L'ESSENTIEL EN 30 SECONDES
- Tofu-1 est un modèle parole-à-parole full-duplex : il peut écouter et parler simultanément, et continuer à raisonner en parlant.
- Bland affirme qu'il sépare la voix de l'appelant de sons comme la télévision, la circulation, les pleurs d'enfant ou les annonces d'hôpital.
- L'accès se fait via un aperçu de recherche réservé à un nombre limité d'entreprises ; aucun banc d'essai, temps de latence ni tarif n'a été publié.
L'entreprise d'IA vocale Bland, basée à San Francisco, a présenté Tofu-1, un modèle parole-à-parole pensé pour les appels passés depuis une voiture, une chambre d'hôpital ou un logement animé. Glitchwire date l'annonce au 13 novembre. Bland présente Tofu-1 comme le premier d'une future famille de modèles parole-à-parole et le destine aux équipes de la banque, de la santé, de l'assurance et des administrations qui traitent des appels sensibles.
Ce que le modèle est censé faire
Tofu-1 fonctionne en full-duplex : il peut entendre et parler au même moment, au lieu d'attendre strictement son tour. Selon la page produit de Bland, l'appelant peut l'interrompre ou le corriger en pleine phrase, et le modèle doit distinguer un simple acquiescement comme « mm-hmm » d'une correction qui exige qu'il s'arrête. Il est aussi conçu pour poursuivre la conversation pendant qu'il effectue des tâches comme une vérification d'identité ou la confirmation d'un paiement, et Bland assure qu'il n'annoncera pas une tâche comme terminée avant qu'elle le soit.
L'argument principal reste la gestion du bruit. Bland affirme que Tofu-1 isole la voix de l'appelant de sons comme une télévision, un enfant qui pleure, le bruit de la route, un interphone d'hôpital ou les tonalités du clavier, et qu'il identifie à qui chaque phrase s'adresse. L'entreprise décrit un « test de la télé », dans lequel le modèle doit suivre l'appelant même quand un téléviseur est plus fort que lui. Si l'appelant reste incompréhensible, la page indique que le modèle doit lui demander de répéter ou de s'isoler plutôt que de deviner. Tofu-1 peut aussi générer des scènes sonores complètes, avec un second interlocuteur et un fond sonore.
Ce qui n'a pas été démontré
La page de Bland ne contient ni banc d'essai, ni taux de précision, ni mesure de latence, et qualifie son schéma temporel de conceptuel. Glitchwire rapporte une affirmation de l'entreprise selon laquelle plus de 92 % des auditeurs, lors de projections privées, n'ont pas su distinguer Tofu-1 d'un enregistrement réel ; la méthode n'a toutefois pas été publiée et aucun test indépendant n'existe. La taille du modèle, les langues prises en charge et les tarifs ne sont pas communiqués.
L'accès se limite à un aperçu de recherche ouvert à un petit nombre d'entreprises, qui postulent via un formulaire sur le site de Bland ; la page ne mentionne aucune date de disponibilité générale. Glitchwire souligne enfin que des voix et des ambiances sonores synthétiques convaincantes posent la question des hypertrucages et de la vérification des appelants, un enjeu sensible dans les secteurs réglementés que vise Bland.
