Bland attaque un problème très concret : le téléviseur qui répond à la place du client. La démonstration tient debout. Les chiffres, eux, ne sont pas publiés.
Tofu-1 part d'un échec très précis
Une cliente appelle pour résilier une assurance. L'agent lui demande de confirmer. Elle se tait, le temps de retrouver son numéro de contrat. Le téléviseur dans la pièce dit « oui ».
Un agent qui travaille sur une transcription entend un oui net, dans une voix nette. Il résilie.
Combien de fois ce scénario se produit-il dans une journée de production ? Bland ne le chiffre pas, et c'est précisément ce qui rend l'exemple utile : il décrit un cas que tout le monde reconnaît sans avoir besoin d'une statistique.
Bland appelle ce scénario le TV Test, et toute la promesse de Tofu-1 tient dedans. Le problème n'est pas le bruit ambiant. C'est une parole émise par la mauvaise source, et aucun débruiteur ne le règle, parce qu'un téléviseur n'est pas du bruit.
Pourquoi un voice agent en cascade perd l'essentiel
Les agents vocaux actuels fonctionnent en cascade : la parole devient du texte, le texte part vers un modèle de langage, la réponse redevient de la parole.
Chaque saut abandonne quelque chose. Qui parlait. À qui la phrase s'adressait. S'il y avait une hésitation. Si la phrase était finie.
Ce dernier point est celui que Bland martèle, et il est plus important qu'il n'y paraît. Une transcription propre ne dit pas si la personne a terminé sa phrase ou reprend son souffle avant de corriger un chiffre.
Un exemple simple montre la perte. Deux personnes parlent dans la même pièce, l'une s'adresse à l'agent, l'autre commente le match à la télévision. La transcription mélange les deux flux en un seul texte, et rien dans ce texte ne dit qui a dit quoi. Le modèle de langage reçoit une phrase ambiguë, puis doit deviner, alors que l'information manquait dès le départ.
Le full-duplex change ce que l'agent entend
Tofu-1 travaille sur l'audio directement, en full-duplex, donc il peut écouter pendant qu'il parle.
Deux conséquences visibles pour un appelant. Il peut corriger un chiffre au milieu d'une phrase, et l'agent s'arrête au lieu de finir sa relecture. Un « mm-hmm » veut dire continuez. Un « non, c'est 4, pas 9 » veut dire stop.
La différence entre les deux est un jugement à prendre en temps réel, pendant que la voix de l'agent sort encore du combiné.
Le second effet est commercial. Une résiliation prononcée sur un oui venu du téléviseur n'est pas un défaut d'ergonomie, c'est un litige. Un agent qui demande « pouvez-vous confirmer que c'est bien vous ? » avant d'agir coûte quelques secondes, et évite ce type de dossier.
Speech-to-speech : séparer les voix, pas seulement le signal
Le modèle sépare les locuteurs et détermine à qui une phrase est adressée. Il distingue aussi la parole des autres sons d'un appel : un enfant qui pleure, un téléviseur, une voiture sur l'autoroute, un interphone d'hôpital, des tonalités de clavier.
Bland ajoute une capacité qui ne se voit pas dans une transcription : entendre la manière. Hésitation, agacement, urgence.
Et une consigne qui mérite d'être soulignée. Si le fond sonore rend l'appelant incompréhensible, le modèle doit le dire et demander de répéter ou de se déplacer. Deviner est exclu.
Tofu-1 réfléchit pendant qu'il parle, et génère la pièce autour
La conversation et la recherche d'information avancent en parallèle. L'appel ne se bloque pas pendant une vérification, et une demande peut changer en cours de route.
Bland pose une règle explicite : ne pas annoncer une tâche terminée avant qu'elle le soit.
Côté génération, le modèle produit plusieurs locuteurs, des voix qui se chevauchent et le son de la pièce autour. La page publie un extrait de dix secondes : un homme appelle depuis une voiture, un passager parle à côté.
Ce que Bland ne publie pas sur Tofu-1
Aucun nombre de paramètres. Aucune mesure de latence. Aucun benchmark. Aucun prix.
Le modèle est fermé et hébergé par Bland. Il n'y a pas de poids à télécharger, et l'accès passe par une demande, ce qui crée une dépendance à un fournisseur unique, avec des tarifs et des conditions qui peuvent bouger sans préavis.
Le scénario du TV Test est étiqueté comme exemple illustratif, pas comme une sortie enregistrée du modèle. Les extraits audio de la page ont été générés par Bland. Ce n'est pas un tour de passe-passe : c'est l'état normal d'un aperçu de recherche. Le lecteur a le droit de savoir ce qui est démontré et ce qui est simplement décrit.
À qui Tofu-1 s'adresse, et comment y entrer
Bland vise les équipes qui traitent des appels à enjeu : banque, santé, assurance, secteur public. L'accès est limité et se demande par formulaire.
En France, la résiliation d'un contrat d'assurance ou d'une mutuelle passe encore très souvent par un appel téléphonique. La voix d'un client y est une donnée personnelle au sens du RGPD, ce qui pose une question de transfert avant même celle de la qualité.
Tofu-1 ouvre une famille annoncée de modèles speech-to-speech, et l'entreprise ne promet rien sur les suivants. Ce qui décidera de la suite n'est pas la page de démonstration, mais le jour où quelqu'un d'extérieur mesurera le comportement d'interruption, parce que c'est ce chiffre qui tranchera entre un remplacement de cascade en production et un prototype de plus.






