Bland hat Tofu-1 vorgestellt, ein speech-to-speech-Modell, das während des Sprechens weiter zuhört. Der Kern der Ankündigung ist die Frage, wer etwas gesagt hat, nicht die Klangqualität.
Der TV-Test: wofür Bland Tofu-1 gebaut hat
Die Szene, die Bland in den Mittelpunkt stellt, kennt jeder, der schon einmal eine Hotline angerufen hat. Eine Kundin soll bestätigen, dass sie ihre Police kündigt. Sie schweigt, weil sie im Wohnzimmer nach der Vertragsnummer sucht. Der Fernseher läuft, und aus dem Fernseher kommt ein klares „Ja“.
Ein Agent, der mit Transkripten arbeitet, hört eine deutliche Stimme und ein deutliches Ja. Er kündigt den Vertrag. Bland nennt das den TV-Test, und die ganze Argumentation für Tofu-1 hängt daran: Das Problem ist nicht Lärm. Das Problem ist Sprache aus der falschen Quelle, und Rauschunterdrückung hilft nicht, weil ein Fernseher kein Rauschen ist.
Wichtig für die Einordnung: Bland bezeichnet diese Szene als illustratives Beispiel, nicht als Aufnahme eines echten Modellausgangs. Sie erklärt das Problem, sie belegt keine Leistung.
Full-duplex: der Voice Agent hört zu, während er spricht
Die meisten voice agent Systeme heute sind Kaskaden. Sprache wird zu Text, der Text geht an ein Sprachmodell, die Antwort geht zurück in Sprache. Auf jedem dieser Schritte geht verloren, wer gesprochen hat, an wen die Äußerung gerichtet war, ob jemand gezögert hat und ob der Satz schon zu Ende war.
Tofu-1 arbeitet direkt auf dem Audio, in einer full-duplex Schleife. Es kann also zuhören, während es selbst spricht. Das klingt nach einem Detail und ist in der Praxis der Unterschied zwischen einem Gespräch und einem Vorlesen.
Was das konkret bringt, zeigt Bland an zwei Beispielen. Ein Anrufer korrigiert mitten im Satz eine Ziffer, und der Agent bricht die Vorlesung ab, statt sie zu Ende zu bringen. Oder jemand sagt „mm-hmm“, und das heißt weiterreden, während „nein, vier, nicht neun“ heißt anhalten. Diese Unterscheidung muss das Modell treffen, während es noch spricht.
Speech-to-speech statt Kaskade: was auf dem Weg verloren geht
Der zweite Teil des Versprechens heißt bei Bland „denken, während man spricht“. Gespräch und Nachschlagen laufen parallel, damit der Anruf nicht stockt, während der Agent eine Angabe prüft. Die Firma sagt außerdem, das Modell solle eine Aufgabe nicht als erledigt melden, bevor sie erledigt ist, und eine Änderung des Anrufers müsse noch in der laufenden Antwort ankommen.
Auf der Ausgabeseite ist Tofu-1 ungewöhnlich. Es kann mehrere Sprecher, überlappende Stimmen und den Raum um sie herum erzeugen. Bland hat dazu einen zehn Sekunden langen Clip veröffentlicht, in dem ein Mann aus einem Auto anruft, während auf dem Beifahrersitz jemand dazwischenredet. Auch dieser Clip wurde von Bland erzeugt, nicht mitgeschnitten.
Was Bland unter Sprechertrennung versteht
Laut Bland ist das Modell für Anrufe unter schlechten Bedingungen gebaut: aus fahrenden Autos, aus Krankenzimmern, bei schwachem Signal, mit mehreren Personen im Raum. Es soll Sprecher trennen und bestimmen, an wen ein Satz gerichtet ist. Es soll Sprache von anderen Geräuschen unterscheiden, und Bland nennt als Beispiele ein weinendes Kind, einen Fernseher, ein Auto auf der Autobahn, eine Klinik-Sprechanlage und Tastentöne.
Dazu kommt die Ebene, die in Transkripten komplett verschwindet: Zögern, Frust und Dringlichkeit. Wer das hört, kann anders reagieren, und genau darum geht es bei Anrufen, in denen jemand eine Kündigung, einen Schaden oder eine Frist erklärt und dabei nicht in ganzen Sätzen spricht.
Eine Regel ist dabei bemerkenswert. Wenn Hintergrundgeräusche den Anrufer unverständlich machen, soll das Modell das sagen und um Wiederholung oder einen Ortswechsel bitten, statt zu raten. Ein Modell, das zugibt, nichts verstanden zu haben, ist bei einer Versicherung mehr wert als eines, das selbstsicher falsch liegt. In Deutschland hängt an solchen Sätzen oft ein Vertrag mit Laufzeit.
Die Lücke: keine Parameter, keine Latenz, kein Preis
Und dann ist da, was Bland nicht sagt. Es gibt keine Parameterzahl, keine gemessene Latenz, kein Benchmark-Ergebnis und keinen Preis. Tofu-1 ist geschlossen und läuft bei Bland; Gewichte zum Herunterladen gibt es nicht. Auch die Zahl der gleichzeitig trennbaren Sprecher, die unterstützten Sprachen und die Frage, ob das Modell auf einem Gerät oder ausschließlich in der Cloud läuft, bleiben in der Ankündigung offen. Das ist der Stand einer Research Preview, und es ist besser, das offen zu sagen, als die Lücke mit Schätzungen zu füllen.
Damit lässt sich die Ankündigung nur begrenzt prüfen. Die Beschreibung der Fähigkeiten ist eine Beschreibung. Die Hörproben sind erzeugt. Der TV-Test ist ein Beispiel. Wer wissen will, ob das Modell in einem echten Callcenter funktioniert, braucht Messungen von jemandem, der nicht Bland heißt.
Wer Tofu-1 testen darf: Banken, Kliniken, Versicherungen
Der Zugang ist begrenzt, Interessenten bewerben sich über ein Formular, und Bland sucht Teams, die heikle Telefonate führen: Banken, Gesundheitswesen, Versicherungen und Behörden. Das ist keine zufällige Liste: In diesen Bereichen kostet ein falsch verstandenes Ja Geld oder Recht.
Für den deutschen Markt ist die Frage nach der Zurechnung besonders relevant. Ob eine Aussage von der anrufenden Person stammt, entscheidet mit darüber, ob eine Kündigung oder eine Zusage wirksam ist. Dazu kommt der AI Act der EU, der Transparenzpflichten für Systeme vorsieht, die mit Menschen interagieren. Ein Modell, das Quelle und Adressat einer Äußerung unterscheidet, liefert dafür zumindest die technische Grundlage.
Was unabhängige Messungen erst zeigen müssten
Die entscheidende Kennzahl ist nicht die Wortfehlerrate. Es ist die Frage, wie oft das Modell eine Unterbrechung richtig einordnet und wie schnell es den eigenen Satz aufgibt, wenn jemand korrigiert. Genau hier trennt sich ein full-duplex Modell von einer guten Kaskade, und genau diese Zahl hat bislang niemand von außen gemessen.
Bland hat Tofu-1 als erstes Modell einer geplanten Familie angekündigt. Ob daraus ein Produkt für den Regelbetrieb wird, hängt an Tests, die Bland nicht selbst schreibt. Bis dahin bleibt eine nützliche Beobachtung: Das Unternehmen hat ein Problem beschrieben, das jeder Kundenservice kennt, und die Lösung an einer Stelle gesucht, an der bisher kaum jemand arbeitet.






