2026年11月12日、復旦大学のMOSSチームは上海創智学院およびMOSIと共同で、全二重リアルタイム対話モデルMOSS-Liveを発表し、GPT-Live-1や豆包SeedDuplexなどとの比較評価も公開した。MOSS-Liveは全二重の6指標すべてで首位に立ち、無関係な音声への誤応答率はわずか2%で、GPT-Live-1の68%、豆包の75%を大きく下回った。ただしマルチターンタスクの完了率では依然GPT-Live-1に及ばない。
誤応答率2%：全二重6指標すべてで首位
全二重で問われるのは、実際の会話における判断力だ。ユーザーが考えて黙っているときに口を挟まず、自分に向けられていない声に反応せず、相づちと割り込みを見分ける。MOSS-Liveの沈黙中の割り込み率は1.44%で、GPT-Live-1の10.37%、豆包の14.29%を下回る。無関係な音声への誤応答率は2%で、比較対象より66ポイントと73ポイント低い。無関係な割り込みの拒否率は68%で、GPT-Live-1と豆包は21%と13%にとどまる。相づち、口癖、無関係な音声に対する耐性も98.17%、82.16%、78.90%と、いずれも評価対象の中で最高だった。
ツール呼び出しは並んで首位、マルチターンタスクはGPT-Live-1に及ばず
会話がうまいことと、物事をやり遂げることは別だ。ツール呼び出し成功率ではMOSS-Liveは51%で豆包と並んで首位、GPT-Live-1は45%だった。一方、マルチターンタスク成功率は57.93%で、GPT-Live-1の67.68%には及ばず、豆包の17.38%は上回った。音声理解にもトレードオフがある。Big-Bench Audioの正解率は88.40%で豆包の90.50%に及ばず、マルチターン指示遵守は5点満点中3.35点でGPT-Live-1の3.72点を下回った。ただ、割り込み後の回答品質4.88点、エンティティ追跡・訂正・安全性3.63点は最高で、会話が中断された後の立て直しに強い。
MOSS-Liveは意味的な割り込み、リアルタイム動画、画面共有、ストリーミング同時通訳にも対応し、前面で対話を続けながら裏側で時間のかかるタスクを進める設計だ。旅行の相談をしながらホテル検索を依頼すれば、検索は裏で進み、結果が出たところで会話に戻ってくる。まず恩恵を受けるのは多人数の会議、車載、顧客対応の場面で、環境が騒がしく割り込みが多いほど、誤応答と割り込みのコストは大きくなる。なお、上記の数値はすべて製品側が公表した評価によるもので、公式ページはサンプル数、誤差範囲、評価の詳細な設定を示しておらず、異なるベンチマークの点数を合算して総合順位を作るべきではない。
MOSS-LiveはMOSSプラットフォームでオンライン体験とAPI利用が始まっており、MOSS-Imageのオープンソース化以来のチームの新たな公開成果だ。リアルタイム音声の分野では同日にテンセント混元Hy Realtimeの発表もあり、両モデルとも「話しながら用事を済ませる」場面を狙っている。今後の注目点は、第三者がこの全二重の成績を再現できるかどうか、そして実際の会議や車載環境での遅延と安定性だ。
