発表は2026年11月7日の技術ブログ記事です。OpenMOSS Teamは上海創新研究院(SII)のもとで研究を進めるグループで、復旦大学とMOSS-AIと連携しています。同日にGitHubリポジトリとプロジェクトページも作られ、評価結果の全文をまとめた文書も公開されました。
MOSS-Liveは、話している間も入力音声を受け続ける全二重の対話を扱います。うなずきのような相槌と、話を替えたい本物の割り込みを区別し、会話の相手に向けられた発話と、周囲で交わされている会話を選び分けます。カメラや画面共有の映像も同じ会話に取り込まれ、音声と併せて理解の対象です。
- 01 前景モデル
会話の時間
聞き取り、割り込み、話題の変更を処理する
- 02 調整レイヤー
メモリとタスク状態
二つの時間をつなぎ、文脈を共有する
- 03 背景モデル
タスクの時間
推論やツール実行を会話と並行して進める
- 04 結果の受け渡し
適切な時点で
終わったタスクの結果を会話に戻す
公式発表とGitHubリポジトリのREADMEにあるアーキテクチャの説明(2026-11-07)に基づく。
この分担により、検索や調べものに時間がかかる間も会話は止まりません。公式のデモでは、打ち合わせに参加して天候と行事を調べ、後で決定事項を要約します。宿の検索を続けたまま別の質問に答え、変更後の旅の計画も追跡の対象です。
「MOSS-Liveは、全二重の音声、リアルタイムの映像理解、背景でのタスク実行を、途切れない会話にまとめて持ち込みます。」
With MOSS-Live, we bring full-duplex speech, live visual understanding and background task execution into a continuous conversation.
公表された評価結果
評価は、全二重の挙動、ツール実行とマルチターンのタスク、音声理解の3面を、FDB v1からv3、Big-Bench Audio、τ-Voiceの6ベンチマーク・36指標で測っています。比較相手は、GPT Realtime 2.1、GPT-Live-1、Doubao SeedDuplex、Qwen Audio 3.0 Plus、Qwen Audio 3.0 Flashの5つです。
ツール実行では、FDB v3の成功率が51.00%で、比較表の最高に並びました。同率はDoubao SeedDuplexです。マルチターンのタスクでは、τ-Voiceの成功率が57.93%で、67.68%のGPT-Live-1に次ぐ2位でした。これらはチームの公表値で、第三者による再現は報告されていません。
FDB v3 ツール使用成功率
- MOSS-Live
- 51.00%
- GPT-Live-1
- 45.00%
- GPT Realtime 2.1
- 39.00%
- Doubao
- 51.00%
τ-Voice マルチターン成功率
- MOSS-Live
- 57.93%
- GPT-Live-1
- 67.68%
- GPT Realtime 2.1
- 49.39%
- Doubao
- 17.38%
Big-Bench Audio 正解率
- MOSS-Live
- 88.40%
- GPT-Live-1
- 80.80%
- GPT Realtime 2.1
- 90.10%
- Doubao
- 90.50%
OpenMOSS Teamの公表値(2026-11-07)。列のDoubaoはDoubao SeedDuplex。τ-Voiceの最高値はGPT-Live-1で、Big-Bench Audioの最高値はDoubao SeedDuplexの90.50%。独立検証はありません。
対話のタイミングについては、割り込み後の応答品質が5点満点で4.88、相槌を聞いている間の誤った話題引き継ぎが0.00%など、チームは比較表で最高の値を複数挙げています。文脈を保つ指標では、FDB v2の実体追跡・訂正・安全性の複合評価が3.63で表の最高でした。
APIと公開の範囲
MOSSの開発者向けドキュメントでは、モデルIDはmoss-live-1.0で、WebSocketのリアルタイムAPIから使えます。入力は16kHzのモノラル音声、出力は48kHzです。長時間の処理は開発者のサーバー側に委ねる構成で、実行中も対話音声を続けると説明しています。
ドキュメントには低帯域モードの計測例もあります。85秒の会話で、上りの音声は238kbit/sから17.6kbit/sに、下りは3,443KBから135KBに減りました。カメラ映像は142kbit/sから33kbit/sに圧縮されています。
一方、公開リポジトリの中身はREADME、中国語版、ベンチマーク文書、画像資産です。モデルの重み、実行できるソースコード、ライセンスファイルは2026年11月10日時点でなく、プレイグラウンドとAPI経由の利用が案内されています。
音声エージェントでは、割り込みへの対応と、返答が長いツール呼び出しの待ち時間が課題になってきました。前景と背景を分けて状態を共有する構成は、この課題への設計の一つの形です。重みやソースの公開、遅延と割り込み処理の独立した評価、料金やデータの扱いは今後の確認点になります。
出典
- MOSS-Live: A Full-Duplex Real-Time Interaction System(OpenMOSS Team、Hugging Face Blog、2026-11-07)公開日(Community Article、2026年11月7日)、全二重・選択的注意・ライブ映像・背景タスク実行の機能説明、前景と背景を調整レイヤーでつなぐ構成、6ベンチマーク・36指標の評価表全文、FDB v3の51.00%が同率最高・τ-Voiceの57.93%が2位という説明、プレイグラウンドとリアルタイムAPIの案内。2026-11-10に全文取得
- OpenMOSS/MOSS-Liveリポジトリ(GitHub、2026-11-07作成)リポジトリ作成日(2026-11-07T06:25Z)、READMEとdocs/benchmarks.mdの評価表(ブログと同値)、アーキテクチャ説明、内容がREADME・中国語版・docs・assetsのみで重み・実行コード・ライセンスファイルを含まない点。2026-11-10にAPIで確認
- Realtime voice and video conversation(MOSS API開発者ドキュメント、2026-11-10確認)モデルID(moss-live-1.0)、WSS /v1/realtimeエンドポイント、入力16kHzモノラル・出力48kHz、長時間処理の開発者サーバーへの委譲、低帯域モードの計測例(85秒会話で上り238→17.6kbit/s、下り3,443KB→135KB、カメラ142→33kbit/s)。2026-11-10に全文取得
- OpenMOSS organization(GitHub、2026-11-10確認)チームの所属(OpenMOSS Team is a research group under the Shanghai Innovation Institute)と復旦大学・MOSS-AIとの連携という公式説明。2026-11-10に確認
- MOSS-Liveプロジェクトページ(MOSS、2026-11-10確認)前景と背景のモデルが複雑な推論・ツール実行・タスク実行を非同期に処理し、結果を会話に戻すという説明、実体追跡・訂正・安全性の複合評価など公式機能記述。2026-11-10に確認
出典の確認日 2026.11.10