NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

OpenMOSS、会話を止めずに背景でツールを実行する全二重音声AI「MOSS-Live」を公開

研究グループOpenMOSS Teamは2026年11月7日、話しながら聞き取り、会話を中断せずに背景でツールを実行するリアルタイム音声システム「MOSS-Live」を公開しました。プレイグラウンドとリアルタイムAPIが利用でき、公開リポジトリは設計文書と評価結果が中心で、モデルの重みは含まれていません。

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。

図解前景と背景を分ける構成
  1. 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

  2. 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

  3. 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

  4. 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.

OpenMOSS Team、Hugging Face Blog(2026-11-07)

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。

図解ツール実行とタスク達成の公表値
  • 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

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む