AI電話エージェントを開発するBlandが、音声を聞き取りながら発話も続けられる音声モデル「Tofu-1」を研究プレビューとして紹介した。

従来の音声ボットが苦手としてきた「回答の途中で利用者が訂正する」「相手の背後で別の声が聞こえる」といった場面を念頭に、より自然な会話の実現を目指している。

Blandは研究プレビューへの参加申請を受け付けている。一方、誰でも利用できる正式版の公開や料金は確認できないため、デモで示した能力と実際の提供条件を分けて見ていこう。

Tofu-1は聞き取りと発話を並行処理するfull-duplex型の音声モデル

Tofu-1の中心となるのは「full-duplex(全二重)」と呼ばれる対話方式だ。相手の音声を受け取りながら自分の音声を出すことで、会話の両方向を同時に扱う。

一般的な音声エージェントには、音声認識(ASR)で文字に変換し、言語モデルが回答を作成し、音声合成(TTS)で読み上げる構成がある。この方式では「相手の発話が終わる→考える→話す」という区切りが目立ちやすい。

Blandが示すTofu-1の狙いは、こうしたターンの切り替えを滑らかにし、AIが話している最中に利用者が話しかけても、その新しい情報を会話に反映できるようにすることだ。処理の具体的な実装や性能測定条件は、今後の技術資料を確認する必要がある。

従来の電話AIとの違いは、途中の訂正や雑音のある会話への対応

AIが説明中に割り込まれても、次の応答へつなげる

例えば配送窓口でAIが「お届けは火曜日の予定です」と案内している途中、利用者が「受取先は会社に変更したい」と発言したとする。会話を同時に聞き続けられる設計なら、AI側が説明を一方的に完結させるよりも、訂正に合わせて話題を切り替えやすい。

ただし、これは活用を考えるための例であり、Tofu-1が物流システムと連携して住所変更を完了できるという発表ではない。手続きの実行には別途認証や業務システム連携が必要だ。

複数の声や生活音がある電話環境を想定

通話ではテレビの音声、家族の会話、車内の騒音などが相手の声に重なる。Blandは、話者を区別して誰に話しかけているかを捉えることや、周囲の雑音から声を分離することをTofu-1の特徴として紹介している。また、複数の話者や環境音を含む音響シーンの生成も掲げている。いずれも提供元の説明であり、実際の識別精度は利用環境で検証する必要がある。

音声を常時解析することと、雑音のある状況で正確に話者を識別できることは同義ではない。業務導入時には誤認識、割り込み検出、復帰のしやすさを実際の録音条件で評価したい。

電話窓口での活用例は予約変更、問い合わせ、一次受付

有力な用途の一つは、予約日時の変更や問い合わせ対応だ。利用者が「来週の午後」と伝えた後に「やはり水曜日」と言い直すような場面で、AIが訂正を受け付け、確認を挟みながら応答できれば、会話を最初からやり直す負担を減らせる可能性がある。

顧客サポートでは、用件を聞きながら必要情報を確認し、請求・契約・配送などの担当部署へ引き継ぐ一次受付にも向く。専門性の高い医療・金融・保険分野では、応答の自然さに加えて本人確認、誤案内防止、人間への転送が欠かせない。

実際の導入検証では、回答完了率だけでなく、誤った割り込みの検出率、訂正への追従、沈黙の長さ、録音データの保持方針、通話相手へのAI利用の説明まで指標化するのがよい。

Tofu-1は研究プレビュー段階。一般公開・料金・性能保証は未確認

2026年11月16日時点で確認できるのは、Blandによる研究プレビューの紹介である。誰でも使えるAPIや管理画面が正式提供されたと解釈するのは早い。

モデル規模、利用単価、対応言語、提供地域、電話回線接続の方式、第三者機関によるベンチマークについては、確認できた一次情報だけでは確定できない。法人が導入を検討するなら、提供元へテスト条件とデータ取り扱いについて確認する必要がある。

電話録音に個人情報が含まれる場合は、利用目的の通知、アクセス制御、ログ管理、保存期間の設定も設計段階から検討する。AIの自然な受け答えと、企業の業務を安全に実行できることは別の評価軸だ。

まとめ:電話AIの評価軸が「話せる」から「会話を続けられる」へ広がる

Tofu-1が提案する価値は、単に音声の品質を上げるだけでなく、言い直しや割り込みのある電話でも会話の流れを保とうとする点にある。

企業が注目すべきなのは、製品名やデモの印象に加えて、自社の実際の通話で訂正・騒音・本人確認・引き継ぎをどの程度処理できるかという実用上の検証だ。正式提供の範囲や料金が明らかになった段階で、従来の電話AIと具体的に比較できるだろう。