打客服电话时，背景里的电视刚好播到一句台词，电话那头的 AI 会不会直接听成你的指令，顺手把你的保险单给退了？2026 年 11 月 15 日，旧金山语音 AI 公司 Bland 推出研究预览版全双工端到端语音模型 Tofu-1，主打的正是行驶车辆、医院病房和弱信号线路等高噪通话场景。这原本是一次针对传统语音客服痛点的技术升级，但把媒体报道与官方预览页对照着看，却能看出不少公关话术与工程现实之间的错位。
传统的电话语音客服大多采用级联架构，先把语音转成文字，塞给大语言模型思考，再把生成的文字转回语音。这一套流程走下来，不仅多环节叠加导致延迟高，还会把叹气、犹豫、急促等副语言信息全丢掉，遇到旁人插话或电视声音极易误触发。Tofu-1 直接跳过文本转录，用单个模型处理音频输入与输出，边听边说、边查数据边搭话。目前该模型已向银行、医疗、保险和政府领域的有限企业开放申请，申请表单统计的月通话量从 1,000 以下横跨到 50,000+。
概念演示与消失的实测数据
Bland 为 Tofu-1 提炼了三项核心音频能力：分辨不同说话人及对话对象的说话人追踪、剥离哭闹声与高速路胎噪及医院对讲机或按键音的噪音分离，以及听出犹豫和挫败感的副语言识别。为了证明抗噪能力，Bland 抛出了一个极具传播力的电视测试（TV Test）：当来电者保持沉默，而背景里声音更大的电视机突然喊出一句 Yes 时，模型不会把它当成客户同意取消保单的授权指令。
听起来切中要害，但翻开 Bland 官方预览页的小字，画风立刻变了。官网明确把电视测试标注为说明性场景，并非实际录制的模型输出，也没有公布任何测试通过率。网页上那张用来展示流利打断的时序图，同样被标记为概念性示意图，声明图中的片段长度不代表实测延迟。官网放出的两段演示音频，一段是 39 秒的边思考边说话片段，另一段 10 秒的车载乘客说话音频则直接标着由 Bland 模型自己生成。也就是说，他们用自己生成的噪音来演示概念，而不是拿真实外部嘈杂来电做降噪分离实测。
外媒报道与官方源之间还存在多处耐人寻味的落差。原始报道在表格里写着 Tofu-1 用数百万小时真实对话训练、1 月份正式上线，还给出唯一一项自报数据，称筛查中超过 92% 的人听不出它是 AI。但在 Bland 官方预览页上，既没有披露训练数据来源、数据集规模，也没交代是否动用了客户通话录音，更没有写正式发布日期。直到 2026 年 11 月 15 日，全网找不到一段针对 Tofu-1 真实来电打断或电视测试的独立第三方实测音频；第三方评测站 WireTensors 在 11 月 14 日撰文指出，Tofu-1 的核心宣称目前缺乏独立复现。
四条路线同台，Bland 赌的是黑盒托管
把视线拉开，企业语音 Agent 赛道在 2026 年底已经分化出四条截然不同的技术与商业路径。Tofu-1 的入局，本质上是垂直应用商在通用大模型和开源社区之间抢地盘。
| 厂商与模型 | 架构与训练特征 | 硬件与开放程度 | 披露延迟与定价跑分 |
|---|---|---|---|
| Bland Tofu-1 | 全双工端到端、参数与数据未按官网披露 | 闭源、Bland 托管、企业预览 | 延迟未披露、自报超 92% 筛查未识破 |
| OpenAI GPT-Live-1 | 语音前端 + 后端代理（Astra/Terra）分离 | 闭源、OpenAI 托管 API | 0.798s 延迟、语音层 0.05 美元/分钟 |
| NVIDIA VoiceChat 11B | 11B 参数、~550k 小时音频加文本训练 | 开源权重 (OpenMDW 1.1)、A100/H100 等 | 448ms 轮流延迟、FDB v3 选工具 82.5% |
| Block Dessa | 全双工端到端、纯人类语音无文本训练 | 权重未发布、MacBook Pro M4 Max 端侧 | 延迟未披露、仅向安全研究人员开放 |
