模思智能发布全双工实时交互系统 MOSS-Live
语音 AI 的短板不是说得像人，而是判断不准何时该说、何时该听；MOSS-Live 用前后台分工来补上这块，并给出可对比的评测数据。
模思智能发布 MOSS-Live，一套全双工（可以边说话边持续听，不必轮流发言）的实时语音交互系统。它用前后台协同架构：前台模型负责实时对话、判断何时该回应或等待，后台模型异步处理搜索、工具调用等长任务，结果返回后再主动反馈。官方 Benchmark 显示，它在停顿抢话率、无关语音拒识等多项指标上领先 GPT Realtime 2.1、Doubao SeedDuplex 等系统，目前已开放 API 体验。
正文摘录
.04.28.png) 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。