Bland ha presentado Tofu-1, su modelo de voz full-duplex, con una vista previa para un número limitado de empresas. La promesa no es una voz más natural, sino saber quién habla y a quién va dirigida cada frase.
La prueba del televisor que Tofu-1 quiere pasar
Una clienta llama para cancelar un seguro. Le piden confirmación. Ella se queda callada mientras busca el número de póliza, y el televisor del salón dice que sí. Un agente que trabaja sobre transcripción oye un "sí" claro, con voz clara, y tramita la baja.
Bland llama a esto la prueba del televisor. El problema no es el ruido. El televisor no es ruido: es habla humana, dirigida a otra persona, en la misma habitación. Ningún filtro de cancelación lo distingue de la clienta.
Tofu-1 está diseñado para atribuir ese "sí" al televisor y pedir a la clienta que confirme.
Qué es un modelo full-duplex y qué cambia
Casi todos los agentes de voz actuales son cascadas. Convierten el audio en texto, pasan el texto a un modelo de lenguaje y devuelven la respuesta a voz. Cada salto pierde información: quién hablaba, a quién se dirigía, si dudó, si había terminado.
Un modelo full-duplex trabaja sobre el audio y escucha mientras habla. No espera a que el otro termine para procesar lo que oye. En una llamada real, esa diferencia se nota en cosas pequeñas.
El cliente corrige un dígito a mitad de frase y el agente se para, en lugar de terminar de leer el número equivocado. Alguien dice "ajá" y la conversación sigue. Alguien dice "no, es un cuatro" y la conversación se detiene. Decidir cuál de las dos cosas acaba de pasar mientras todavía estás hablando es el trabajo difícil.
Bland deja atrás la cascada de speech-to-speech
Bland presentó el modelo el 13 de noviembre y la página de producto se conoció el 15. Lo describe como su primer modelo de speech-to-speech, el primero de una familia que piensa ampliar. No es código abierto y no hay pesos para descargar.
La arquitectura resuelve tres tareas que en una cascada se hacen por separado. Separa hablantes, calcula a quién va dirigida una frase y aparta el habla de los demás sonidos de la llamada: un niño llorando, un intercomunicador de hospital, los tonos del teclado, el motor del coche.
También dice escuchar cómo se dice. La duda, la prisa y la frustración viajan en el tono, y una transcripción las borra.
Pensar mientras habla: la consulta en paralelo
La segunda capacidad que Bland destaca es que la conversación y la consulta corren a la vez. El agente no se queda mudo mientras comprueba una póliza o mira un saldo. La compañía añade una regla sensata: el modelo no debe decir que una tarea está hecha antes de que lo esté.
En una llamada de seguros, eso separa un agente útil de uno que promete una gestión que nunca ocurrió. Y si el cliente cambia de idea a mitad del trámite, la respuesta tiene que reflejar lo último que dijo, no lo primero.
Interrumpir no es lo mismo que confirmar
Bland distingue dos interrupciones que suenan parecido y significan lo contrario. Un "mm-hmm" es un acuse de recibo: el agente sigue. Un "no, es el 4, no el 9" es una corrección: el agente se para y rehace el dato.
Un sistema que trata las dos igual falla en una de las dos direcciones: o se calla cada vez que el cliente respira, o ignora una corrección y sigue leyendo el dato equivocado como si nada hubiera pasado.
Hay un tercer caso, menos lucido y más honesto. Si el sonido de fondo hace imposible entender al cliente, la instrucción de Bland es decir que no se entiende y pedir que repita o que se mueva. Adivinar es peor que preguntar.
Los datos que Bland no ha publicado
Aquí conviene ser explícito, porque es la parte que decide si esto sirve. Bland no ha publicado número de parámetros, ni latencia, ni resultados de benchmark, ni precio. No hay una sola cifra de rendimiento en la presentación.
Tampoco hay una llamada real. La escena del televisor está etiquetada como ejemplo ilustrativo, no como salida grabada del modelo. Los audios de demostración los generó Bland, incluido un clip de diez segundos de un hombre que llama desde el coche mientras habla un pasajero.
Eso no es una trampa. Es el estado normal de una vista previa de investigación. Pero quien lea titulares sobre un agente que "entiende de verdad" debería saber qué está viendo: una descripción de comportamiento, no una medición.
¿Se puede evaluar un modelo así sin una sola cifra?
Mal.
Para qué voice agent de alto riesgo
Bland busca equipos que atiendan llamadas donde un error cuesta dinero o derechos: banca, salud, seguros y administración pública. El acceso se pide con un formulario.
La elección tiene lógica. En España, cualquiera que haya llamado a su banco o a su aseguradora en los últimos años conoce el menú de voz y la espera. Esas llamadas mueven cancelaciones, reclamaciones y datos personales. Un "sí" mal atribuido no es una anécdota, es un contrato.
También es donde el acento importa. Un modelo entrenado con inglés estadounidense puede rendirse con un castellano rápido, con un andaluz cerrado o con alguien que mezcla español y catalán en la misma frase.
Qué habría que medir para creérselo
La pregunta útil no es si la voz suena humana. Es cuántas veces el modelo acierta al decidir si una frase iba dirigida a él, y cuántas veces interrumpe cuando debería callar o calla cuando debería parar.
Ese número no existe todavía en público. Cuando alguien independiente lo mida, se sabrá si Tofu-1 sustituye una cascada en producción o se queda en una demo muy bien contada. Mientras tanto, la prueba del televisor es una buena pregunta de entrevista para cualquier proveedor de voice agent.