这四家摆在一起，算盘打得很清楚。OpenAI 的 GPT-Live-1 走的是前后端解耦的标准化商业路线，前端只管按 0.05 美元/分钟收语音交互的过路费（后端调用另计），遇到复杂推理和动作就委托给 Astra 或 Terra 等后端大模型，官方宣称其在 Full Duplex Bench 上比 GPT-Realtime-2.1 提升了 30 个百分点。Block 的 Dessa 走向另一个极端，探索纯人类语音、完全不用文本从头训练，甚至能在单台 MacBook Pro M4 Max 上跑起来。
NVIDIA 则扮演了掀底牌的军火商角色，直接把 11B 参数的 NemotronLabs VoiceChat 开源，连同语音编码器、LLM 骨干、语音解码器和独立工具调用通道全部摊在桌面上。相比之下，Bland 既不公布模型参数量，也不交出基准跑分和价格，靠一套针对电信高噪场景定制的闭源托管黑盒，直接去敲银行和医院的门。
能接话不等于能办事：33% 通过率揭开的行业伤疤
我不买账的地方就在这里。Bland 花了大量篇幅渲染模型能边干活边陪聊，且绝不在任务完成前瞎报喜，却对工具调用的真实准确率绝口不提。《韩非子》里讲，夫言行者，以功用为之的毅者也。放到企业级电话 AI 上，陪聊的语气再逼真，最后调不对后台接口、改错客户保单，这通电话就是负资产。
外行看全双工语音模型，最容易被几百毫秒的延迟数字迷惑。比如 NVIDIA 的 11B 模型在 FDB 1.0 基准上测出 448 ms 的平滑轮流说话延迟和 480 ms 的用户打断延迟，OpenAI 在 FDB v1 上也是 0.798 秒。但要看清全双工基准（Full Duplex Bench）的门道，就必须把版本拆开看：v1.0 测的是停顿、附和与打断，v1.5 测重叠语音与背景人声，v2 测自动化考官多轮交互，到了 v3 才真正进入深水区，专门测自然口语里带着停顿、口误、临时改口状态下的工具调用。
嘴上秒回一句好的请稍等，不代表脑子里听懂了你刚改口的银行卡号。
2026 年 4 月 6 日发布的 FDB v3 原始论文早就捅破了这层窗户纸：模型发出语音附和（Acknowledgment）的延迟，与后台工具真正执行完成的时间完全是两码事。很多媒体只抄了 NVIDIA 在 FDB v3 上 82.5% 的工具选择准确率，却漏掉了后面两组扎眼的数字。一旦进入真实口语那种吞吞吐吐、说到一半改主意的场景，NVIDIA 11B 模型的参数提取准确率立刻掉到 44.2%，一次通过率（Pass@1）更是只有 33%，其在 AU Harness BFCL-v3 上的平均分也仅为 56.1%。即便强如 GPT-Realtime，在 FDB v3 论文里的实时语音工具调用 Pass@1 也只有 60%。
这很像早年自动电话总机刚替代人工接线员的年代。机器把接通速度提上去了，但如果转接拨号盘的抗脉冲干扰不过关，风吹草动就拨错分机，急救电话和银行汇兑根本不敢往上搬。今天的全双工端到端语音模型正卡在同一个关口。跳过文本转录确实保住了情绪和低延迟，但也把口语里的犹豫、涂改和背景杂音一股脑全塞进了同一个黑盒。模型既要稳住场子闲聊，又要从一团乱麻的音频流里精准抠出身份证号或药名去调接口，顾此失彼是常态。
- 风险.银行、医疗、保险及政府机构的 IT 采购团队如果只听信概念性的电视测试，不要求厂商实测口语自我纠正下的 Pass@1 工具调用准确率，极易在生产环境中引发保单误操作或医疗信息错漏。
对于正在做技术选型的语音 Agent 团队来说，眼下没必要被端到端黑盒的宣传冲昏头。如果业务场景重度依赖复杂 API 调用和精准参数提取，OpenAI 那种前端语音交互加后端推理代理的分离式方案，或者基于开源模型外挂独立校验通道，反而更容易管住风险。至于把宝押在严肃高价值行业的 Tofu-1，接下来只需盯死两件事：首批内测企业流出的真实高噪通话录音到底有没有翻车，以及 FDB v1.5（背景人声）和 v3（口语工具调用）的公开榜单上，Bland 敢不敢把自己的真实分数亮出来。