Le 12 novembre 2026, l'équipe MOSS de l'université Fudan, avec le Shanghai Innovation Institute et MOSI, a présenté MOSS-Live, un modèle d'interaction vocale temps réel en duplex intégral, ainsi que des évaluations comparatives face à GPT-Live-1, Doubao SeedDuplex et d'autres modèles. MOSS-Live arrive en tête des six indicateurs de duplex intégral, avec un taux de fausse réponse aux voix non pertinentes de seulement 2 %, contre 68 % pour GPT-Live-1 et 75 % pour Doubao. Son taux d'achèvement des tâches multi-tours reste toutefois derrière celui de GPT-Live-1.
Un taux de fausse réponse de 2 % : en tête des six indicateurs de duplex intégral
Le duplex intégral se joue au jugement dans une vraie conversation : ne pas interrompre quand l'utilisateur réfléchit en silence, ne pas répondre aux voix qui ne s'adressent pas à vous, et distinguer un acquiescement d'une vraie interruption. Le taux d'interruption pendant les pauses de MOSS-Live est de 1,44 %, contre 10,37 % pour GPT-Live-1 et 14,29 % pour Doubao ; son taux de fausse réponse aux voix non pertinentes est de 2 %, soit 66 et 73 points de moins que les deux modèles comparés. Son taux de rejet des interruptions non pertinentes est de 68 %, contre 21 % et 13 %. La robustesse aux acquiescements, aux tics de langage et aux voix non pertinentes — 98,17 %, 82,16 % et 78,90 % — est également la meilleure parmi les modèles évalués.
Ex aequo en tête pour les appels d'outils, derrière GPT-Live-1 sur les tâches multi-tours
Savoir discuter n'est pas savoir mener une tâche à bien. Pour le taux de réussite des appels d'outils, MOSS-Live atteint 51 %, à égalité avec Doubao en tête, devant GPT-Live-1 à 45 % ; mais son taux de réussite des tâches multi-tours est de 57,93 %, sous les 67,68 % de GPT-Live-1 et au-dessus des 17,38 % de Doubao. La compréhension vocale montre les mêmes arbitrages : la précision Big-Bench Audio est de 88,40 %, sous les 90,50 % de Doubao, et le suivi d'instructions multi-tours est de 3,35 sur 5, sous les 3,72 de GPT-Live-1. La qualité des réponses après interruption (4,88) et le suivi d'entités, la correction et la sécurité (3,63) sont en revanche les plus élevées : le modèle reprend mieux le fil après une interruption.
MOSS-Live prend aussi en charge l'interruption sémantique, la vidéo en temps réel, le partage d'écran et l'interprétation simultanée en streaming : l'interaction continue au premier plan pendant que les tâches longues s'exécutent en arrière-plan. Un utilisateur peut demander une recherche d'hôtel en pleine discussion de voyage ; la recherche avance en arrière-plan et le résultat revient dans la conversation dès qu'il est prêt. Les réunions à plusieurs, la voiture et le service client en profitent d'abord — plus l'environnement est bruyant et les interruptions nombreuses, plus les fausses réponses et les interruptions coûtent cher. Tous ces chiffres proviennent de l'évaluation publiée par le fournisseur ; la page officielle ne précise ni la taille des échantillons, ni les marges d'erreur, ni la configuration complète de l'évaluation, et les scores de différents benchmarks ne doivent pas être additionnés en un classement global.
MOSS-Live est désormais disponible en essai en ligne et par API sur la plateforme MOSS, la nouvelle publication publique de l'équipe depuis la mise en open source de MOSS-Image. Le même jour, le domaine de la voix temps réel a aussi vu le lancement de Tencent Hunyuan Hy Realtime : les deux modèles visent le scénario « discuter tout en faisant avancer les choses ». La question à suivre est de savoir si des tiers pourront reproduire ces résultats en duplex intégral, et comment se comporteront la latence et la stabilité en réunion réelle et en voiture.
