MOSS-Live：边听边干活的实时语音系统

MOSS-Live 由 OpenMOSS 发布，支持全双工对话，能同时听和说，也能处理真正的打断。一段思考中的停顿、一句“嗯哼”式的附和，和真正要抢话的请求，它分得清。它的设计围绕两个决策。一是怎么一直保持倾听、在正确的时机回应；二是任务还在跑的时候，怎么让对话继续。OpenMOSS 的引用条目把年份写成 2026。

全双工的难点不只是“同时”，还在于分清哪些声音该理。MOSS-Live 有选择性注意力，用对话上下文判断一句话是对着它说的，还是背景人声、附近聊天。

FDB v1.5 有一项“对别人说话”测试。MOSS-Live 的响应率是 2.00%，对比模型在 72% 到 88% 之间。背景语音这一项，它是 10.00%，其他模型在 66% 到 95% 之间。别家模型多数时候会被非指向语音触发，它很少。

τ-Voice 上三项选择性指标它都排第一。附和选择性 98.17%，口头禅选择性 82.16%，非指向语音选择性 78.90%。能听懂“嗯哼”是附和而不是提问，是这套交互成立的前提。

有一项它没做到最好。τ-Voice 的智能体打断率为 9.18%，低于多数对比模型，但高于 Doubao SeedDuplex 的 7.86%——这项越低越好，它排第二。

把任务丢到后台而不让对话卡住，是另一条设计主线。MOSS-Live 可以把研究、推理和工具调用派发到后台，前台保持可对话状态。连接这两条时间线的是一层共享协调层，通过记忆、上下文和任务状态把它们串起来。

FDB v3 的工具使用成功率，MOSS-Live 是 51.00%，与 Doubao SeedDuplex 并列最佳。工具选择 F1 为 95.68%，只低于 Doubao 的 96.99%。参数准确率 72.17%，也低于 Doubao 的 75.00%。工具使用场景下的响应延迟是 2.36 秒。它比 GPT Realtime 2.1 的 1.61 秒慢，比其他对比模型快。差距出现在工具调用场景，不是闲聊往返。

OpenMOSS 给了三个例子，都在说对话可以中途变。

一个例子里，MOSS-Live 加入一场讨论活动策划的小组会议。它同时查上海和杭州的天气与大型活动。另一个例子里，舟山两日游原本安排爬山，途中改成海边休闲，它跟着改。第三个是带英语游客逛上海，通过实时摄像头识别和平饭店，边看边讲历史。

实时视觉理解把摄像头或屏幕共享的画面、语音和环境声放进同一段对话。跨轮次连续性负责另一种情况：跟随纠正和话题变化，保留相关上下文。被打断的解释，它还能回去接着说。

在 FDB v1 的“打断后回应质量”上，它得 4.88/5，高于所有对比模型；FDB v2 的“实体追踪、纠正与安全”得 3.63/5，同样最高。τ-Voice 的多轮任务成功率 57.93%，排第二。

评估覆盖三个互补的方面：全双工行为，工具使用与多轮任务，以及带对话连续性的语音理解。对比横跨 FDB v1、v1.5、v2、v3、Big-Bench Audio 和 τ-Voice。

FDB v1 展示的六项交互指标，MOSS-Live 都拿到最高分。不过换手率里有一项越低越好的指标，它是 10.19%。这个数字高于 GPT Realtime 2.1 的 2.31%，低于 GPT-Live-1 的 36.11%，夹在两个模型之间。

Big-Bench Audio 的总体准确率是 88.40%。它低于 GPT Realtime 2.1 的 90.10%，也低于 Doubao SeedDuplex 的 90.50%。纯音频理解上它落后，优势集中在“什么时候开口、什么时候收住”这一类时序判断上。

MOSS-Live 有在线 playground，也提供了实时 API 的接入指南。OpenMOSS 给的试用提示很具体。规划一次旅行，中途改主意，或者打开摄像头聊你看到的东西。

代码和模型权重是否公开、以什么协议公开，没有说明。支持哪些语言也没有交代，英语游客那个示例只能说明它至少能处理英语对话。摄像头在弱光或遮挡环境下的表现，音频与画面数据如何处理，实时部署的成本，目前都不清楚。