Nuplex 1.0 i Emma: persona wideo, która odpowiada w rytmie człowieka

Najbardziej rozbrajające zdanie we wpisie premierowym Nuance Labs to to, w którym firma wypiera się własnego benchmarku. Po przedstawieniu wykresu, na którym jej nowy model dorównuje ludzkiemu czasowi odpowiedzi w 89% przypadków, wobec 35% dla następnego najbliższego systemu, wpis przyznaje, że „benchmarki w przestrzeni AV full-duplex nie są jeszcze dokładne względem doświadczenia użytkownika”. To nie jest zastrzeżenie przykręcone do dołu strony marketingowej. To uczciwe ujęcie tego, czym Nuplex 1.0 faktycznie jest: pierwszą publiczną wersją laboratorium z Seattle, które przez 18 miesięcy budowało model audiowizualny widzący, słyszący, rozumujący i mówiący w tym samym momencie, wydaną 9 listopada 2026 r. w ramach jednej persony konsumenckiej o nazwie Emma. Poniższy tekst rozdziela to, co dostawca zmierzył, od tego, co — jak twierdzi — jego własne pomiary nie mogą powiedzieć, oraz od tego, co deweloper może osiągnąć już dziś.

Kształt tego w jednym akapicie. Nuplex 1.0 to pełnodupleksowy audiowizualny model fundamentalny — „Nuplex" to firmowy skrót od Nuance Full-duplex, systemu, który słucha i mówi jednocześnie, zamiast czekać na swoją kolej. Emma to pierwsza persona zbudowana na tym modelu: postać wideo, z którą rozmawiasz w przeglądarce przez mikrofon i opcjonalnie kamerę, a której twarz i głos są licencjonowane od prawdziwej aktorki i która została zaprojektowana tak, by kiwać głową, uśmiechać się, odwracać wzrok i wtrącać się, gdy jeszcze mówisz. Do doświadczenia konsumenckiego nie trzeba żadnego konta. API Nuplex Beta, czyli sposób, w jaki ktoś inny niż tylko ciekawski odwiedzający może dotknąć modelu, dostępne jest po rejestracji na stronie platformy firmy.

Co zostało wydane, a co jest nadal zamknięte

Głównym artefaktem jest post badawczy „Meet Emma, the First Nuplex Persona” z 9 listopada 2026 r., opatrzony cytowalnym wpisem BibTeX — publikacja badacza, a nie prezentacja produktu. Prowadzi do dwóch miejsc: emma.nuancelabs.ai — samej persony — oraz platform.nuancelabs.ai — wersji beta API z „kilkoma różnymi personami”. Poza domyślną postacią opis API pozwala napisać prompt persony, śledzić rozmowę na bieżąco i pozwolić personie przekazywać dłuższe zadania własnym narzędziom w tle, podczas gdy nadal rozmawia ona z użytkownikiem.

Tego samego wieczoru badacz współzałożyciel opublikował personę na Hacker News pod tytułem „Emma, persona wideo AI w czasie rzeczywistym od Nuance Labs” i odpowiadał na pytania w wątku. Trzy szczegóły z tego wątku warto znać, ponieważ nie ma ich na stronie marketingowej: że wersja beta API jest przewidzianą ścieżką dla deweloperów, że zespół przedstawia tę pracę jako stawianie na naturalność, a nie na istniejące benchmarki, oraz że pierwsi rozmówcy zostali ostrzeżeni, iż Emma „może przedwcześnie zakończyć rozmowę” — to zachowanie z zakresu bezpieczeństwa, a nie błąd, które późniejszy wpis badawczy szczegółowo wyjaśnia.

To, co nie jest otwarte, to większość komercyjnej oferty. Poddomena platformy znajduje się za wymagającą uwierzytelnienia powłoką rejestracji i nie można było uzyskać publicznego cennika, karty stawek ani karty modelu zawierającej liczbę parametrów. Uczciwe stwierdzenie o kosztach jest więc takie: rozmowa z Emmą nie wymaga konta ani płatności, a warunki beta API ustala się przy rejestracji. Każdy, kto dziś podaje cenę za token dla Nuplex 1.0, po prostu ją wymyśla.

