在和 AI 助手语音聊天时，你很可能经历过这样的时刻：

你还没说完，它已经开始回答；你只是随口应了一声「嗯」，它却突然停下，以为你要打断；中途聊了一个新话题再让它「接着刚才的说」，它却忘了自己讲到哪里……

这是因为许多语音 AI 仍然遵循着一种近似「半双工」的交互模式：你说完，它再说，双方轮流发言，听和说很难真正并行。

但真实的人类对话显然不是这样。在真实世界中，交流是连续、动态且充满情境信息的。人们会随时停顿、插话、改变主意，也会在交流过程中不断接收来自周围环境的信息。AI 要真正融入这样的场景，需要持续感知环境、理解用户意图与对话状态，并在恰当的时机作出回应。

今天，我们正式发布 MOSS-Live 全双工实时交互系统。

MOSS-Live 能够在说话的同时持续倾听，实时理解用户的对话意图与交流节奏，判断何时回应、何时等待、何时保持沉默。同时，它还具备持续的多模态感知能力，支持视频通话、屏幕共享与环境声音理解，并能在实时对话中调用工具、异步执行复杂任务，让 AI 真正实现边看、边听、边聊、边做事。

为了兼顾实时交互的低延迟要求与复杂任务的处理能力，MOSS-Live 采用前后台协同架构：前台交互模型负责持续感知、理解和语音交流，后台模型负责复杂推理与长程任务执行。两者通过记忆、上下文和任务状态管理协同，使实时对话与复杂任务能够并行开展，在保持交互流畅性的同时，兼顾深度推理与任务执行能力。

目前，MOSS-Live 已正式开放 API 接入，限时免费！你也可以在模思智能官网直接体验。

API 接入与体验：https://platform.moss.cn

模思智能官网：https://www.moss.cn

什么是全双工？

「全双工」原本是一个通信术语，指通信双方可以同时进行双向数据传输。

简单来说，电话是全双工的，双方可以同时听、同时说；而对讲机是半双工的，同一时刻只有一方能讲话。

而真正自然的全双工语音交互，AI 不仅要能边听边说，还需要在持续倾听的过程中，实时理解语义、说话意图和对话状态，判断何时回应、何时等待、何时接受打断、何时保持沉默。

这也是 MOSS-Live 致力于解决的核心问题：让 AI 更自然、更智能、更主动地参与实时交流。

技术架构：让实时对话与复杂任务并行

MOSS-Live 采用前后台协同架构，将实时交互与复杂任务执行交由不同模型分工处理，并通过记忆、上下文和任务状态管理实现协同，使系统能够在持续对话的同时，异步执行复杂任务。

前台交互模型负责实时交互：持续接收语音、画面及环境声音，理解当前对话状态，并决定何时倾听、何时回应、何时等待。

后台模型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，前台可以将任务连同对话上下文交给后台模型，由后台异步执行。在此期间，前台仍然可以继续与用户交流，而不必等待后台任务完成。

两者通过记忆、上下文和任务状态管理保持协同：前台可以掌握后台任务的进展，并在合适的时机将结果带回对话。随着用户不断提供新的语音、画面和环境信息，交互过程也可以相应调整。

多项全双工交互指标表现领先

为了全面评估 MOSS-Live 的实时交互能力，我们在 Full-Duplex-Bench（FDB）、τ-Voice、Big-Bench Audio 等基准测试中，与 GPT Realtime 2.1、GPT-Live-1、Doubao SeedDuplex、Qwen Audio 3.0 等模型进行了对比，覆盖全双工交互、语音理解、多轮对话及工具调用等关键维度。

在 FDB 系列测试中，MOSS-Live 展现出较强的对话节奏控制与无关声音拒识能力。其中，停顿抢话率仅为 1.44%，无关语音误接话率低至 2%，无关打断拒识率达到 68%，均为参评模型中的最佳表现。

在 τ-Voice 测试中，MOSS-Live 的附和抗干扰率达到 98.17%，口头语抗干扰率达到 82.16%，无关语音抗干扰率达到 78.90%，三项指标均领先于其他参评模型。这意味着 MOSS-Live 能够更准确地区分有效打断与无关声音，减少因停顿、附和或环境干扰造成的交互中断。

在 FDB v1 的打断后回答质量指标上，MOSS-Live 获得 4.88 分（满分 5 分）；在 FDB v2 涵盖实体跟踪、纠错与安全的综合指标上，得分为 3.63 分（满分 5 分），两项均为本次对比中的最高分。

