Bland, la empresa de IA de voz de San Francisco, ha lanzado Tofu-1, un modelo de voz a voz full-duplex pensado para llamadas telefónicas en las que el audio ya es malo de por sí. Anunciado el 13 de noviembre y ampliamente cubierto el 15 de noviembre, es el primer lanzamiento de una familia planificada de modelos de voz a voz de Bland, y ya está abierto como vista previa de investigación con acceso restringido para empresas.
A diferencia de la mayoría de los agentes de voz, Tofu-1 procesa el audio directamente en lugar de transcribirlo primero a texto. Escucha y habla al mismo tiempo, así que quien llama puede interrumpirlo o corregirlo a mitad de frase, y está diseñado para separar la voz de la persona que llama de lo que ocurre en segundo plano — un televisor, un niño llorando, el tráfico, la megafonía de un hospital o los tonos de un teclado. Bland afirma que también puede distinguir a los hablantes y deducir a quién va dirigida una frase, de modo que un «sí» de la televisión de fondo no cancele por accidente una póliza de seguro.
La vista previa es deliberadamente reducida: el acceso está abierto a un número limitado de empresas de banca, salud, seguros y administración pública, con la disponibilidad general prevista para enero. Bland no ha publicado benchmarks, tamaño del modelo, cifras de latencia ni precios, y su afirmación más llamativa — que más del 92 % de las personas en las pruebas no pudo detectar el modelo — es autorreportada, no verificada de forma independiente.
Tofu-1 llega dos días después de Duo v1 de inclusionAI, otro lanzamiento nativo full-duplex, mientras las empresas de IA de voz corren hacia agentes capaces de mantener una conversación telefónica real e interrumpible. Hasta que lleguen pruebas independientes, Tofu-1 se entiende mejor como una dirección de viaje: la llamada telefónica, no el cuadro de texto, se está convirtiendo en la próxima frontera de los agentes de IA.