「吵雜環境」分數,就難以知道模型究竟在哪裡可靠或失準。

無法聽清楚時,請對方重複、換到較安靜的位置,或轉交人工,都是應保留的路徑。官方方向同樣強調不要靠猜測。驗收不只看能完成多少,也要看何時適當停止。

對重要操作,可以另核對確認來源與最後條件,避免將聽見聲音直接當成授權。測試目的不是逼模型每次都給答案,而是讓每一種完成、重問與轉交都符合原本的工作要求。

驗收工作也必須對應目前實際開放的申請範圍。

有限企業研究預覽,與正式普遍供應不同

目前公開入口是申請研究預覽,並非每位客戶或個人都能立即使用。

目前 Tofu-1 是有限企業研究預覽,官方主要邀請銀行、醫療、保險與政府等團隊申請。公告列出這些領域,是預覽對象描述,不能推論每個領域的所有工作都已獲得正式交付保證。

研究預覽也不等於既有客戶已全面切換。這次公開資訊沒有完整價格、個人方案、公開權重或所有地區的可用清單,因此不宜自行填上台灣上線時間或一般使用者立即開通方式。

有意申請的企業可以先整理一段明確流程、可使用的測試資料與成功條件。若資料涉及真實客戶,應依既有規範處理,而不是因為名稱帶有研究,就直接把所有來電交給新系統。

模型與整體電話服務也應分開看。電話路由、工具權限、人工接手和記錄方式,會影響最終品質。不能把語音模型的一項能力,當成整條服務流程都已完備。

我會先觀察它能否在反覆來電中保留更正,並正確拒絕把背景聲當成確認。這些差異若能被穩定量出來,才有理由逐步增加代理責任,而不是只用一次自然對話決定是否投入重要工作。

先把工作風險、測試資料與成功條件準備好,才有辦法評估預覽是否有用。

Tofu-1 常見問題

語音自然度、操作確認與研究預覽資格,是三項需要分別核對的條件。

Tofu-1 現在是正式全面開放嗎?

目前是有限企業研究預覽,需申請並確認資格。公開資訊不足以支持所有帳號或個人立即可用的說法。

TV Test 是真實模型輸出嗎?

不是。官方將它作為聲源歸屬的示意情境,沒有提供該情境的實際錄製結果或通過率。

發布影片是真實客戶電話嗎?

官方明示來電者、代理與背景聲由模型生成,應作為合成展示理解,不是營運成效的獨立證據。

全雙工代表一定不用等待嗎?

不代表。它描述可同時聽與說,這次沒有提供可據以比較所有系統的端到端延遲數據。

先用可驗證任務檢查重要差異,再判斷是否擴大語音代理的責任。

延伸閱讀:Sophon-Realtime v1 開放語音模型:Tag、Flash 與一張 80GB GPU 的取捨怎麼看?

延伸閱讀:Shizuku-Duplex 是什麼?日語全雙工語音 AI 的官方評測怎麼看

原始資料來源