模思智能发布MOSS-Live：全双工语音交互能否不再抢话？

从“听得懂”到“聊得来”，AI语音交互还差最后一步

2013年的电影《Her》里，Samantha让不少人第一次看见未来AI交互的模样。这个系统没有实体，只靠声音就和男主角Theodore建立起很深的情感联系。她说话幽默，能察觉情绪，还能在闲聊的同时把邮件处理掉、把日程安排好，像一个真实存在的伴侣。

十多年过去，手机里的语音助手确实变聪明了，可离Samantha还是有一段路。识别准确率（ASR）和合成自然度（TTS）都上去了，然而一进入连续对话，尴尬就来了：话还没说完，它抢着插嘴；随口“嗯”一声，它当成你要打断；让它查天气，对话又突然陷入死一样的等待。

说到底，眼下多数AI擅长的是“单向输出”或者“轮流发言”，真正的“实时双向交流”还做不到。它们能模仿人“说话”，却没学会怎么跟人自然地“对话”。

模思智能今天发布的全双工实时交互系统 MOSS-Live，瞄准的就是这个痛点。它要让AI在开口的同时继续听着，判断交互节奏靠语义而不是简单的静音时长，还能一边聊天、一边在后台跑复杂任务。

真正的全双工，不只是同时收发

通信领域里，“全双工”指双方能同时发送和接收信号，打电话时两个人可以一起开口，就是这个意思。传统对讲机则是“半双工”，必须你一句我一句轮着来。

现在的语音AI交互，本质上更接近半双工。系统一般靠“静音检测”判断用户有没有说完：沉默几秒，就认定发言结束，接着识别、推理、回复。这套机械逻辑带来不少体验瑕疵——用户思考时的停顿被当成说完，背景噪音被当成指令，AI回答时用户的随口附和又被当成新的打断。

MOSS-Live 想突破的正是这种机械逻辑。真正的全双工，难的不是技术上的同时收发，而是语义层面的即时理解与决策。

系统得实时分析传入的声音流：用户是在组织语言，还是已经说完了？这声“嗯”表示在听，还是想插话？周围的嘈杂声要不要忽略？

更麻烦的是涉及外部工具调用的时候，比如查航班、订酒店。AI如果非要等所有数据返回才肯继续说话，对话流畅性就被彻底破坏了；可让它边说边做，又怎么保证两边不冲突？

为此，MOSS-Live 用了一套前后台协同的架构：

• 前台交互模型负责“实时感知”。它持续接收语音、画面和环境音，跟踪对话状态，判断此刻该倾听、该回应、该等待，还是该接受打断。它的目标是让对话自然流动。
• 后台模型负责“深度思考”。用户提出需要复杂推理或长程任务时，比如规划旅行行程，前台会把任务和相关上下文剥离出来，交给后台异步处理。前台不用停下来等结果，可以继续跟用户闲聊或确认细节，等后台结果回来，再自然地融进对话反馈给用户。

另外，系统支持基于规则的主动交互。用户可以设定“在我背诵课文时，如果发现错误请立刻纠正”，或者“在会议中留意提到‘预算’的地方，并提醒我”。AI不再是被动等指令的工具，而是有了一定主动性的协作伙伴。

数据说话：MOSS-Live 表现如何？

过去评价语音AI，看的是识别率和响应速度。到了全双工场景，新的维度变得关键：它会不会抢话？能不能过滤无关噪音？被打断之后接不接得上？

模思智能公布了一组对比评测数据，对手包括 GPT Realtime 2.1、GPT-Live-1、Doubao SeedDuplex 等主流系统，重点考察的正是这些“软性”体验指标。

抢话与误接话：更懂“分寸感”

FDB v1 测试里，停顿抢话率是一个关键指标，衡量的是用户正常停顿（并非结束发言）时，AI错误地开始回答的概率。

• MOSS-Live：1.44%
• GPT Realtime 2.1：3.83%
• GPT-Live-1：10.37%
• Doubao SeedDuplex：14.29%

抢话率上，MOSS-Live 明显压过竞品一头。用户还在琢磨或者换气的当口，它沉得住气，不会贸然插嘴。

FDB v1.5 专门测了无关语音误接话，差距拉得更开。周围冒出并非冲着 AI 来的声音，比如旁人聊天、电视响着，情况如下：

• MOSS-Live 误接话率：2.00%
• 其他参评系统：68% - 88%

对无关打断的拒识率，MOSS-Live 做到 68%，在参评系统里排第一。谁在跟谁说话，它分得更清楚。

2. 抗干扰能力：过滤“嗯嗯啊啊”

