MOSS-Live 運営中

MOSS-Liveは、模思智能が開発した全二重リアルタイムインタラクションシステムです。MOSS-Liveにより、AIは人間のように聞きながら話し、意味レベルで応答・待機・割り込み受け入れのタイミングを判断します。相づちや環境音による誤作動を防ぎ、ビデオ通話、画面共有、環境音の理解に対応しています。フロントエンドとバックエンドが連携するアーキテクチャを採用し、会話を中断することなく、資料検索や計画立案などの複雑なタスクを非同期で完了できます。タスク完了後は結果を自発的にフィードバックします。MOSS-Liveは、GPT Realtimeなどの競合製品を複数のベンチマーク指標で上回っており、APIは期間限定で無料公開されています。

全二重対話：聞きながら話し、意味レベルで応答・待機・割り込みの受け入れ・沈黙のタイミングを判断します。
意味に基づく割り込み：相づちと能動的な割り込みを区別し、「うん」などの短い応答では中断されず、明確な割り込みにはすぐに応答します。
意味に基づく発話終了判定：意味理解に基づいてユーザーが話し終えたかを判断します。文中の間や思考中は自発的に待機し、話を遮りません。
無関係な音声の拒否：自分に向けられた発話を識別し、周囲の雑談や独り言、機器の再生音による誤作動を防ぎます。
自然な相づち：会話の内容とリズムに応じて、適切なタイミングで短い応答を返します。
中断地点からの再開と記憶：何度も中断されたり話題を切り替えたりしても、中断された位置と文脈を記憶し、自然に会話を再開できます。
能動的なインタラクション：ユーザーが設定した条件に基づいて会話を継続的に見守り、条件を満たすと自発的に介入します。
会話しながらタスクを実行：ツールを呼び出して検索や計画立案などを非同期で実行します。会話を中断せず、タスク完了後に結果を自発的にフィードバックします。
聞きながら翻訳：ストリーミング同時通訳に対応し、人間の同時通訳に近い低遅延で翻訳結果を継続的に出力します。
マルチモーダル知覚：ビデオ通話と画面共有に対応し、環境音や話者の声質を理解します。視覚・音声・環境情報を融合してインタラクションを行います。

フロントエンドとバックエンドが連携するアーキテクチャ：MOSS-Liveはリアルタイムインタラクションと複雑なタスクを分離し、異なるモデルが役割を分担します。フロントエンドのインタラクションモデルは音声・映像・環境音を継続的に受け取り、会話状態を理解して、聞く・応答する・待機するタイミングを判断します。バックエンドモデルは、深い推論や長時間の実行を必要とするタスクを担当します。両者は共有メモリ、コンテキスト、タスク状態を通じて連携し、フロントエンドはバックエンドのタスク進捗を把握します。タスク完了後、適切なタイミングで結果を会話に戻すため、ユーザーは待つことなく交流を続けられます。
意味レベルの全二重制御：MOSS-Liveは継続的に聞き続けながら、意味・発話意図・会話状態をリアルタイムで理解し、応答・待機・割り込みの受け入れ・沈黙のタイミングを動的に判断します。これにより、真に自然な並行リスニングと発話を実現します。
継続的なマルチモーダル知覚：システムは音声ストリーム、映像、音響環境という3つの情報源を継続的に統合します。インタラクションの判断はマルチモーダル情報の総合的な理解に基づきます。たとえば、リアルタイム映像と組み合わせてユーザーが指している物体を識別したり、ナビゲーション案内などの無関係な音声を識別して応答を拒否したりできます。

公式サイトで体験：模思智能公式サイト https://www.moss.cn にアクセスし、「MOSS Liveを体験」をクリックします。登録・ログイン後にマイクとカメラを許可すると、音声を選択して全二重音声対話を開始できます。
API連携：https://platform.moss.cn にアクセスして開発者アカウントを登録し、アプリを作成してキーを取得します。公式ドキュメントに従って全二重インターフェースを統合し、MOSS-Liveを自社製品に組み込めます。

会話のテンポ制御で業界をリード：発話の重なり率はわずか1.44%で、GPT Realtimeの2.1やDoubao SeedDuplexを大きく下回り、待機と応答のタイミングが最も自然です。
無関係な音声の拒否性能が非常に高い：無関係な音声への誤応答率はわずか2%で、比較対象の競合製品の68%–88%を大きく下回ります。周囲の雑談や機器の再生音による誤作動を防ぎます。
割り込み処理の品質が最高水準：FDB v1では、割り込み後の回答品質が4.88/5点です。相づちで中断されず、ユーザーが実際に割り込んだときにはすぐに応答し、文脈を引き継げます。
会話とタスクを並行処理：フロントエンドとバックエンドの連携により、複雑なタスクをバックグラウンドで非同期実行します。会話を妨げず、完了後に結果を自発的にフィードバックします。
マルチモーダルなリアルタイム知覚：音声、映像、画面共有、環境音を同時に融合し、「見ながら、聞きながら、話す」フルモーダルインタラクションを実現します。
中断地点からの再開性能が高い：何度も中断されたり頻繁に話題を切り替えたりしても、発話位置と文脈を記憶し、以前の内容を自然に再開できます。
ストリーミング同時通訳に対応：聞きながら翻訳し、人間の同時通訳に近い低遅延で翻訳結果を継続的に出力できます。多言語交流の場面に適しています。

プロジェクト公式サイト：https://www.moss.cn/products/moss-live

AI会議参加者：仮想参加者として議論をリアルタイムで追跡し、割り込まれた後も文脈を引き継ぎます。会議後には結論とタスクを自動で整理します。
車載音声アシスタント：運転中にルートを計画したり、乗船券やホテルを検索したりできます。ナビゲーション案内の干渉に強く、何度も中断されても中断地点からルート案内を再開できます。
携帯型旅行ガイド：目の前の建物を映像で認識して歴史を解説します。ホテル料金やレストランの検索でいつでも中断でき、旅行者の興味に合わせて解説を自然に展開します。
多言語同時通訳：国際会議や多言語交流の場で聞きながら翻訳し、人間の同時通訳に近い低遅延で翻訳結果を継続的に出力します。
学習練習とリマインダー：暗唱中にリアルタイムで誤りを訂正し、会議中は重要事項を見守ります。あらかじめ設定した条件を満たすと、自発的に介入して通知します。