在工具调用和多轮任务成功率这两项测试中，MOSS-Live 的成绩也位居前列。在 FDB v3 工具调用评测中，MOSS-Live 的成功率为 51%，和 Doubao SeedDuplex 并列最高，在 τ-Voice 的多轮任务评测中，MOSS-Live 的成功率为 57.93%，仅次于 GPT-Live-1。

真实场景 Demo：MOSS-Live 如何参与你的生活？

为了更直观地呈现 MOSS-Live 在实际应用中的交互表现，我们选取了四个具有代表性的场景，以展示 MOSS-Live 在全双工对话、多人讨论及复杂任务执行等方面的综合能力。

会议室里的 AI 参会者

在一场会议上，MOSS-Live 作为 AI 参会者接入，被打断后也能根据新增的对话信息调整调查范围，并在查询完成后主动加入讨论。有人随口附和时，MOSS-Live 并未中断发言；当另一位同事提出新的问题时，它又能及时停下并作出回应。几轮讨论后，有人重新问起先前提到的杭州活动，它依然能准确接续上下文。会议结束时，MOSS-Live 根据讨论内容整理出初步结论和后续待办事项。

开车途中的 AI 助理

在开车途中，用户让 MOSS-Live 帮忙规划一次自驾游。过程中用户又临时改变主意，MOSS-Live 随即调整行程，并在后台继续查询酒店。随后，用户多次打断，穿插询问船票、停车费用和住宿选择。即使话题反复切换，当用户需要时，MOSS-Live 仍能从之前中断的位置继续介绍路线。期间，车载导航声音多次响起，MOSS-Live 均能识别为无关声音，并未中断回复。

让 AI 当个随身向导

一位外国游客让 MOSS-Live 规划上海游览路线。游客举起手机询问眼前的建筑，MOSS-Live 结合实时画面认出和平饭店，并介绍其历史。讲解过程中当游客打断，想了解酒店房价和餐饮选择时，它又能转而查询相关信息。等游客问起「刚才被打断前说到哪里了」，MOSS-Live 还能接着介绍，让讲解随着游客的兴趣自然展开。

从轮流说话，走向更自然的全模态实时交互

全模态实时交互代表了下一代 AI 交互的演进方向，模型不仅要同时「看见」和「听见」，还要在交互过程中持续感知、理解、表达与行动。围绕这一方向，MOSS-Live 将全双工对话、多模态感知、主动交互与任务执行能力相结合，探索更加自然、流畅的实时交互体验。

自然流畅的全双工对话

语义打断：准确区分附和与主动打断，不因简短回应而中断输出，并在用户明确打断时及时响应。

语义判停：基于语义理解判断用户是否完成表达，在句中停顿或思考时主动等待，避免过早接话。

区分说话对象与无关拒识：MOSS-Live 能区分哪些话是在对它说的，不会被旁人闲聊、自言自语及设备播放声音等无关声音误触发。

自然附和：根据表达内容与对话节奏，在适当时机主动给予简短回应。

断点续说与记忆：即便被多次打断和切换新话题，MOSS-Live 仍记得被打断时的发言位置与上下文，支持跨话题切换后的自然接续。

主动交互

MOSS-Live 还可以按照用户的要求，实现主动交互。比如，你可以让它在你背诵过程中及时纠错，或者让它在会议讨论中留意某些重要事项，并在合适的时机主动提醒。它能够持续关注对话内容，在满足特定条件时主动介入。

边聊边做事

除了实时对话，MOSS-Live 还能够实时调用工具、执行后台任务。MOSS-Live 在后台执行天气查询、股价查询、餐厅推荐、行程规划等任务时，前台仍可保持连续对话，它会在任务完成后主动反馈结果。

边听边译

MOSS-Live 支持流式同声传译，可以在持续接收源语言语音的同时，以接近真人同声传译的低延迟实时输出目标语言。即使说话者持续发言，翻译也能保持连贯，适用于跨语言交流、国际会议等场景。

不只能听，还能看

MOSS-Live 也支持视频通话与屏幕共享，能够结合画面信息理解场景并进行交互。同时具备非语言声音理解能力，可识别环境声音、感知说话者的音色等声学特征，实现融合视觉、语音与环境信息的多模态实时交互。

即刻体验 MOSS-Live

现在，MOSS-Live 已正式开放在线体验和 API 接入（限时免费）。

你可以在模思智能官网与 MOSS-Live 对话，也可以通过 API 集成到自己的产品和应用中。

（来源：模思智能）