MOSS-Live принимает звук 16 кГц и не ставит разговор на паузу ради поиска

Большинство голосовых ИИ до сих пор разговаривают как рация. Сначала говорит человек, затем система распознаёт фразу, думает и отвечает. Если перебить её на середине, ответ часто обрывается окончательно или запускается заново. В живом разговоре это быстро раздражает: нельзя вставить «да», уточнить деталь или спокойно подобрать слово.

MOSI Intelligence предлагает другой подход. MOSS-Live, по заявлению разработчиков, продолжает слушать, пока сама говорит, различает короткую реакцию и команду остановиться, а после перебивания умеет вернуться к незаконченной фразе. На вход API принимает звук с частотой 16 кГц, на выход отдаёт 48 кГц. Подключение идёт через WebSocket, а изображение передаётся отдельными JPEG-кадрами.

Не очередь реплик, а общий поток

Представим голосового помощника для интернет-магазина. Он объясняет правила возврата, а покупатель на середине спрашивает: «А если коробку уже выбросил?» Обычный агент либо продолжит говорить поверх человека, либо забудет исходный ответ. MOSS-Live должна услышать уточнение, ответить на него и затем вернуться к тому месту, где остановилась.

Важен не сам эффект перебивания, а управление состоянием разговора. Система должна понимать, что «угу» не означает остановку, пауза внутри фразы не завершает реплику, а шумный разговор рядом вообще не относится к агенту. Именно здесь голосовые продукты обычно ломаются, хотя синтез речи и распознавание по отдельности уже работают прилично.

Разработчики также заявляют работу с камерой, демонстрацией экрана и окружающими звуками. Это позволяет строить помощника, который не только слышит вопрос, но и видит интерфейс или предмет перед пользователем. Например, агент техподдержки сможет следить за экраном и подсказывать следующий шаг голосом.

Две модели вместо одной паузы

Архитектура разделяет быструю разговорную часть и более медленную фоновую работу. Первая постоянно принимает звук, изображение и поддерживает диалог. Вторая ищет данные, вызывает инструменты или составляет план. Общее состояние связывает их, поэтому разговор не обязан останавливаться на время поиска.

Практический сценарий выглядит так: пользователь просит подобрать билеты, затем обсуждает ограничения по багажу, пока фоновая модель проверяет варианты. Когда поиск заканчивается, результат возвращается в разговор в подходящий момент. Для продукта это полезнее обычного индикатора загрузки: агент остаётся доступным, может принять новое условие и скорректировать ещё не завершённую задачу.

Но здесь же появляется сложная инженерная проблема. Если пользователь изменил дату поездки, пока фоновый поиск уже выполняется, система должна отменить устаревшую задачу или пометить её результат как неактуальный. Без управления версиями состояния красивый непрерывный диалог начнёт уверенно приносить ответы на старые запросы.

Что проверять перед интеграцией

Пока MOSS-Live доступна как бесплатная бета. Тариф для будущей оплаты по времени соединения не опубликован. Весов модели нет, развёртывание возможно только через API. В документации не перечислены все поддерживаемые языки; в демонстрациях используются английский и китайский, а качество русского не заявлено.

Нет и публичных независимых замеров задержки, точности определения перебивания или устойчивости к шуму. Поэтому сравнивать систему с Gemini Live и GPT Realtime только по демонстрационным роликам рано. Особенно важно проверить ложные остановки, восстановление после обрыва связи, стоимость длинной сессии и поведение фоновых задач при изменении запроса.

Разработчику разумно начать с узкого прототипа: один сценарий, несколько типов перебивания и журнал всех переходов состояния. Продукту стоит измерять не только задержку первого звука, но и долю корректно обработанных перебиваний, число потерянных продолжений и время возврата фонового результата. Если MOSS-Live выдержит такую проверку, она может стать основой голосовых интерфейсов, которые ощущаются не как озвученный чат, а как настоящий собеседник.