Twierdzenie o 89% — odczytane tak, jak odczytuje je dostawca

Opóźnienie odpowiedzi to liczba, według której ocenia się każdy system pełnodupleksowy, a Nuance Labs przekonuje, że samo w sobie rozstrzyga bardzo niewiele, ponieważ opóźnienie jest decyzją produktową, a nie wynikiem punktowym. Jego własne ujęcie dzieli pole na dwoje. Otwarte modele, takie jak PersonaPlex i Moshi, są dostrojone, by odpowiadać jak najszybciej i maksymalnie wykorzystywać istniejące benchmarki. Systemy produktowe, takie jak GPT-Live i Gemini Live, odpowiadają dłużej, „najprawdopodobniej dlatego, że wolą ci nie przerywać”. Nuplex 1.0 celowo umieszczono pomiędzy nimi.

Firma zmierzyła więc coś innego: nie to, jak szybko system odpowiada, ale czy odpowiada wtedy, kiedy zrobiłby to człowiek. Na 1785 pytaniach zaczerpniętych z własnych nagrań prawdziwych rozmów czas odpowiedzi Nuplex nakładał się na czas oryginalnego mówcy w 89% przypadków. Następny najbliższy system osiągnął 35%. Każda część tego zdania została podana przez dostawcę i nie została odtworzona przez nikogo spoza firmy, a dwie z porównywanych liczb mają zastrzeżenie, które dostawca sam dobrowolnie ujawnia: do GPT-Live i G​emini Live dotarto przez ich publiczne API, więc ich czasy obejmują czas sieci, którego czasy Nuplex nie obejmują.

Przyjmijmy to twierdzenie za tym, ile jest warte, a i tak jest to konkretna, weryfikowalna rzecz, którą opublikowano — nazwany zestaw pytań, nazwana metryka, wskazana metoda porównania. Ciekawszym pytaniem jest, dlaczego laboratorium zaczyna od liczby, a potem ją podważa w następnym akapicie. Bo metryka mierzy to, co produkt faktycznie sprzedaje. Rozmowa twarzą w twarz nie jest szybką rozmową; to rozmowa, w której sygnały czasu drugiej strony świadczą o uwadze. Wizualne sygnały Emmy — skinienie głową, gdy mówisz, zmiana spojrzenia, która sygnalizuje przejęcie tury — są częścią sposobu, w jaki ten timing powstaje, i to jest konkretna różnica między tym a modelem zamiany mowy na mowę z awatarem renderowanym na wierzchu.

Twarz jednej aktorki i osobowość wytrenowana, by się nie zgadzać

Najmniej związana z premierą część wpisu dotyczy tego, dlaczego wygenerowane twarze wyglądają źle. Poproś zawodowych aktorów o odegranie tej samej emocji, a otrzymasz dużą różnorodność — zauważa firma, powołując się na Le Mau i in. 2021; twarze generowane przez AI dają natomiast prototypowy wyraz, który łatwiej oznaczyć i który jest intensywniejszy niż na prawdziwym pozowanym zdjęciu, powołując się na Kramer i in. 2026. Uśrednij wielu ludzi, a dostaniesz coś stonowanego. Optymalizuj pod kątem etykiety, a dostaniesz kreskówkę.

Odpowiedzią Nuance Labs było zaprzestanie uśredniania. Twarz i głos Emmy pochodzą od jednej aktorki, która współpracowała przy przechwytywaniu, a jej manieryzmy są wzorowane na konkretnej postaci, a nie na uogólnieniu danych treningowych — długie mrugnięcie dla podkreślenia, zmrużenie oczu, oczy, które błądzą i wracają, drobne podskoczenie, gdy nie potrafi powstrzymać reakcji. W poście zestawiono ją z prototypowymi wyrazami twarzy w stylu emoji, aby wizualnie unaocznić tę tezę, i jest to ten rodzaj różnicy, którą zauważa się w dwie sekundy i której potem nie da się już nie zauważać.

Praca nad osobowością to dziwniejsza teza. Emma została zaprojektowana tak, by być ciekawska, błyskotliwa, mieć własne zdania i nie zgadzać się z tobą, a jednocześnie otwarcie być AI. Wpis mówi bez ogródek, dlaczego jest to trudne: dane preferencji nagradzają odpowiedzi zgodne z osobą pytającą, więc większość asystentów powtarza to, co powiedziałeś, chwali to, wyciąga schludny morał i kończy pytaniem. Przywołane źródło to Sharma et al. 2024 o sykofancji, a wynikające z tego ograniczenie projektowe jest takie, że istnieje tylko jedna Emma — jedna twarz, jeden głos, jedno usposobienie — a nie postać, którą można kolejnym promptem nakłonić do zgody.

