Nuplex 1.0 och Emma: En videopersona som svarar i mänsklig takt

Den mest avväpnande meningen i Nuance Labs lanseringsinlägg är den där företaget tar avstånd från sitt eget benchmark. Efter att ha presenterat ett diagram där dess nya modell matchar en människas svarstid 89 % av gångerna, jämfört med 35 % för det näst bästa systemet, medger inlägget att "benchmarks inom AV full-duplex-området ännu inte är korrekta i förhållande till användarupplevelsen." Det är inte en gardering påklistrad längst ned på en marknadsföringssida. Det är den ärliga ramen för vad Nuplex 1.0 faktiskt är: den första offentliga utgåvan från ett Seattle-labb som har ägnat 18 månader åt att bygga en audiovisuell modell som ser, hör, resonerar och talar i samma ögonblick, släppt den 9 november 2026 inuti en enda konsumentpersona som heter Emma. Det som följer skiljer mellan vad leverantören mätte, vad den säger att dess egna mätningar inte kan berätta, och vad en utvecklare kan få tillgång till i dag.

Det hela i ett stycke. Nuplex 1.0 är en full-duplex audiovisuell grundmodell – "Nuplex" är företagets sammandragning av Nuance Full-duplex, ett system som lyssnar och talar samtidigt i stället för att turas om. Emma är den första personan som byggts på den: en videokaraktär som du pratar med i en webbläsare via mikrofon och en valfri kamera, vars ansikte och röst är licensierade från en verklig skådespelerska, och som är utformad för att nicka, le, titta bort och inflika medan du fortfarande talar. Konsumentupplevelsen kräver inget konto. Nuplex Beta API, som är hur någon annan än en nyfiken besökare får tillgång till modellen, ligger bakom en registrering på företagets plattformssajt.

Vad som har levererats, och vad som fortfarande är stängt

Den primära artefakten är ett forskningsinlägg, "Möt Emma, den första Nuplex-personan," daterat den 9 november 2026 och med en citerbar BibTeX-post — en forskares publicering, inte en produktpresentation. Det länkar till två dörrar: emma.nuancelabs.ai för själva personan, och platform.nuancelabs.ai för beta-API:et med "några olika personas." Utöver standardkaraktären låter API-beskrivningen dig skriva en personaprompt, följa samtalet i realtid och låta personan lämna över längre uppgifter till dina egna verktyg i bakgrunden medan den fortsätter prata med användaren.

Samma kväll publicerade en grundande forskare personan på Hacker News under rubriken "Emma, en realtids-AI-videopersona från Nuance Labs" och svarade på frågor i tråden. Tre detaljer där är värda att känna till eftersom de inte finns på marknadsföringssidan: att beta-API:et är den avsedda utvecklarvägen, att teamet ramar in arbetet som en satsning på naturlighet framför befintliga benchmarks, och att tidiga uppringare varnades för att Emma "kan avsluta samtalet i förtid" – ett säkerhetsbeteende snarare än en bugg, vilket forskningsinlägget senare förklarar i detalj.

Det som inte är öppet är större delen av den kommersiella ytan. Plattformens underdomän ligger bakom ett autentiserat registreringsskal, och ingen offentlig prislista, priskort eller modellkort med ett parameterantal gick att nå. Så det ärliga uttalandet om kostnad är detta: att prata med Emma kräver inget konto och ingen betalning, och beta-API:ets villkor ordnas vid registrering. Den som i dag anger ett pris per token för Nuplex 1.0 hittar på det.

89 %-påståendet, läst så som leverantören läser det

Svarstid är siffran som varje full-duplexsystem bedöms efter, och Nuance Labs hävdar att den i sig själv avgör väldigt lite, eftersom svarstid är ett produktbeslut snarare än en poäng. Deras egen inramning delar fältet i två. Öppna modeller som PersonaPlex och Moshi är trimmade för att svara så snabbt som möjligt och maxa de befintliga benchmarkarna. Produktsystem som GPT-Live och G​emini Live tar längre tid, "troligen mest för att de hellre inte avbryter dig." Nuplex 1.0 placeras medvetet mellan de två.

Så företaget mätte något annat: inte hur snabbt ett system svarar, utan om det svarar när en människa skulle göra det. På 1 785 frågor hämtade från företagets egna inspelningar av riktiga samtal sammanföll Nuplexs svarstid med den ursprungliga talarens 89 % av gångerna. Det näst närmaste systemet klarade 35 %. Varje del av den meningen är leverantörsrapporterad och har inte reproducerats av någon utanför företaget, och två av jämförelsesiffrorna har en reservation som leverantören själv tar upp: GPT-Live och G​emini Live nåddes via sina publika API:er, så deras tider inkluderar nätverkstid som Nuplexs inte gör.

