多项指标排名第一，全双工实时交互系统MOSS-Live发布

机器之心发布 还记得电影《Her》里的 Samantha 吗？ 2013 年，导演斯派克・琼斯在这部电影里描绘了一个令人着迷的未来：一个没有实体的 AI 操作系统，却能像真人一样，和男主角 Theodore 谈天说地。 她会开玩笑，会主动开启话题，能觉察到男主的情绪和意图，也能自然地转换话头。更神奇的是，她不只会聊天，还能一边交流，一边处理邮件、整理日程，参与 Theodore 的日常生活。 十多年过去，我们似乎终于离这样的 AI 更近了一步。 过去几年，AI 语音技术的进步有目共睹。从语音识别（ASR）到语音合成（TTS），模型不仅能听懂人说了什么，还能生成越来越自然、富有表现力的声音。与 AI 进行一场语音交流，也早已不是什么新鲜事。 但如果真的把它当成 Samantha 来聊上几句，问题很快就暴露了，因为它总搞不清楚什么时候该说话，什么时候该闭嘴。 你还没说完，它可能就急着回答；你只是随口应了声「嗯」，它却以为你想打断；聊到一半让它帮忙查点东西，原本顺畅的对话又可能陷入等待。 说到底， AI 已经越来越像人在「说话」，却还不太擅长与人真正实时且自然地「对话」。 这背后不仅是语音识别和生成的问题，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，并同时处理正在进行的任务。 就在今天，模思智能发布的全双工实时交互系统 MOSS-Live ，试图在这一方向上更进一步。 视频链接：https://mp.weixin.qq.com/s/C_TiIuY7ufTQMA43iZZpTg MOSS-Live 能够在说话的同时持续倾听，根据语义理解判断什么时候该回应、什么时候该等待。即使中途多次打断、切换话题，它也能记住之前聊到哪里。 更进一步，MOSS-Live 还能通过实时视频与屏幕共享，结合画面理解对话场景；通过工具调用与后台异步执行，它又能在保持对话的同时，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。系统还支持流式同声传译。 而从此次官方公布的 Benchmark 来看，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 等实时语音系统。 目前，MOSS-Live 已开放在线体验与 API 接入，并提供限时免费的 API 使用机会。 API 接入与体验：https://platform.moss.cn 模思智能官网：https://www.moss.cn 那么，MOSS-Live 究竟是如何做到的？让 AI 一边聊天、一边处理复杂任务，需要怎样的技术架构？在多人会议、车载、旅行、跨语言实时交流等真实场景中，MOSS-Live 的实际表现又如何？ 01 如何实现真正的全双工？ 要理解 MOSS-Live 的变化，首先需要弄清楚什么是全双工。 在通信领域，全双工意味着双方可以同时发送和接收信息。打电话时，两个人可以同时开口；使用传统对讲机，则通常需要轮流发言。如今不少语音 AI 的交互方式，仍然更接近后者。 系统可能会通过静音时长来机械地判断用户是否结束发言，再进行识别、理解和回复。用户说到一半停下来思考，AI 可能误以为一句话已经结束；用户在 AI 回答时随口附和，系统又可能将其当成打断指令。 而 MOSS-Live 想要实现的全双工，显然不只是让 AI 在说话时也能接收声音。 真正的难点，是让系统理解这些声音在当前对话中究竟意味着什么。 MOSS-Live 需要持续结合语义和对话状态作出判断：什么时候该继续说，什么时候该保持沉默，什么时候应该接受打断，以及哪些声音不需要回应。 能自然地交流，只是问题的一半。有些对话可能涉及外部工具调用，或者多轮搜索与推理。如果 AI 必须等全部查询结束才能继续说话，原本顺畅的对话就容易陷入等待。但如果让它一边交流，一边执行任务，又该如何保证两者互不干扰？ MOSS-Live 给出的方案，是一套 前后台协同架构。 其中， 前台交互模型负责实时感知与对话 。它持续接收语音、画面和环境声音，跟踪当前对话状态，决定何时倾听、回应、等待或接受打断。 后台模型则负责复杂推理与长程任务执行 。当用户提出需要更深度思考或长程复杂任务的请求时，前台可以将任务连同相关上下文交给后台异步处理，而不必暂停当前对话等待结果。前后台通过记忆、上下文和任务状态管理实现协同。 此外，MOSS-Live 还可以按照用户设定的规则，实现主动交互。例如，用户可以要求 AI 在背诵过程中发现错误时及时纠正，或者在会议讨论中留意特定事项，满足条件后主动提醒，而不必每次都等待明确指令。 02 多项全双工指标领先，MOSS-Live 的实际表现如何？ 过去评价语音 AI，关注的指标往往是识别准确率、语音生成质量、响应速度，以及