模思智能发布实时视频理解与多说话人转写模型
模思智能推出两款开源模型，让AI能实时理解视频流并识别多说话人，推动多模态理解从感知走向情境智能。
模思智能与复旦OpenMOSS团队开源MOSS-VL-Realtime（实时视频流理解模型，支持边看边答、主动沉默与及时纠错）和MOSS-Transcribe-Diarize（多说话人转写模型，能区分谁在说话）。两者旨在让AI从感知孤立信息转向理解连续、动态的真实世界情境。
正文摘录
[.949.jpg)](https://mp.weixin.qq.com/s/eiFXdsi56FGVsjaZF1RUnA) 过去一年，大模型正在加速突破智能的边界。 从语音的理解与生成，到图像识别、视频分析，越来越多模态被纳入模型的能力版图。AI 开始能听见声音、看见画面，也能处理越来越丰富的现实信息。 然而，「 能处理多少种模态」衡量的是感知的广度，而不是理解的深度。接入更多信息，并不等于真正理解了世界。 因为现实世界的信息从不孤立存在 —— 它的意义不在单一信号本身，而在于信号之间的关联，以及它们随时间的变化：一句话的含义，取决于说话人是谁、以怎样的语气、在怎样的上下文中说出；一个画面的含义，取决于此前发生了什么、画面里的人物是什么关系、环境正在如何演变。只有把这些分散的信息放进同一个、且持续延展的上下文里，不断追踪其关系与变化，模型才可能形成对真实情境的完整认知。 因此，多模态的下一步，关键不在于继续拓宽能接入的信息类型，而在于把它们汇入统一的情境 —— 从「 识别孤立的内容」，走向「 理解连续、动态且相互关联的真实世界」。 这正是模思智能与 OpenMOSS 团队近期一系列模型与产品发布背后的共同主线：从 MOSS-VL 长视频理解模型、到 MOSS-Transcribe-Diarize 最强多说话人转写模型，推动 AI 从「感知多种信息」，迈向「理解完整情境」。