Även om man tar påståendet med en nypa salt är det fortfarande något specifikt och kontrollerbart som har publicerats – en namngiven frågeuppsättning, ett namngivet mått, en angiven jämförelsemetod. Den mer intressanta frågan är varför ett labb skulle inleda med en siffra och sedan undergräva den i nästa stycke. Eftersom måttet mäter det som produkten faktiskt säljer. Ett ansikte-mot-ansikte-samtal är inte ett snabbt samtal; det är ett samtal där motpartens timing signalerar uppmärksamhet. Emmas visuella signaler – en nick medan du pratar, en blickförskjutning som gör anspråk på turen – är en del av hur den timingen uppstår, och det är den konkreta skillnaden mellan detta och en tal-till-tal-modell med en avatar renderad ovanpå.

Ett ansikte från en skådespelerska, och en personlighet tränad att inte hålla med.

Den minst lanseringsliknande delen av inlägget handlar om varför genererade ansikten ser fel ut. Ber man professionella skådespelare gestalta samma känsla får man stor variation, påpekar företaget med hänvisning till Le Mau et al. 2021; AI-genererade ansikten ger i stället ett prototypiskt uttryck som är lättare att etikettera och mer intensivt än ett verkligt poserat fotografi, med hänvisning till Kramer et al. 2026. Medelvärdesbildar man över många personer får man något dämpat. Optimerar man för en etikett får man en karikatyr.

Nuance Labs svar var att sluta ta medelvärden. Emmas ansikte och röst kommer från en skådespelerska som medverkade vid inspelningen, och hennes maner är modellerade efter en specifik karaktär i stället för en generalisering av träningsdata – den långa blinkningen för betoning, den hopknipna blicken, ögon som vandrar iväg och kommer tillbaka, det lilla hoppet när hon inte kan hålla tillbaka en reaktion. Inlägget ställer henne mot prototypiska emoji-liknande uttryck för att göra poängen visuellt, och det är den typen av skillnad som man lägger märke till på två sekunder och inte kan sluta se efteråt.

Personlighetsarbetet är det märkligare påståendet. Emma är designad för att vara nyfiken, kvicktänkt, ha åsikter och säga emot dig, samtidigt som hon öppet är en AI. Inlägget är rakt på sak om varför det är svårt: preferensdata belönar svar som håller med den som frågar, så de flesta assistenter upprepar vad du sagt, berömmer det, drar en prydlig moral och avslutar med en fråga. Citatet är Sharma et al. 2024 om inställsamhet, och den designbegränsning som följer är att det bara finns en Emma – ett ansikte, en röst, ett temperament – inte en karaktär som du kan prompta om till att hålla med dig.

Vad betaversionen kommer att vägra göra

Nuance Labs inleder sitt säkerhetsavsnitt med att citera sina första testare, som sade två saker "ofta i samma andetag: det var fantastiskt, och det var lite oroande." Begränsningarna som följer är ovanligt specifika för en lansering, och de är anledningen till att flera uppenbara produkter inte kan byggas på Nuplex 1.0 den här månaden.

• Transparensen är strukturell — Emma påstår aldrig att hon är människa, utvecklarpromptar som försöker få en persona att hävda det avvisas, och video som levereras via API:et har en synlig vattenstämpel.

• Ingen kloning – betaversionen kan inte klona verkliga människor, du kan inte ladda upp ett ansikte eller en röst, och ett anpassat ansikte som skapats för en organisation kan bara användas av den organisationen.

• Inget sexuellt innehåll och inga AI-flickvänner eller AI-pojkvänner.

• Hälso- och sjukvård och allt som involverar personer under 18, inklusive utbildning, ligger helt utanför betan; dessa förfrågningar dirigeras i stället till en företagsadress.

• Varje utvecklarprompt granskas innan en konversation startar. Under ett samtal avslutar automatiska kontroller det vid uttryckt avsikt om allvarligt våld, skällsord eller hatpropaganda, sexuellt innehåll, eller vapen och blodiga scener framför kameran – och även om själva personan ber om en åtkomstkod, kortuppgifter, pengar eller fjärråtkomst till en enhet.

• Någon som verkar vara i kris hänvisas till hjälp, såsom Suicide & Crisis Lifeline, i stället för att läggas på. Upprepade överträdelser pausar nya konversationer. Hela produkten är 18+.

Inlägget tillför meningen som de flesta leverantörer utelämnar: de här kontrollerna kommer att missa saker, och de kommer ibland att avsluta samtal som var okej. Det är rätt sak att berätta för folk, och det är också en träffande beskrivning av var produkten befinner sig – en noggrant avgränsad beta snarare än en plattform.

