MOSS-Live 是什么?
MOSS-Live 是以交互判断为核心的全双工语音模型。本文梳理其官方评测数据、支持能力、架构分工与已披露的短板。
最近更新 ·
MOSS-Live:全双工实时语音交互模型
资料对应公告日期:
MOSS-Live 是一个全双工实时语音交互模型,核心能力是判断对话节奏:何时继续说、何时等待、何时把话轮交还给用户。根据 MOSS 官网公布的评测,它在六项全双工指标上均位居图中参评模型首位,其中包括 2.00% 的无关语音误接话率和 1.44% 的停顿抢话率。但它并非全面领先:多轮指令遵循和语音理解仍落后于部分竞品。本页在已有 MOSS-Live 档案基础上,补充最新公布的评测与能力信息。
MOSS-Live 是什么,全双工意味着什么
MOSS-Live 将交互判断作为核心能力,包括判断何时继续说、何时等待、何时把话轮交还给用户。这种话轮判断是模型的组织性思路,而不是附加功能。
全双工语音交互意味着系统在同一段连续交流中同时听和说,而不是在“听”和“说”两种状态之间严格切换。实际难点不在于生成语音,而在于判断传入的音频是否在对自己说话,以及一次停顿是话轮结束还是只是换气。
- 核心能力:实时交互判断,包括继续、等待或让出话轮
- 全双工定位:持续感知与交流,而非严格轮流发言
- 产品定位:语音交互模型,而不只是语音转文字或文字转语音组件
六项全双工指标的官方评测结果
根据 MOSS 官网公布的评测,MOSS-Live 在六项全双工指标上均位居图中参评模型首位。差距最明显的是两项与打断相关的指标。
MOSS-Live 的无关语音误接话率为 2.00%,GPT-Live-1 为 68%,豆包为 75%。停顿抢话率为 1.44%,GPT-Live-1 为 10.37%,豆包为 14.29%。这两项分别描述模型对并非针对自己的语音作出响应的频率,以及在停顿期间插话的频率。
在工具调用方面,FDB v3 工具调用成功率达到 51%,高于 GPT-Live-1 的 45%,与豆包并列最高。打断后回答质量为 4.88/5,实体跟踪、纠错与安全为 3.63/5,均为图中参评模型最高。
- 无关语音误接话率:MOSS-Live 2.00%,GPT-Live-1 68%,豆包 75%
- 停顿抢话率:MOSS-Live 1.44%,GPT-Live-1 10.37%,豆包 14.29%
- FDB v3 工具调用成功率:MOSS-Live 51%,GPT-Live-1 45%,与豆包并列最高
- 打断后回答质量:4.88/5,图中最高
- 实体跟踪、纠错与安全:3.63/5,图中最高
MOSS-Live 的短板
公布的评测并非全面领先。在 τ-Voice 多轮任务成功率上,MOSS-Live 为 57.93%,较豆包的 17.38% 高出 40.55 个百分点,但在原图六款模型中排名第二。GPT-Live-1 以 67.68% 领先,MOSS-Live 与它相差 9.75 个百分点。
语音理解是另一个较弱环节。Big-Bench Audio 准确率为 88.40%,低于豆包的 90.50%。多轮指令遵循为 3.35/5,低于 GPT-Live-1 的 3.72/5 和豆包的 3.44/5。
这些结果说明,该模型在“何时开口”上相当克制,但在部分持续性多轮任务和语音理解任务上仍有差距。页面未展开样本量、误差范围、API 快照及完整评测配置,因此这些数字应理解为厂商公布结果,而非独立复现结果。
- τ-Voice 多轮任务成功率:57.93%,图中第二,落后 GPT-Live-1 9.75 个百分点
- Big-Bench Audio 准确率:88.40%,低于豆包的 90.50%
- 多轮指令遵循:3.35/5,低于 GPT-Live-1 和豆包