平时聊天，没意义的语气词和附和声到处都是。τ-Voice 的抗干扰测试结果如下：

• 附和抗干扰率：MOSS-Live 为 98.17%。绝大多数时候，它能判断出用户的“嗯”“对”只是在表示在听，不是下了新指令。
• 口头禅、无关语音两项抗干扰率分别是 82.16% 和 78.90%，都排在首位。

3. 对话质量与任务执行

光“不打扰”不够，还得“聊得好”。

• 打断后回答质量：FDB v1 上下文衔接测试里，MOSS-Live 拿到 4.88分（满分5分），位列第一。中途被打断，它也能把先前的话题脉络找回来，不会自顾自往下说。
• 工具调用成功率：FDB v3 评测中，MOSS-Live 为 51%，和 Doubao SeedDuplex 并列最高；τ-Voice 多轮任务评测中为 57.93%，仅次于 GPT-Live-1。

从这些数字看，MOSS-Live 保住了对话的流畅，也没丢掉任务执行的可靠性。实时语音AI的较量，已经从单点能力转向整体交互体验。

场景实测：从会议室到自驾游

技术指标终归要落到具体场景里。模思智能亮出的几个典型Demo，展示了全双工AI在现实生活中的模样。

多人会议：不仅是记录员

一场活动筹备会议上，MOSS-Live 以AI参会者身份接入。谁在主讲、谁只是随口附和，它分得清；讨论空档里，它还会主动去查上海和杭州的天气以及同期大型活动信息，再挑合适的时机插话：“考虑到下周杭州有马拉松，建议调整场地预订时间。”

会开完，结论摘要和待办事项由它自动生成。整个过程中，AI不再是一支被动记录的录音笔，而是能参与协作的智能助理。

车载助手：边开车边改计划

开车场景里，用户让 MOSS-Live 安排舟山两日自驾游。半路上用户改了主意：“算了，不去普陀山了，换个安静点的海岛。”还顺带问：“船票好买吗？那边停车贵不贵？”

按新偏好重排路线，同时在后台查酒店和交通信息，MOSS-Live 两头兼顾。导航语音时不时响一下，它也没被误触发。用户问完停车费，它又无缝接回行程规划：“刚才说到，如果您选择东极岛，建议预订……”

多任务并行、上下文还不乱，这在驾驶场景里格外要紧——用户反复确认的负担被减了下来。

视频导览：看得见的对话

一位外国游客站在上海外滩，用手机视频通话和 MOSS-Live 聊了起来。AI 先按位置给他规划了游览路线。等他举起手机对准和平饭店，MOSS-Live 靠实时画面认出这栋建筑，随即讲起它的历史。

讲解进行到一半，游客冷不丁插了一句：“这附近有什么好吃的？”AI 马上停下历史介绍，去查餐饮推荐，答完之后又顺着刚才的话头接了回去：“……正如我刚才提到的，和平饭店建于1929年……”

系统还带流式同声传译。跨语言交流不用等整句讲完，译文就能出来，沟通延迟因此降了不少。

模思智能的“多模态”版图

MOSS-Live 不是模思智能单独迈出的一步。看这家公司近期的动作，它正在抓紧搭一张多模态能力矩阵。

• 视觉生成这块，两周前开源的 MOSS-Image 是 5B 参数图像生成模型，文字渲染和 Layout 布局控制表现突出，Hugging Face 下载量已破 300万。
• 语音合成方面，新一代 MOSS-TTS 2.0 已进入 Preview 内测，主攻声音克隆与情绪控制，想做出表现力更强、更可控的语音。
• 资本层面，10月中旬模思智能完成超10亿元 Pre-A 轮融资，华控基金领投。

图像生成讲究精准控制，语音合成讲究情感表达，MOSS-Live 则负责实时交互。模思智能想打通的是视觉、语音与行动之间的壁垒，目标说得很直白：做一个能在真实环境里持续感知、自然交流、还能执行任务的全模态实时交互智能体。

结语：AI交互的下一个拐点

这几年，大模型在文本生成上炸开过一轮，多模态理解能力也紧跟着追了上来。可这些能力怎么在实时、动态的交互里配合起来，行业到现在还没解决。

MOSS-Live 指向的，是语音 AI 从“问答机器”往“实时智能体”走。对开发者来说，应用开发的范式也跟着变了：过去把 ASR、LLM 和 TTS 串起来就行，现在得应付更复杂的并发任务、上下文同步和多模态输入管理。

当然，从 Demo 走到大规模商用，MOSS-Live 还得在极端噪声、超长对话稳定性这些地方多挨几轮考验。但它指的方向——让 AI 像人一样在背景里自然运行，该出手时出手，高效协作——是下一代人机交互绕不开的特征。

眼下 MOSS-Live 已开放在线体验和 API 接入，还提供限时免费试用。想试实时语音助手、会议协作或跨语言应用的开发者，这或许是个值得留意的起点。