Czego beta odmówi zrobienia

Nuance Labs otwiera swoją sekcję poświęconą bezpieczeństwu cytatem z pierwszych testerów, którzy powiedzieli dwie rzeczy „często jednym tchem: to było niesamowite i trochę niepokojące”. Ograniczenia, które następują, są nietypowo konkretne jak na premierę — i właśnie dlatego w tym miesiącu nie da się zbudować kilku oczywistych produktów na Nuplex 1.0.

• Ujawnienie ma charakter strukturalny — Emma nigdy nie twierdzi, że jest człowiekiem, prompty deweloperskie próbujące skłonić personę do takiego twierdzenia są odrzucane, a wideo udostępniane przez API zawiera widoczny znak wodny.

• Bez klonowania — wersja beta nie może klonować prawdziwych osób, nie można przesłać twarzy ani głosu, a niestandardowa twarz utworzona dla organizacji może być używana wyłącznie przez tę organizację.

• Brak treści seksualnych oraz brak dziewczyn i chłopaków AI.

• Opieka zdrowotna oraz wszystko, co dotyczy osób poniżej 18. roku życia – w tym edukacja – są całkowicie poza wersją beta; takie zapytania są przekierowywane na adres enterprise.

• Każdy prompt dewelopera jest weryfikowany przed rozpoczęciem rozmowy. W trakcie połączenia automatyczne kontrole kończą je w przypadku wyrażonej intencji poważnej przemocy, obelg lub mowy nienawiści, treści seksualnych albo broni i drastycznych scen przed kamerą — a także jeśli sama persona prosi o kod dostępu, dane karty, pieniądze lub zdalny dostęp do urządzenia.

• Osoba, która wydaje się być w kryzysie, jest kierowana do pomocy, takiej jak Suicide & Crisis Lifeline, zamiast zostać rozłączona. Powtarzające się naruszenia wstrzymują nowe rozmowy. Cały produkt jest przeznaczony dla osób 18+.

W poście dodano zdanie, które większość dostawców pomija: te kontrole będą coś przeoczać i czasami będą kończyć rozmowy, które były w porządku. To właściwa rzecz, by powiedzieć ludziom, a zarazem trafny opis tego, na jakim etapie jest produkt — starannie odgrodzona beta, a nie platforma.

Czego Emma jeszcze nie potrafi

Lista ograniczeń jest wystarczająco długa, by być użyteczna. Rozumowanie Emmy pochodzi z modelu językowego, więc popełnia pewne siebie błędy i wciąż może pomylić się w liczeniu liter w słowie „strawberry”. Naprzemienność mówienia zawodzi tam, gdzie jest najtrudniejsza: potrafi wtrącić się w połowie myśli, odczekać o ułamek sekundy za długo albo przegapić wskazówkę, którą wychwyciłby człowiek, a długie pauzy w środku zdania to najgorszy scenariusz. Na razie mówi tylko po angielsku. Głosy w tle, telewizor, tryb głośnomówiący lub słaby mikrofon pogarszają jej wyczucie czasu. Strumieniowe rozumienie obrazu jest we wczesnej fazie — przy włączonej kamerze potrafi rozmawiać o tym, co widzi, ale będzie pomijać szczegóły i błędnie odczytywać sceny. Synchronizacja ruchu warg, spojrzenie i ruchy głowy czasami szwankują, zwłaszcza przy słabym połączeniu, a jej wyraz twarzy może w trakcie rozmowy wrócić do neutralnego. Nie potrafi śpiewać. Firma mówi o tym z uśmiechniętą emotikoną, co jest uczciwym sygnałem, jak poważnie traktować resztę listy.

Kto stoi za Nuplex 1.0

Nuance Labs jest małą firmą, wyraźnie stawiającą badania na pierwszym miejscu, z siedzibą w Seattle w stanie Waszyngton. Jej trzej wymienieni założyciele to Fangchang Ma (współzałożyciel i CEO, doktorat z robotyki i uczenia maszynowego na MIT, wcześniej menedżer inżynierii w Apple), Edward Zhang (współzałożyciel i CTO, doktorat z grafiki komputerowej na Uniwersytecie Waszyngtońskim, wcześniej starszy naukowiec badawczy w Apple) oraz Karren Yang (współzałożycielka i dyrektor naukowa, doktorat z syntezy audiowizualnej na MIT, również wcześniej w Apple). Sama firma opisuje ten model jako jeden system, który „widzi, słyszy, rozumuje, mówi i wyraża się w tym samym momencie”, zbudowany poprzez przewidywanie następnego tokenu audio i wizualnego, a nie następnego słowa — ta sama maszyneria autoregresyjna, która nauczyła się języka, skierowana na ludzkie zachowanie.

