Tofu-1 é o novo modelo de fala para fala da Bland voltado a chamadas em que um erro de interpretação tem consequência prática — como atendimento bancário, saúde, seguros e serviços públicos. Em vez de seguir a cadeia tradicional que transforma áudio em texto, consulta um modelo de linguagem e volta a sintetizar voz, a empresa afirma que o Tofu-1 trabalha diretamente com o contexto sonoro: separa interlocutores, acompanha interrupções e mantém a conversa ativa enquanto executa uma tarefa. Em 15 de novembro de 2026, o produto estava em research preview limitado a empresas.
O que a Bland está anunciando
A Bland descreve o Tofu-1 como um modelo full duplex speech-to-speech. “Full duplex” significa que o sistema pode ouvir e falar ao mesmo tempo, uma propriedade importante em telefonemas reais: a pessoa confirma com um “aham”, interrompe para corrigir um número ou muda uma informação enquanto o atendente ainda está falando.
O foco declarado não é uma conversa de demonstração em ambiente silencioso. A página de pesquisa usa cenários de ligação com sinal ruim, ruído de carro, televisão ao fundo, várias pessoas no mesmo ambiente e interrupções. A proposta é preservar informações que costumam se perder quando o áudio é reduzido apenas a uma transcrição: quem falou, para quem a fala era dirigida, se há sobreposição de vozes e aspectos de prosódia, como hesitação, urgência ou frustração.
O acesso ainda não é um lançamento geral. A Bland abriu uma lista para o programa de pesquisa e diz procurar equipes que lidam com chamadas de alto risco em setores como bancos, saúde, seguros e governo. Portanto, não há na fonte oficial uma promessa de disponibilidade ampla, preço público, API documentada ou métricas independentes de precisão e latência.
Por que a arquitetura fala-para-fala muda o problema
Grande parte dos agentes de voz funciona como uma cascata: reconhecimento automático de fala converte áudio em texto; um modelo de linguagem interpreta o texto e formula a resposta; por fim, um sintetizador gera a voz. Essa arquitetura é útil e difundida, mas a transcrição pode simplificar demais uma chamada. Um texto pode registrar as palavras corretamente e, ainda assim, não indicar se a pessoa estava falando com o atendente, com uma criança ao lado ou reagindo à televisão.
Segundo a Bland, o Tofu-1 mantém o áudio como sinal disponível ao modelo, em vez de depender somente de palavras transcritas. A empresa afirma que isso permite distinguir falantes, atribuir uma frase ao interlocutor correto e separar fala de sons ambientais, incluindo tons de teclado e ruído de linha. Essa é uma alegação de produto do fabricante; a página não apresenta um benchmark comparativo reproduzível contra sistemas em cascata.
O “teste da TV” explica um risco pouco óbvio
Um dos exemplos mais claros da apresentação é o chamado “TV Test”. Imagine que um agente pergunta se o cliente deseja cancelar uma apólice. O cliente ainda procura o número do contrato e não responde, mas uma televisão no ambiente diz “sim”. Um agente baseado apenas em transcrição pode associar essa palavra ao cliente e tomar uma ação indevida.
A Bland usa esse cenário como ilustração conceitual, não como resultado gravado do modelo. Mesmo assim, ele aponta uma diferença relevante entre remover ruído e compreender uma cena sonora: uma TV não é necessariamente ruído; é fala inteligível de uma fonte errada. Para um sistema de atendimento, a questão não é só reconhecer palavras, mas atribuí-las ao falante e ao contexto corretos.
A própria empresa reconhece um limite importante: se o ruído torna a fala do cliente impossível de entender, o sistema deve pedir repetição ou solicitar um local mais silencioso, e não adivinhar o conteúdo. Essa ressalva é essencial em operações que envolvem identidade, pagamentos, saúde ou benefícios.
Interrupções, correções e tarefas em andamento
O segundo pilar do Tofu-1 é a simultaneidade entre conversa e trabalho. A Bland descreve situações como verificar identidade, consultar o status de uma solicitação, buscar benefícios ou confirmar um pagamento. Enquanto a consulta acontece, o agente poderia reconhecer a demanda, orientar a pessoa e continuar atento a uma correção feita no meio da ligação.
