AI
Bland、通話特化の全二重音声AIモデル「Tofu-1」をエンタープライズ向けプレビュー公開
2026/11/17
Bland、通話向け全二重音声モデル「Tofu-1」を発表
サンフランシスコのボイスAIスタートアップBlandが、フルデュプレックス(全二重)の音声to音声モデル「Tofu-1」をエンタープライズ向け研究プレビューとして公開した。MarkTechPostが伝えたところによれば、Tofu-1は走行中の自動車内、病院の病室、電波の弱い回線など、ノイズが多く条件の厳しい電話通話環境での利用を主な用途として設計されている。
従来の「カスケード型」と何が違うのか
これまで多くの音声エージェントは「カスケード型」と呼ばれる構成を採用してきた。まず音声をテキストに変換し、そのテキストを言語モデルに渡し、返答をまた音声に変換するという三段階の処理だ。Tofu-1はこの中間のテキスト変換ステップを介さず、音声を直接入力として受け取り、音声として出力すると報告されている。これにより、話者のトーン、ためらい、背景音といった情報が失われずにモデルに届くとBlandは主張しているが、内部アーキテクチャの詳細は公開されていない。
主な機能
Blandがプロダクトページに掲載している機能は以下の3点だとMarkTechPostは伝えている。
- 話者トラッキング: 複数話者を識別し、誰が誰に話しかけているかを判断する
- ノイズ分離: 子どもの泣き声、テレビ音、高速道路の騒音、病院の館内放送、キーパッド音などから話者の声を分離する
- パラ言語理解: ためらい、苛立ち、緊急性といった感情的なニュアンスを音声から読み取る
また、全二重動作により通話者は相手の発話中に割り込みや訂正が可能で、Tofu-1はリクエストを処理しながら会話を継続し、処理が完了した段階でのみ結果を報告するとされている。さらに音声シーン生成機能として、第二の話者や周囲の環境音、回線ノイズを含む通話音声を合成する能力も持つとされている。
「TVテスト」とは
Blandが独自に設けたデモとして「TVテスト」が紹介されている。これはテレビの音声(しばしば通話者より大きい音量)が流れる環境で、モデルが通話相手の声だけを正しく追跡できるかを確かめるものだ。ただしBland自身がこのデモを「説明用の例示であり、モデルの実際の出力を収録したものではない」と明記しているとMarkTechPostは指摘している。
競合モデルとの比較
MarkTechPostが掲載した比較表によれば、フルデュプレックス音声モデルとしてはOpenAIの「GPT-Live-1」、NVIDIAの「NemotronLabs VoiceChat 11B(11Bパラメータ、オープンウェイト)」、Blockの「Dessa」などが存在する。ターンテイキング遅延はOpenAI GPT-Live-1が0.798秒、NVIDIAが448ミリ秒と各社が公表しているのに対し、Tofu-1はこれらの数値を一切公開していない。なお、各社のベンチマーク結果は異なるバージョンの評価セットを使用しており、直接比較はできないと同記事は注記している。
自社データの唯一の数値
Blandが自社で言及している唯一の数値は「スクリーニングテストにおいて92%以上の参加者がTofu-1を人間と見分けられなかった」というものだとされている。ただしこれは自己申告の数値であり、第三者によるベンチマーク結果ではない点には注意が必要だ。
アクセスと対象業界
現時点でのアクセスは限定的なエンタープライズ研究プレビューとなっており、銀行、医療、保険、政府機関を対象業界として挙げているとMarkTechPostは伝えている。申し込みフォームでは月間通話量(1,000件未満から50,000件超まで)の入力が求められる。Blandは2026年1月の一般提供開始を示唆しているとされているが、モデルサイズ、レイテンシ、価格に関する情報はまだ公開されていない。
まとめ
Tofu-1はBlandにとって初のフルデュプレックス音声モデルであり、同社はこれを「計画されている音声to音声モデルファミリーの最初のリリース」と位置づけているとMarkTechPostは報告している。競合他社が遅延やツール活用スコアなどの定量的指標を公開しているなか、Tofu-1の客観的な性能評価は現時点では難しい状況だ。エンタープライズプレビューへの申し込みはBlandの公式サイトから受け付けている。
出典: Bland Launches Tofu-1, a Full-Duplex Speech-to-Speech Model for Calls