A Bland apresentou o Tofu-1 como um modelo de voz que escuta enquanto fala, feito para ligações em que o som de fundo não é ruído. A empresa não publicou parâmetro, latência, resultado de teste nem preço.
O teste da televisão que o Tofu-1 precisa passar
A cliente liga para cancelar o seguro. O atendente automático pede confirmação, ela fica calada procurando o número da apólice, e a televisão na sala responde que sim.
Um agente que trabalha sobre transcrição ouve um sim claro, em voz clara, e cancela o plano. Esse é o cenário que a Bland chama de teste da televisão, e ele resume a aposta do Tofu-1.
A empresa é explícita: o caso é ilustração, não gravação de uma ligação real. Serve para mostrar o tipo de erro que ela quer evitar, e o erro não é barulho. É fala da fonte errada.
Remover ruído não resolve isso. A televisão não é ruído. É uma voz humana dizendo uma palavra que o sistema entende como resposta.
Por que o voice agent em cascata perde informação
Quase todo voice agent em produção hoje é uma cascata. O áudio vira texto, o texto vai para um modelo de linguagem, e a resposta volta como áudio.
Cada salto descarta coisa. Quem estava falando, para quem a frase era dirigida, se a pessoa hesitou, se ela tinha terminado de falar. O texto final guarda as palavras e joga o resto fora.
O Tofu-1 trabalha no áudio, num laço de full-duplex. Ele pode ouvir enquanto fala, o que uma cascata não faz sem truque: o microfone fica mudo enquanto o alto-falante está ligado, ou o sistema tenta cancelar o próprio som e cancela junto a interrupção do cliente.
A Bland diz que o modelo separa falantes, identifica para quem a frase foi dita e isola a fala dos outros sons da ligação. A lista inclui criança chorando, televisão, carro na estrada, interfone de hospital e o bipe do teclado do telefone.
A empresa também afirma que o modelo escuta como a frase foi dita, com hesitação, irritação e pressa.
O que full-duplex muda numa ligação de atendimento
Numa cascata, o cliente que corrige um dígito no meio da leitura costuma ouvir o resto do número antes de ser atendido. O modelo termina o que começou.
Com full-duplex, o agente para. A Bland descreve duas interrupções diferentes, e a distinção é a parte útil: um "ã-hã" quer dizer continue, e um "não, é 4, não 9" quer dizer pare e refaça.
Decidir qual das duas coisas está acontecendo, enquanto a própria voz do agente ainda está no ar, é o trabalho de verdade. Dá para fazer isso olhando só para o texto transcrito? Não.
Tem um limite que a empresa admite. Se o som de fundo deixa o cliente impossível de entender, o modelo deve dizer isso e pedir para repetir ou mudar de lugar. Chutar não é opção.
Pensar enquanto fala no Tofu-1
A segunda promessa é a consulta em paralelo. A conversa e a busca na base rodam juntas, então a ligação não fica parada num silêncio enquanto o agente confere um dado.
A Bland diz que o modelo também não anuncia tarefa concluída antes de concluir. Parece detalhe, e não é: quem já ouviu "seu cancelamento foi registrado" e descobriu depois que nada aconteceu sabe o tamanho do problema.
O cliente pode mudar o pedido no meio do trabalho, e a resposta precisa refletir a última coisa que ele disse. Numa arquitetura em cascata, isso exige reescrever o estado da conversa a cada turno. Aqui, a empresa trata como parte do mesmo laço.
O Tofu-1 também gera áudio, com várias vozes ao mesmo tempo
O modelo não só entende áudio. Ele gera.
A Bland diz que o Tofu-1 consegue produzir vários falantes, vozes sobrepostas e o som do ambiente em volta, e publicou um clipe de dez segundos como amostra: um homem falando de dentro do carro enquanto o passageiro comenta algo.
É capacidade incomum em modelo de atendimento, e faz sentido para treinar e testar o próprio modelo em condições ruins. Também abre porta para simular um call center inteiro.
O clipe foi gerado pela Bland. Não é gravação de cliente.
O que a Bland não publicou sobre o speech-to-speech
Nada.
Sem contagem de parâmetros, sem latência medida, sem placar de benchmark, sem preço.
O Tofu-1 é fechado e hospedado pela Bland. Não há pesos para baixar, então ninguém vai rodar uma versão local para conferir o comportamento por conta própria.
Numa categoria em que todo lançamento chega com tabela comparativa, a ausência é o dado mais informativo. O material disponível é descritivo: o que o modelo faria, não o que ele fez numa medição.
Isso não é acusação. É o estado de uma prévia de pesquisa, e o leitor merece saber quais afirmações foram demonstradas e quais foram descritas.
Quem a Bland quer na lista de espera
O acesso é limitado e passa por formulário. A empresa está recrutando equipes que atendem ligações de alto risco em banco, saúde, seguro e governo.
Faz sentido pelo problema escolhido. É nesses setores que uma confirmação errada custa dinheiro de verdade, e onde o teste da televisão deixa de ser curiosidade.
No Brasil, o roteiro é familiar para qualquer pessoa que já tentou cancelar internet ou plano de saúde por telefone: atendente virtual, protocolo, transferência, confirmação. Um erro de atribuição no meio desse caminho vira cobrança no mês seguinte.
E tem um detalhe local que muda o cálculo. Boa parte do atendimento brasileiro migrou para o WhatsApp, onde o problema não é a televisão falando ao fundo, e sim o áudio encaminhado, a mensagem de voz picada e o print fora de contexto. Um modelo feito para ligação de voz não cobre esse terreno.
O número que decide se o Tofu-1 substitui um cascade
A interrupção é o ponto de virada. Um agente que para na hora certa e distingue confirmação de correção parece humano o bastante para continuar. Um que atropela o cliente, não.
Só que essa é justamente a parte que a Bland não mediu em público. Sem latência, sem taxa de interrupção correta, sem teste de terceiros, o Tofu-1 é uma tese bem argumentada sobre arquitetura, não um produto comparável.
Vale acompanhar duas coisas. A primeira é se algum cliente da prévia vai falar em nome próprio sobre o comportamento em produção. A segunda é se a Bland publica a medição que falta antes de abrir o acesso geral da família de modelos speech-to-speech que promete construir.