Vad Emma ännu inte kan göra

Listan över begränsningar är tillräckligt lång för att vara användbar. Emmas resonemang kommer från en språkmodell, så hon gör självsäkra misstag och kan fortfarande räkna fel på bokstäverna i "strawberry". Turväxlingen brister där den är som svårast: hon kan avbryta mitt i en tanke, dröja en takt för länge eller missa en signal som en människa skulle uppfatta, och långa pauser mitt i en mening är värsta fallet. Hon talar bara engelska än så länge. Röster i bakgrunden, en tv, högtalartelefon eller en svag mikrofon försämrar alla hennes tajming. Strömmande visuell förståelse är i ett tidigt skede – med kameran på kan hon diskutera det hon ser, men hon missar detaljer och feltolkar scener. Läppsynk, blick och huvudrörelser slinter ibland, särskilt vid dålig anslutning, och hennes ansiktsuttryck kan glida tillbaka till neutralt mitt i ett samtal. Hon kan inte sjunga. Det säger företaget med en smiley, vilket är en rimlig signal om hur allvarligt man bör ta resten av listan.

Vem ligger bakom Nuplex 1.0?

Nuance Labs är litet och uttalat forskningsdrivet, baserat i Seattle, Washington. Dess tre namngivna grundare är Fangchang Ma (medgrundare och vd, doktor i robotik och maskininlärning från MIT, tidigare ingenjörschef på Apple), Edward Zhang (medgrundare och teknikchef, doktor i datorgrafik från University of Washington, tidigare senior forskare på Apple) och Karren Yang (medgrundare och chefsforskare, doktor i ljudvisuell syntes från MIT, även tidigare på Apple). Företagets egen beskrivning av modellen är ett enda system som "ser, hör, resonerar, talar och uttrycker sig i samma ögonblick", byggt genom att förutsäga nästa ljud- och visuella token i stället för nästa ord – samma autoregressiva maskineri som lärde sig språk, riktat mot mänskligt beteende.

Dess startsida anger också designmålet rakt ut: "500ms är den absoluta undre gränsen för samtalslatens", tillsammans med fyra pelare – uttrycksfullhet och naturlighet, realtidsinteraktivitet, en engagerande personlighet och aktivt lyssnande genom interjektioner, nickningar och backchannelling. Ingen av dessa fyra är ett riktmärke, och siffran 500ms är en angiven undre gräns snarare än ett uppmätt resultat, så läs det som den begränsning teamet designar mot snarare än som ett prestandapåstående om Nuplex 1.0.

Där du faktiskt kan använda det

Tillgängligheten är geografiskt begränsad och snävare än ”global”. Emma och Nuplex Beta API erbjuds i USA utom i Colorado, Connecticut, Illinois och Texas; i EU; i Storbritannien; och i Kanada utom i Quebec. Att prata med Emma kräver inget konto – en webbläsare, en mikrofon och eventuellt en kamera är allt som behövs.

För utvecklare är det intressanta arkitektoniska faktumet att Nuplex ligger framför en språkmodell i stället för att ersätta en. Nuance Labs säger att Nuplex fungerar med vilken språkmodell som helst, men att betan använder en av deras egna, så resonemangslagret under Emma är inte något som en tredje part tillhandahåller i dag. Det betan däremot blottar är sömmen: personan kan lämna över längre uppgifter till dina verktyg medan den fortsätter prata, och dessa verktyg kan anropa vilken modell eller tjänst du vill.

Det är i den skarven som en router gör sig förtjänt av sin plats, och det är värt att vara precis om vad vi gör och inte gör. OrcaRouter tillhandahåller inte Nuplex 1.0 – modellen finns inte i vår katalog, och det enda sättet att nå den är via Nuance Labs egen betaplattform. Det vi däremot tillhandahåller är andra sidan av anropet: 215 modeller bakom en OpenAI-kompatibel nyckel till leverantörens listpris, vidarebefordrat med 0 % påslag, så att modellen som en personas verktyg anropar kan bytas genom att ändra en sträng i stället för att teckna ett andra avtal. Automatisk failover täcker det fall som spelar störst roll i ett pågående samtal, där en leverantör som stannar upp mitt i anropet är värre än ett något svagare svar, och routing-DSL:en låter dig sätta samman flera modeller bakom en enda slutpunkt när en bakgrundsuppgift vill att en modell ska skriva utkast och en annan granska.

Vad du ska titta på härnäst

Tre saker skulle flytta detta från en imponerande demo till en plattform. Det första är oberoende mätning: ingen utomstående part har kört tidstestet med 1 785 frågor, och AV-området för full duplex har ingen gemensam arena, vilket är precis därför leverantören kunde publicera sin egen frågeuppsättning utan motsägelse. Det andra är språklistan – endast engelska är den enskilt största begränsningen för betan, och ett flerspråkigt Nuplex förändrar vilka som kan bygga vidare på det. Det tredje är den underliggande språkmodellen: i samma stund som Nuplex erbjuds med bring-your-own-LM slutar routingfrågan att handla om verktyg och blir en fråga om själva konversationen. Fram till dess är den rättvisa sammanfattningen att Nuance Labs har levererat det hittills mest övertygande argumentet för att konversation är en visuell handling – och har stängslat in det tillräckligt noggrant för att ingen i tysthet ska kunna bygga fel sak med det.