模思智能推出 MOSS-Live，一套全双工实时语音交互系统，核心特性是可以同时聆听、语音输出、执行任务，告别传统语音助手 “一问一答、轮流收发” 的对讲机模式，更接近真人通话体验。
- 项目主页：https://www.moss.cn/products/moss-live
整套系统采用前后台分离协同架构：前台交互模型负责低延迟的听、说、实时语义判断，保证对话流畅；后台模型异步承载长耗时推理、工具调用、复杂任务，二者共享记忆与上下文，任务完成后择机把结果带入对话，后台跑任务不会打断当前聊天。
核心特性与技术亮点
- 全双工与语义级交互：
- 听说并行：AI 在说话的同时可持续接收和理解用户的语音输入，任何时刻都能对声音做出即时判断。
- 语义判停与精准打断：摒弃了传统依赖静音毫秒数（VAD）的粗暴判断，MOSS-Live 基于语义上下文精准区分用户的“嗯哼”附和、思考停顿与真实打断。被打断时，它能清楚记住自己实际说到了哪个字，并在恢复时从断点无缝接续，而非从头重复。
- 前后台协同架构：
- 前台保流畅，后台办复杂事：前台交互模型始终在线，负责维持低延迟的实时听与说；后台模型则异步执行复杂的逻辑推理和工具调用（如查询实时股价、天气或进行深度调研）。
- 状态共享与择机反馈：前后台共享记忆、上下文与任务状态。当后台任务完成时，系统会智能选择对话间隙将结果自然地带入当前交流，确保主对话流不被强行中断。
- 多模态感知与实时翻译：
- 支持视频通话和屏幕共享，为 AI 提供丰富的视觉上下文；同时具备环境音识别与特征描述能力。
- 支持“边听边译”，在用户说话的过程中即可实时输出翻译结果，无需等待整段语音结束。
- 智能场景适应：
- 在多人共处一室的场景下，系统能精准分辨哪句话是对其发出的指令，自动忽略旁人之间的闲聊，避免无效插嘴。
- 支持用户自定义主动帮助规则，例如在特定条件下主动纠正错误、计数或发出提醒。
架构演进意义
MOSS-Live 的推出标志着语音交互技术从“指令-响应”的单向链路，向“并发处理、状态共享”的拟人化交互范式演进。其核心的“语义判停”机制与“前后台协同”架构，有效解决了当前实时语音 AI 普遍存在的打断生硬、长任务阻塞对话等痛点，为智能客服、实时翻译、车载助手及多模态个人助理等场景提供了更具实用价值的底层技术支撑。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