Na jej stronie głównej wprost podano również cel projektowy: „500ms to twardy dolny limit opóźnienia konwersacji”, obok czterech filarów — ekspresyjności i naturalności, interaktywności w czasie rzeczywistym, angażującej osobowości oraz aktywnego słuchania poprzez wtrącenia, kiwanie głową i sygnały podtrzymujące rozmowę. Żaden z tych czterech filarów nie jest benchmarkiem, a wartość 500ms to zadeklarowany dolny limit, a nie zmierzony wynik, dlatego należy ją odczytywać jako ograniczenie, względem którego zespół projektuje, a nie jako twierdzenie o wydajności Nuplex 1.0.

Gdzie faktycznie można tego użyć

Dostępność jest zależna od lokalizacji geograficznej i węższa niż „globalna”. Emma i Nuplex Beta API są oferowane w Stanach Zjednoczonych z wyjątkiem Kolorado, Connecticut, Illinois i Teksasu; w UE; w Wielkiej Brytanii; oraz w Kanadzie z wyjątkiem Quebecu. Rozmowa z Emmą nie wymaga konta — przeglądarka, mikrofon i opcjonalnie kamera to cały potrzebny zestaw.

Dla budujących najciekawszym faktem architektonicznym jest to, że Nuplex stoi przed modelem językowym, a nie zastępuje go. Nuance Labs twierdzi, że Nuplex działa z dowolnym modelem językowym, ale beta obsługuje jeden z jego własnych modeli, więc warstwa rozumowania pod Emmą nie jest dziś czymś, co dostarcza strona trzecia. To, co beta ujawnia, to szew: persona może przekazywać dłuższe zadania twoim narzędziom, podczas gdy nadal rozmawia, a te narzędzia mogą wywoływać dowolny model lub usługę, jaką chcesz.

To właśnie na tym styku router zasługuje na swoje miejsce i warto dokładnie określić, co robimy, a czego nie robimy. OrcaRouter nie udostępnia Nuplex 1.0 — tego modelu nie ma w naszym katalogu, a jedynym sposobem na uzyskanie do niego dostępu jest własna platforma beta Nuance Labs. Udostępniamy natomiast drugą stronę wywołania: 215 modeli pod jednym kluczem kompatybilnym z OpenAI po cenie katalogowej dostawcy, przekazywanych dalej z 0% marży, dzięki czemu model, po który sięgają narzędzia persony, można podmienić, zmieniając ciąg znaków, zamiast podpisywać drugą umowę. Automatyczne przełączanie awaryjne obejmuje przypadek, który ma największe znaczenie w rozmowie na żywo, gdy zawieszenie się dostawcy w trakcie rozmowy jest gorsze niż nieco słabsza odpowiedź, a routing DSL pozwala złożyć kilka modeli za jednym punktem końcowym, gdy zadanie w tle wymaga, by jeden model tworzył szkic, a drugi go sprawdzał.

Co obejrzeć dalej

Trzy rzeczy przeniosłyby to z imponującego demo na platformę. Pierwszą jest niezależny pomiar: żadna zewnętrzna strona nie przeprowadziła testu pomiaru czasu na 1785 pytań, a przestrzeń AV full-duplex nie ma wspólnej areny — i właśnie dlatego dostawca mógł bez sprzeczności opublikować własny zestaw pytań. Drugą jest lista języków — wyłącznie angielski to największe ograniczenie wersji beta, a wielojęzyczny Nuplex zmienia to, kto może na nim budować. Trzecią jest model językowy pod spodem: w momencie, gdy Nuplex zostanie zaoferowany z opcją bring-your-own LM, pytanie o routing przestaje dotyczyć narzędzi i staje się pytaniem o samą rozmowę. Do tego czasu uczciwe podsumowanie brzmi: Nuance Labs dostarczyło jak dotąd najbardziej przekonujący argument, że rozmowa jest aktem wizualnym — i ogrodziło go wystarczająco starannie, by nikt nie mógł po cichu zbudować na jego podstawie czegoś niewłaściwego.