全双工实时交互系统MOSS-Live发布，多项指标排名第一

过去几年，AI 语音技术从语音识别到语音合成进步明显，与 AI 进行语音交流已不新鲜。但真正当作《Her》中的 Samantha 来聊，问题很快暴露：AI 常搞不清何时该说话、何时该闭嘴。用户未说完它可能抢答，随口应一声「嗯」被误判为打断，聊到一半让它查资料，对话又陷入等待。AI 越来越像人在「说话」，却还不擅长真正实时自然地「对话」。这不仅涉及语音识别与生成，更涉及 AI 能否在持续交流中理解语义、判断对话节奏、管理上下文并同时处理任务。

模思智能发布全双工实时交互系统 MOSS-Live，试图在这一方向更进一步。它能在说话同时持续倾听，根据语义判断何时回应、何时等待；即使中途多次打断、切换话题，也能记住此前聊到哪里。系统还可通过实时视频与屏幕共享结合画面理解场景，通过工具调用与后台异步执行，在保持对话的同时查询信息、规划行程、完成复杂任务，并在结果返回后主动反馈，并支持流式同声传译。官方 Benchmark 显示，MOSS-Live 在多项实时语音交互指标上领先 GPT Realtime 2.1、GPT-Live-1、Doubao SeedDuplex 等系统。目前 MOSS-Live 已开放在线体验与 API 接入，并提供限时免费 API 使用机会。

全双工意味着双方可同时发送和接收信息。不少语音 AI 仍靠静音时长机械判断用户是否说完，用户停顿思考可能被误判为结束，随口附和可能被当成打断。MOSS-Live 需持续结合语义和对话状态判断：何时继续说、保持沉默、接受打断，以及哪些声音无需回应。其方案是前后台协同架构：前台交互模型负责实时感知与对话，持续接收语音、画面和环境声音，跟踪对话状态，决定倾听、回应、等待或接受打断；后台模型负责复杂推理与长程任务执行，前台可将任务连同上下文交给后台异步处理，不必暂停对话等待结果，前后台通过记忆、上下文和任务状态管理协同。系统还可按用户设定规则实现主动交互，如背诵出错时纠正、会议中留意特定事项并主动提醒。

评测覆盖全双工交互、语音理解、多轮对话及工具调用等维度。FDB v1 测试中，MOSS-Live 停顿抢话率（不含附和）为 1.44%，低于 GPT Realtime 2.1 的 3.83%、GPT-Live-1 的 10.37% 和 Doubao SeedDuplex 的 14.29%。FDB v1.5 无关语音误接话测试中，MOSS-Live 误接话率仅 2.00%，其他参评系统在 68% 至 88% 之间；其无关打断拒识率达 68%，为参评最高。τ-Voice 抗干扰测试中，MOSS-Live 附和抗干扰率 98.17%，口头禅和无关语音干扰抗干扰率分别为 82.16% 和 78.90%，均列第一。FDB v1 上下文衔接测试中，其打断后回答质量得 4.88 分（满分 5 分），列第一；FDB v2 场景处理测试中，实体跟踪、纠错与安全综合得分 3.63 分（满分 5 分），同样最高。FDB v3 工具调用评测中，MOSS-Live 成功率 51%，与 Doubao SeedDuplex 并列最高；τ-Voice 多轮任务评测成功率 57.93%，仅次于 GPT-Live-1。

模思智能还发布多个 Demo，涉及多人会议、车载助手、实时视频导览及跨语言沟通。多人会议中，MOSS-Live 以 AI 参会者身份参与讨论，能区分附和与真正打断，主动查询上海、杭州天气及同期大型活动，在合适时机加入讨论，会后整理结论与待办。驾车场景中，用户让其规划舟山两日自驾游，中途改变偏好并穿插询问船票、停车费用和住宿，MOSS-Live 一边调整行程一边后台查询酒店，多次切换话题后仍能恢复此前规划，导航语音未被误识别为用户指令。上海旅游 Demo 中，外国游客通过手机与 MOSS-Live 交流，AI 根据位置规划经过外滩、南京路的路线；游客举起手机询问眼前建筑，MOSS-Live 结合实时画面识别出和平饭店并介绍历史；游客转而询问房价和餐饮信息时，它又能跟随新需求查询，随后继续建筑讲解。系统还支持流式同声传译，可在持续接收源语言语音的同时实时输出目标语言，但实际延迟仍受网络等因素影响。从演示走向大规模使用，仍需检验复杂噪声、长时间连续交互、多人同时发言等情况下的稳定性。语音 AI 正尝试转向能够持续参与交流、理解场景并执行任务的实时智能体，下一代语音应用的开发方式可能随之改变。