随着实时语音模型的发展，全双工正在成为一个重要的技术方向。
这使得语音模型“边听边说”成为可能，也让问题转向：当听与说同时发生，系统应该如何持续决策，自然参与对话？
话轮判定、打断识别、倾听反馈、非指向性语音的拒识，以及新信息对后续生成的影响，都需要在这一框架下重新处理。Full-Duplex-Bench 等评测基准也正在将这些行为拆解为可量化的维度。
接下来，我们将从这些问题出发，结合具体对话场景，说明什么是真正的全双工实时交互，并介绍 MOSS-Live 在这一方向上的能力与评测表现。
什么是全双工语音交互？
在语音交互中，半双工与全双工的核心区别，首先在于输入和输出能否同时进行。
全双工（Full-Duplex）系统能够在同一时刻「边听边说」，模型持续处理输入音频流的同时生成输出语音流，从而支持随时打断、反馈信号、重叠语音处理与自然的轮替。
而半双工（Half-Duplex）系统同一时刻只能「听」或「说」，依赖静音检测（VAD）进行轮次切换。
我们关注的全双工实时交互包含两个层面：听与说在时间上并行，对话行为随语义和上下文持续调整。 前者让系统能够边听边说，后者让它知道应该怎样参与交流。
判断一个系统是否具备真正意义的全双工交互能力，关键要看：它说话期间听到的信息，能否及时参与后续的对话决策。
仅仅让麦克风保持开启，或者先把用户的声音录下来、等回答播完再处理，都不足以说明模型已经在边听边说。另一方面，全双工也不保证每一次接话都恰到好处。并行听说是基础能力，如何运用这种能力，决定了交互体验。
能被打断，为什么还不足以证明全双工？
“你一开口，AI 就停下来”常常被认为是全双工一个很直观的体现，但同样的表面效果，可以来自不同的技术机制。
例如，系统可以通过语音活动检测（VAD）判断用户是否发声，一旦检测到语音就停止播放，随后再处理用户输入。这样的机制实现了打断，却不能单独证明模型在输出过程中持续理解了新信息。
更难的问题是：用户开口之后，AI 是否真的应该停下来？
AI 正在解释一个方案，你说“嗯，明白”，通常是在表示自己跟得上；你说“等一下，预算只有两千”，则是在修改约束。如果这两种声音都触发同样的停止动作，对话依然会显得机械。
当它介绍调整后的方案，你轻声回应“嗯，可以”，这类简短附和通常不触发话轮切换，你不必因为担心打断它而刻意保持安静。
同样，在你较长时间描述需求时，具备相应能力的系统可以适时给出简短回应，让你知道它还在听。这类回应称为 backchannel，即倾听反馈。
当然，持续听见周围的声音，也意味着系统需要判断哪些话是说给它听的。你转头与同事交谈，或身旁响起导航播报时，AI 不应把每一段人声都当成新指令。
Full-Duplex-Bench v1.5 将用户打断、用户附和、与他人交谈、背景人声区分为不同的重叠语音场景，正是因为它们需要不同的处理策略。
因此，打断能力可以作为观察全双工体验的一个入口，却不能成为唯一依据。还需要看模型听到了什么、如何判断，以及后续回答是否真正吸收了新增信息。
MOSS-Live：面向持续交流的全双工实时交互系统
MOSS-Live 正是按照上述标准构建的全双工实时交互模型。
它在输出语音的同时持续理解新的输入，说话期间听到的信息会实时进入对话决策：思考停顿不会被误判为话轮结束，简短附和不会打断输出，补充和纠正能够直接改变后续回答，旁人交谈与背景人声也不会被当作新指令。在此基础上，MOSS-Live 还结合视觉感知、工具调用等能力，将这种交互方式延伸到更丰富的应用场景中。
在公开的多人会议演示中，MOSS-Live 能够区分与会者的简短附和和新的提问，并在信息查询完成后主动加入讨论；在自驾游规划演示中，用户多次调整需求、切换话题后，MOSS-Live 仍可接续先前未讲完的话题，同时不受导航播报音的干扰。这些场景展示了 MOSS-Live 在真实场景中的交互表现。
完整的能力介绍、Demo 演示和评测表现，可前往 MOSS-Live 详情页查看。
即刻体验 MOSS-Live
现在，MOSS-Live 已正式开放在线体验和 API 接入。
你可以在模思智能官网与 MOSS-Live 对话，也可以通过 API 集成到自己的产品和应用中。
- 在线体验 MOSS-Live：https://platform.moss.cn/app/playground/
- 实时交互 API 文档：https://platform.moss.cn/docs/scenarios/moss-live/
- 项目介绍与完整评测：https://github.com/OpenMOSS/MOSS-Live