Aller au contenu principal
LLMs · Actu ·

Bland lance Tofu-1, un modèle voix-à-voix full-duplex pour les appels téléphoniques

Bland, la société de voix par intelligence artificielle basée à San Francisco, a lancé Tofu-1 en préversion de recherche, un modèle de parole à parole en full-duplex conçu pour les appels téléphoniques. Contrairement à la plupart des agents vocaux, qui transforment la parole en texte, la confient à un modèle de langage puis resynthétisent la réponse, Tofu-1 traite directement l'audio, si bien que le ton, les hésitations et les bruits de fond restent accessibles au modèle. Bland met en avant trois compétences : le suivi des locuteurs, qui distingue les voix et détermine à qui chacune s'adresse ; la séparation du bruit, capable d'isoler une voix d'un enfant qui pleure, d'une télévision, du trafic autoroutier, d'un interphone d'hôpital ou de tonalités de clavier ; et la perception paralinguistique, qui détecte hésitation, frustration et urgence. L'appelant peut interrompre ou corriger le modèle en pleine phrase, et celui-ci continue d'entretenir la conversation pendant qu'il traite une demande, sans annoncer une tâche comme terminée avant qu'elle ne le soit. Il peut aussi générer des scènes d'appel, avec un second interlocuteur, l'environnement sonore et le bruit de ligne. L'accès est limité à quelques entreprises, la disponibilité étant évoquée pour janvier.

3 min de lecture

Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie

Source

Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →

L'enjeu pour les équipes qui déploient des agents téléphoniques est de simplifier la chaîne : un seul modèle gère l'entrée et la sortie audio, sans transcription intermédiaire, ce qui évite la perte d'information propre aux architectures en cascade. Bland vise des secteurs où les appels se déroulent dans des conditions difficiles, comme la banque, la santé, l'assurance et l'administration, avec des appelants dans une voiture, une chambre d'hôpital ou une zone de faible réception. Son « TV Test » pose une question simple : le modèle peut-il suivre l'appelant tout en ignorant des voix issues d'une autre scène, alors que le son d'une télévision est souvent plus fort que celui de l'interlocuteur ? Bland précise toutefois que sa démonstration du test est illustrative et ne reflète pas une sortie réelle du modèle. Les données publiques restent minces : ni taille du modèle, ni latence, ni tarifs, ni résultats de benchmarks ne sont communiqués, et le seul chiffre avancé, selon lequel plus de 92 % des auditeurs n'ont pas repéré qu'il s'agissait d'une machine lors de tests, provient de l'entreprise elle-même.

Tofu-1 arrive dans un champ de plus en plus occupé par les modèles vocaux en full-duplex. OpenAI propose GPT-Live-1, fermé, avec une latence de prise de parole de 0,798 s sur le benchmark FDB v1 et une délégation des tâches à un modèle en arrière-plan. NVIDIA publie NemotronLabs VoiceChat 11B, un modèle ouvert de 11 milliards de paramètres entraîné sur environ 550 000 heures d'audio et de texte, avec 448 ms de latence et 82,5 % de sélection correcte d'outils sur FDB v3. Block travaille de son côté sur Dessa, entraîné uniquement sur de la parole humaine et réservé à des chercheurs en sécurité. Ces chiffres, issus de chaque éditeur et mesurés sur des versions différentes du benchmark, ne sont pas directement comparables. Bland affirme avoir entraîné Tofu-1 sur des millions d'heures de conversations réelles, mais n'a pas dévoilé l'architecture. Il s'agit du premier modèle d'une famille annoncée, et le formulaire d'inscription, qui demande un volume mensuel d'appels allant de moins de 1 000 à plus de 50 000, confirme une orientation vers les grands comptes.

À lire ensuite

01Block dévoile Dessa, un modèle vocal full-duplex entraîné uniquement sur de la paroleMarkTechPostLLMs 02« OpenAI lance GPT-Live et GPT-Live-1 mini, des modèles vocaux full-duplex qui délèguent le raisonnement complexe à GPT-5.5 »MarkTechPostLLMs 03Alibaba lance Qwen-Audio-3.1-Realtime : un modèle vocal full-duplex qui réfléchit, agit et décide quand parlerMarkTechPostLLMs 
Dossier · OpenAISuivi en continu par Le Fil IASuivre ce sujet →

Le brief du matin

L'essentiel de l'IA chaque jour. Gratuit, désinscription immédiate à tout moment.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription à tout moment

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.