实时语音的三家数字：抢话率 1.44%、3.83%、14.29%

一句话总结：模思智能的 MOSS-Live 公布了两组数据，停顿抢话率 1.44%，低于 GPT Realtime 2.1 的 3.83% 和豆包 Seed Duplex 的 14.29%；无关语音误接话率 2%，其他系统在 68% 到 88% 之间。第二组差距更悬殊，也更能说明"全双工"这件事到底难在哪。

用语音助手的人应该都遇到过：话说到一半，停了一下想词，它抢着回答了。

或者说"这个方案我觉得……呃，再想想"，它把"再想想"当成了新指令。

这类体验问题一直有，但很少有人给它量化。模思智能这次把两个指标摆出来了。

一、先看这三个数字：抢话率差 10 倍

图 1：抢话率差 10 倍，这是用户最容易察觉的那一类问题

停顿抢话率：用户还在说话、只是中间停了一下，系统就认为说完了并开始回应。

• MOSS-Live：1.44%
• GPT Realtime 2.1：3.83%
• Doubao Seed Duplex：14.29%

14.29% 意味着每七次交互就有一次被打断。这个体验很难忍。

第二个指标更悬殊——无关语音误接话率，指的是旁边有人说话、电视在响、背景里有对话，系统把它当成指令接了过去。MOSS-Live 是 2%，其他系统在 68% 到 88% 之间。

我第一眼看到 68% 到 88% 觉得不太可能，太高了。但想想也合理：如果系统只靠"检测到人声"就启动，那旁边任何人说话都会触发。

二、全双工难在哪：判断"说完了没"

传统做法的流程是：录音 → 检测到人声 → 录音结束 → 检测到静音 → 认为说完了 → 送去识别 → 生成回复 → 播放。

问题全在"检测到静音"这一步。

静音多久算说完？设 300 毫秒，用户思考一秒就被切断；设 1.5 秒，每句话都要等 1.5 秒才有回应，交互变得很慢。

这个矛盾没有统一解，因为"停顿"和"说完"在音频波形上几乎一样。 人说话时的自然停顿，和自己说完的间隔，时长可以一样，语调可以一样。

真正区分它们需要语义——"我觉得这个方案"后面接的停顿，和"就这样吧"后面的停顿，含义完全不同。

所以全双工的难点不在语音识别，不在合成，在判断边界。延迟也是同一类问题：message threads 那篇讲的是文本侧怎么把重复传输砍掉，语音侧则要连"什么时候该出声"一起算。

三、第二组数字才说明全双工的水平

误接话率 2% 对 68%，这个差距比抢话率更能说明技术水平。

因为抢话率高可以靠"等更久"来降低，代价是响应变慢。误接话率高，只能靠"理解这不是对我说的话"，没有别的办法。

公开信息里没有说明 MOSS-Live 的具体做法。我猜是用端到端模型直接做判断，而不是靠 VAD 阈值——但这是推测，没有依据，标存疑。

能确认的是它支持边说边听、处理打断、并调用工具。停顿抢话率 1.44% 意味着它在"等"和"抢"之间找到了一个更细的界限。

四、同一批发布的实时语音方案

这几天语音方向集中出了一批：

• AssemblyAI 的首个合成模型 AssemblyAI-TTS-1，面向实时通话
• ServiceNow 开源的 Apriel Voice 27B Preview，把语音理解、推理、工具调用放进同一骨干
• PiVo-1.4M 把整条语音栈压到 140 万个参数，本地 CPU 能跑
• Phonon 31M 量化后 43.7 MB，手机浏览器流式生成 24kHz

方向很清楚：语音正在从"一个功能"变成"一个基础层"。有人在往大做（27B），有人在往小做（140 万参数），两头的目标都不一样。

18M 那个 TTS讲的是往小做的思路：够用就行，重点是能塞进任何设备。

五、语音交互怎么选

按场景分三类。

客服、销售外呼这类。 误接话率是关键。背景噪音、旁人说话是常态，接错一次就有真实损失。这个场景值得为 2% 和 68% 的差距付钱。

个人助理、车载。 抢话率更影响体验。用户一句一句说，背景相对干净，被打断的挫败感比接错话强。

录音转写、会议记录。 这两个指标都不重要，因为它是单向的。看识别准确率就行。

六、常见问题

抢话率越低越好吗？

不是。它和响应速度是跷跷板。把阈值拉到 3 秒，抢话率能降到接近 0，但每句话都要等 3 秒，没法用。

这些数字可信吗？

都是厂商自报，我没有看到第三方复现。特别是 68% 到 88% 这个区间，覆盖哪些系统、怎么测的，公开信息没说清楚。

全双工和半双工的区别是什么？

半双工是一问一答，说完才能听。全双工是边说边听，可以被打断、可以在对方说话时插话。人对人的对话是全双工的。

支持中文吗？

MOSS-Live 是国内团队做的，中文应该没问题。其余几家的中文表现要以官方为准。

结语

语音交互这几年一直在比音质、比自然度。这两个指标现在都卷得差不多了，真正卡体验的是"什么时候该说话"。

这次的数据把这个模糊的体感变成了两个数字。1.44% 和 2% 意味着它大部分时候知道你在想事情、也分得清谁在说话。

至于实际用起来是不是这样，得自己试。参数好看和体感好之间，还隔着一层真实环境。

参考资料

• AGI HUNT 日报 2026-11-03 - 收录 MOSS-Live 与各家的抢话率、误接话率数据
• AssemblyAI - AssemblyAI-TTS-1 发布信息
• ServiceNow 开源 Apriel Voice - 语音大模型权重