- 未披露:样本量、误差范围、API 快照、完整评测配置
实时交互与后台推理如何分工
MOSS-Live 将实时交互与耗时任务分工处理。前台负责持续感知和交流,后台承担复杂推理、工具调用与任务执行。协同层位于两者之间,共享记忆、上下文及任务状态。
这种分工对语音产品很重要,因为两类负载的需求相反。对话节奏要求低延迟和持续关注;推理与工具调用耗时更长,不应阻塞对话。分开处理可以让前台保持交流的响应性,同时让后台处理更复杂的请求。
- 前台:持续感知和交流
- 后台:复杂推理、工具调用与任务执行
- 协同层:在两者之间共享记忆、上下文及任务状态
支持的能力
MOSS-Live 支持全双工语音、语义打断、实时视频和屏幕共享,以及流式同声传译。语义打断意味着模型可以依据打断的含义作出响应,而不只是检测到停顿或音量变化。
实时视频和屏幕共享把交互从音频扩展到视觉内容,流式同声传译则指向实时翻译场景。公布材料将这些列为支持能力,但未提供各功能的可用范围、延迟数据或地区上线信息。
- 全双工语音交互
- 语义打断
- 实时视频和屏幕共享
- 流式同声传译
上手方式、访问与价格状态
现有材料未包含产品网址、注册流程、API 文档、模型快照名称或价格信息。已有档案未列出官网,公布的评测页面也未展开 API 快照及完整评测配置。
目前应将访问方式和价格视为未知,而不是假定存在免费额度或公开 API。如果正在评估将 MOSS-Live 用于产品,实际可行的下一步是在规划集成前直接向厂商确认可用性、延迟和价格。
- 访问方式:材料中未说明
- API 快照与文档:未披露
- 价格:未知,未提供价格信息
- 建议下一步:集成规划前向厂商确认可用性与条款
档案更新说明
本页更新已有 MOSS-Live 档案,而非新建条目。此前维护的描述为:“MOSS-Live 是以交互判断为核心的全双工语音模型,官方评测覆盖误接话、抢话、工具调用与多轮任务等指标。”该描述作为既有编辑内容在此保留。
本次新增内容包括官方六项指标评测数据、能力清单、前后台架构说明,以及多轮任务和语音理解方面的已披露差距。本次更新未提供搜索需求信号,因此需求按新词观察处理。
- 既有描述与本次更新分开保留
- 新增:官方评测数据、能力、架构、已披露限制
- 需求状态:新词观察,未提供搜索信号
常见问题
MOSS-Live 的全双工是什么意思?
指模型在同一段连续交流中同时处理听和说,而不是严格在两种状态间切换。MOSS-Live 的核心能力是判断何时继续说、何时等待、何时把话轮交还给用户,这正是连续交互得以成立的关键。
MOSS-Live 在打断相关指标上与 GPT-Live-1、豆包相比如何?
根据 MOSS 官网公布的评测,MOSS-Live 的无关语音误接话率为 2.00%,GPT-Live-1 为 68%,豆包为 75%;停顿抢话率为 1.44%,两者分别为 10.37% 和 14.29%。这些是厂商公布数据,未披露样本量和误差范围。
MOSS-Live 在所有公布指标上都领先吗?
不是。它在图中六项全双工指标上均居首位,但 τ-Voice 多轮任务成功率为 57.93%,落后于 GPT-Live-1 的 67.68%。Big-Bench Audio 准确率 88.40% 低于豆包的 90.50%,多轮指令遵循 3.35/5 也低于 GPT-Live-1 和豆包。
MOSS-Live 支持屏幕共享和同声传译吗?
支持。根据公布的能力清单,MOSS-Live 支持全双工语音、语义打断、实时视频和屏幕共享,以及流式同声传译。材料未提供各功能的可用范围、延迟或价格细节。
原始资料
工具信息
工具信息有变化? 帮助我们更新
MOSS-Live 的评价
正在加载评价…