L'IA vocale apprend à se taire, écouter et travailler en même temps
Avec MOSS-Live, MOSS présente une IA vocale capable d'écouter pendant qu'elle parle, de gérer les interruptions et d'exécuter des tâches en parallèle.
Un silence pour réfléchir, un simple « mm-hmm » pour montrer qu'on écoute, une remarque adressée à quelqu'un d'autre ou une interruption au milieu d'une phrase. Ces détails rythment naturellement les conversations humaines, mais restent difficiles à interpréter pour les assistants vocaux. Certains coupent la parole trop tôt, d'autres poursuivent leur réponse malgré une interruption, tandis que les tâches complexes imposent encore régulièrement d'attendre avant de reprendre la discussion. Avec MOSS-Live, l'équipe MOSS s'attaque à ces limites en proposant un système vocal capable d'écouter, de parler, de percevoir son environnement et de poursuivre certaines opérations simultanément.
Présenté début novembre 2026, MOSS-Live repose sur une architecture dite full-duplex, dans laquelle l'écoute et la parole ne sont plus des étapes strictement successives. L'assistant peut continuer à recevoir des informations pendant qu'il répond, identifier si une intervention lui est réellement adressée et déléguer une recherche à un autre modèle sans interrompre la conversation. MOSS met également en avant des capacités de traduction simultanée, d'interprétation de flux vidéo et d'intervention proactive. L'objectif ne consiste donc pas simplement à produire une voix plus naturelle, mais à rendre l'interaction suffisamment souple pour qu'un assistant participe à une activité en cours plutôt que de fonctionner comme un outil que l'on sollicite séparément. Le problème des assistants qui attendent leur tour
La plupart des interactions avec une IA vocale reposent encore sur une alternance assez rigide. L'utilisateur formule sa demande, le système considère que son intervention est terminée, puis génère une réponse. Ce fonctionnement convient à une question courte, mais devient moins satisfaisant lorsque la conversation comporte des hésitations, des changements de direction ou plusieurs interlocuteurs.
MOSS-Live cherche à dépasser cette contrainte grâce à une interaction bidirectionnelle continue. Pendant qu'il produit une réponse orale, le système continue d'écouter son interlocuteur et d'analyser les signaux reçus. Il doit notamment distinguer une véritable tentative de reprendre la parole d'un acquiescement qui signifie simplement que l'utilisateur suit la conversation.
La nuance peut sembler mineure. Pourtant, lorsqu'un interlocuteur répond « oui », « d'accord » ou « je vois » pendant une explication, il ne souhaite pas nécessairement interrompre celui qui parle. Un assistant qui s'arrête systématiquement à ces manifestations d'attention transforme une conversation ordinaire en succession d'interruptions artificielles. À l'inverse, un assistant qui les ignore toutes risque de continuer à parler lorsque l'utilisateur souhaite réellement changer de sujet.
MOSS-Live annonce également une gestion plus fine des pauses. Lorsqu'une personne hésite pour chercher ses mots, le système peut attendre au lieu de considérer immédiatement que son intervention est terminée. Cette capacité repose sur une interprétation du contexte conversationnel et pas uniquement sur la détection d'un silence dans le signal audio. Comprendre une interruption sans perdre le fil
L'autre difficulté concerne la reprise d'une conversation interrompue. Dans de nombreux systèmes, interrompre une réponse revient à abandonner le contenu qui était en cours de génération. L'assistant doit ensuite reformuler son propos ou reprendre une explication à partir d'un contexte approximatif.
MOSS-Live introduit une prise en compte de la progression réelle de la parole. Le système suit les mots effectivement prononcés et peut reprendre une explication à partir de l'endroit où elle a été interrompue. Cette distinction est importante, car le texte qu'un modèle prévoit de produire ne correspond pas nécessairement à ce que l'utilisateur a déjà entendu.
L'équipe affirme également que le modèle peut reconnaître les interventions qui ne lui sont pas adressées. Dans une réunion, plusieurs participants peuvent échanger entre eux pendant qu'un assistant effectue une tâche. Le système doit alors déterminer si une remarque demande sa participation ou fait simplement partie d'une conversation parallèle.
Cette gestion des tours de parole représente un enjeu technique différent de la reconnaissance vocale traditionnelle. Comprendre les mots prononcés ne suffit pas. Il faut également interpréter leur fonction dans l'échange, identifier les interlocuteurs concernés et décider quand répondre, attendre ou poursuivre son intervention. Deux modèles pour maintenir la conversation pendant les recherches
L'architecture présentée par MOSS repose sur une séparation entre un modèle de premier plan, chargé de l'interaction immédiate, et un modèle d'arrière-plan, consacré aux opérations plus complexes.
Le premier prend en charge la parole, la perception audiovisuelle et les décisions nécessaires au rythme de la conversation. Il doit réagir rapidement, écouter pendant qu'il parle et interpréter les nouveaux éléments provenant de l'environnement. Le second intervient lorsqu'une demande nécessite un raisonnement plus approfondi, l'utilisation d'outils ou une succession d'opérations qui prendraient trop de temps pour être exécutées directement dans le flux vocal.
Les deux composants partagent des informations sur le contexte, les tâches en cours et l'état de la conversation. L'assistant peut ainsi continuer à échanger avec l'utilisateur pendant qu'une recherche progresse, puis restituer les résultats à un moment approprié.
Cette organisation répond à une difficulté importante de l'IA en temps réel : les contraintes de rapidité ne sont pas les mêmes pour une réaction vocale et pour une recherche complexe. Un système chargé de répondre à une interruption doit prendre une décision presque immédiatement. Une opération impliquant plusieurs outils, au contraire, peut nécessiter une succession de traitements dont la durée est difficile à prévoir.
En séparant ces fonctions, MOSS cherche à éviter que le temps