BlandのTofu-1は、通話の相手を取り違えないために作られた音声モデルだ。話しながら聞くfull-duplexで、テレビの「はい」を契約者の同意にしないことを狙う。パラメータ数も遅延も価格も公表されていない。
Tofu-1が解こうとしているのはテレビの「はい」だ
保険の解約確認の電話を思い浮かべる。契約者は口座番号を探して黙り、その部屋のテレビが「はい」と言う。文字起こしベースのエージェントには、はっきりした声ではっきり同意したように聞こえ、契約者の意思を確かめないまま手続きが進む。
Blandはこの場面をTV Testと呼び、Tofu-1の売り込みをその中に置く。問題は雑音ではなく、出どころの違う発話だ。テレビは雑音ではないので、雑音除去では直らない。
Blandがカスケードと呼ぶ、今のvoice agentの作り
現在のvoice agentは、音声をテキストにし、テキストを言語モデルに渡し、返答をまた音声に戻す連鎖で組む。この跳び方のたびに、誰が話したか、誰に向けて話したか、言い淀んだか、言い終えたかが落ちる。声色や間の取り方も、変換の過程で薄くなる。
Tofu-1は音声を直接扱い、full-duplexのループで回す。だから話しながら聞ける。Blandが想定するのは、走る車の中、病院の個室、電波の弱い場所、複数の人が同時に話す場面だ。
full-duplexが変える割り込みの判断
実務で効くのは割り込みの扱い。契約者が読み上げの途中で桁を訂正すれば、最後まで読まずに止まる。短い相づちなら続行、訂正なら停止。この2つを区別する判断を、モデルはまだ話している最中に下す。
聞き取れないときの振る舞いも決めてある。周囲の音で契約者の声が取れなければ、推測せずに聞き返すか、場所を移すよう頼む。
Tofu-1は誰に向けた発話かを切り分ける
Blandの説明で具体的なのはここだ。話者を分け、その一言が誰に向いているかを決め、発話を他の音から切り離す。想定されているのは、泣いている子ども、テレビ、高速道路を走る車、病院のインターホン、キーパッドの操作音。通話の現場で日常的に混ざる音ばかりである。
言い方も拾う。言い淀み、いらだち、急ぎたさ。内容が同じでも、この違いで次の一手は変わる。
Tofu-1が話しながら考える、という2つ目の主張
通話と照会を並行で走らせるので、保険金の確認中に通話が止まらない。Blandは、終わっていない作業を終わったと言わないことを明示し、途中で要件が変われば最後の発話に合わせ直すとしている。
Tofu-1は複数の話者と部屋の音まで作る
生成側も普通ではない。複数の話者、重なる声、その場の環境音を作れる。Blandは車の中から男が電話し、同乗者が話す10秒のクリップを公開した。ただし合成音声だ。
BlandにとってTofu-1は最初の1台だ
Tofu-1は、Blandが予定するspeech-to-speechモデル群の1作目にあたる。重みは公開せず、同社がホストする形を取る。研究プレビューの枠は限られ、企業からの申請で埋める。
Tofu-1には数字がない、という事実を置く
パラメータ数、遅延の実測、ベンチマーク、価格のどれも出ていない。モデルは非公開で、Blandがホストする。TV Testは記録された出力ではなく説明用の例で、デモ音声もBlandの生成だ。
研究プレビューとしては不思議ではないが、実演された主張と、言葉で説明された主張は分けて読む必要がある。
voice agentを入れる側の判断材料
対象は銀行、医療、保険、行政の高リスク通話。アクセスは申請制で、枠は限られる。日本の保険会社や自治体の窓口のように、録音と説明責任が重い現場ほど、誰が言ったかを分ける価値は大きい。地方の電波の悪い場所や、高齢の契約者が多い窓口では、聞き返しの設計がそのまま品質になる。
では、導入する側は何を見ればいいのか? 判断が分かれるのは、割り込みの挙動を第三者が測れるかどうかだ。そこが測れれば、カスケードを置き換える根拠になる。今のところ、割り込みの挙動を測った数字はBlandの外に一つもなく、導入を決める側は主張と設計図だけを見て判断することになる。