Há uma diferença crítica entre manter a conversa e declarar uma tarefa concluída. Se uma pessoa corrige uma data de consulta enquanto a busca está em andamento, a resposta final precisa refletir a informação mais recente. A Bland afirma que o Tofu-1 foi projetado para não apresentar um resultado como concluído antes de a operação terminar. A implementação concreta — integrações, ferramentas usadas, controles transacionais e auditoria — não é detalhada na página de pesquisa.
A página também apresenta duas amostras de áudio geradas pela empresa: uma conversa em carro com ruído e uma agente que continua conversando enquanto consulta informações. Elas ajudam a entender a direção do produto, mas não substituem testes de qualidade feitos por terceiros ou validação em uma operação de produção.
Principais recursos declarados
- Compreensão de áudio: identificação de vozes, interlocutores e sons do ambiente, segundo a Bland.
- Fala e escuta simultâneas: capacidade de receber interrupções e correções durante a própria resposta.
- Geração de cenas sonoras: a empresa afirma que o modelo pode produzir múltiplas vozes, falas sobrepostas e ambiência de chamada.
- Raciocínio durante a conversa: o sistema mantém a interação enquanto uma tarefa é processada, em vez de ficar em silêncio até o fim.
- Recusa a adivinhar áudio incompreensível: a orientação declarada é pedir confirmação quando o sinal não permite entendimento confiável.
Onde esse tipo de modelo pode ser útil
Em uma central de seguros, separar a voz do cliente da conversa de familiares pode evitar a captura de uma instrução errada. Em saúde, uma correção de data, nome ou medicamento não pode ser tratada como mera interrupção irrelevante. Em serviços públicos, chamadas feitas em ambientes ruidosos podem exigir confirmação explícita antes de registrar uma solicitação. Em atendimento financeiro, atribuir uma confirmação à fonte correta é parte do controle de fraude e de contestação.
Esses casos de uso explicam por que o posicionamento da Bland é mais específico que “voz natural”. Naturalidade é desejável, mas em chamadas de alto impacto a prioridade é saber quando escutar, quando pedir confirmação e quando não executar uma ação. A qualidade real dependerá também do desenho do fluxo, das permissões da ferramenta conectada e da supervisão humana.
Limitações e perguntas em aberto
- A página oficial não divulga taxas de erro, latência medida, idiomas suportados, disponibilidade por país ou preços.
- As demonstrações e cenários foram produzidos pela própria Bland; ainda faltam avaliações independentes em condições e bases comparáveis.
- Um modelo melhor em áudio não elimina exigências de privacidade, consentimento de gravação, retenção de dados e trilhas de auditoria.
- Operações sensíveis precisam limitar quais ações o agente pode executar sem confirmação adicional, mesmo quando a interpretação de voz parece correta.
- O produto está em programa de pesquisa limitado; recursos e comportamento podem mudar antes de uma oferta comercial.
Análise do NoticIA: o avanço está na atribuição, não só na voz
Na análise do NoticIA, o ponto mais interessante do Tofu-1 é tratar uma ligação como uma cena com múltiplas fontes, e não como uma sequência limpa de frases. Isso ataca uma falha prática de agentes telefônicos: a transcrição pode ser perfeita no nível das palavras e ainda estar errada no nível da intenção. Atribuir “sim” à TV, ao passageiro ou ao cliente muda completamente a segurança da ação seguinte.
Mas essa arquitetura não deve ser confundida com autorização para automatizar decisões críticas sem freios. Para bancos, hospitais e órgãos públicos, o desenho responsável continua exigindo confirmação de dados sensíveis, registro de eventos, limites de ação, revisão humana para exceções e testes com ruído representativo do público atendido. O teste decisivo não será apenas soar humano; será reduzir erros de atribuição sem criar confiança excessiva em um sistema ainda em preview.
Resumo
- Tofu-1 é um modelo de fala para fala da Bland voltado a chamadas complexas e de alto impacto.
- A proposta é ouvir e falar simultaneamente, preservando contexto sonoro além da transcrição.
- A Bland afirma que o modelo distingue interlocutores, lida com fala sobreposta e continua a conversa durante tarefas.
- Não há, na fonte oficial, benchmarks independentes, preços, suporte de idiomas ou disponibilidade geral.
- O acesso estava restrito a um research preview para empresas em 15 de novembro de 2026.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
