交汇点讯 人人都能被AI“读懂声音”！正在上海举办的2026世界人工智能大会上，一项颠覆传统人机交互的创新科技惊艳亮相。不再是生硬的文字问答、机械的语音翻译，由模思智能带来的全新情境智能技术，能听懂方言、多国语言，读懂人的语速、情绪与表达状态。

记者现场体验发现，不同于多数企业单纯罗列模型参数的展示方式，模思智能将自研多模态模型转化为普通人可亲手体验的互动项目，整套体验动线围绕展台中央的“声音巴别塔”展开。现场工作人员介绍，“不管你说普通话、各地方言，还是外语，只要对着装置开口说话，系统会自动识别你的口音、语言特征，点亮塔身上对应的节点，越多参观者参与，整座高塔就会完整亮起。”

据悉，巴别塔的典故原本指代语言隔阂带来的沟通障碍，模思智能则用AI技术完成反向突破。支撑这套互动装置运转的，是MOSS系列音频模型，它不只能精准转写文字内容，还能捕捉说话人的语气、情绪、语速节奏，在跨国沟通、线上客服等实际场景里，这些文字之外的细节，会直接决定AI能否读懂使用者真实诉求。

除核心的声音巴别塔外，展台两侧还设置了AI创作电话亭与声音人格测试设备，不少排队体验的市民、开发者纷纷上前尝试。走进形似电话亭的体验区，参观者口述一段想法，就能一键生成影视配音、AI播客音频，系统还会出具一张专属“声音保鲜发票”；单独对着麦克风自由讲述一分钟，VBTI声音识别工具会综合分析表达状态，生成一张独一无二的“声音人格卡”，清晰标注说话人的情绪起伏、表达节奏。

现场工作人员向记者解读整套体验的技术逻辑，“声音巴别塔负责全域声音感知，声音人格测试深挖情绪与表达细节，创作电话亭完成音频内容生成，三者串联起感知、理解、生成、实时交互的完整链路，这就是我们定义的情境智能。”

记者注意到展台一面长达六米的模型体验墙，三款近期全新推出的自研模型同步在线实时运行，全程处于嘈杂的展会真实环境中，不存在实验室理想环境加持。7月中旬，模思智能联合OpenMOSS团队集中释放多项开源成果，7月14日实时视觉模型MOSS-VL-Realtime正式开源，7月10日面向创作者的Mossland平台与MOSSAPI开放公测，7月9日轻量化多人音频转写模型MOSS-Transcribe-Diarize-0.9B对外开源，多款核心产品全部在本次WAIC线下同步演示。

其中MOSS-VL-Realtime主打不间断视频流实时解读，和传统需要完整录像才能分析的视觉模型存在本质区别。现场技术人员举例，“直播、赛事直播、居家监控的画面都是持续更新的，传统模型无法动态修正判断，我们这款模型可以一边接收画面一边实时分析，关键信息没出现时保持静默，画面发生变动就立刻更新结论，最长支持小时级连续视频理解，在多项国际权威评测中达到同类开源模型最优水准。”

面向会议、访谈场景的音频模型MOSS-Transcribe-Diarize-0.9B仅0.9B参数量，轻量化特性适配手机、终端等端侧设备，单次可处理90分钟多人混杂音频。以往行业方案会拆分转写、区分说话人、时间标注多个步骤，误差会层层叠加，这款模型实现一体化处理，直接输出标注发言人、精准时间戳的完整文本，还能自定义专业名词、人名热词，在国内多人会议标准测试中三项核心指标均拔得头筹。

两款音视频模型看似分属不同技术赛道，底层研发思路却高度统一，核心都是让AI在源源不断涌入的信息里，理清人物、时间、场景之间的关联，读懂动态变化的真实环境。

据了解，模思智能脱胎于复旦大学OpenMOSS团队与上海创智学院，2023年起从基础语言模型起步，逐步拓展语音、音频、视觉多模态能力，整套MOSS模型体系拒绝简单拼接各类AI工具，重点保留日常交流里极易丢失的情绪、语气、现场环境信息，让AI结合完整场景做出反馈。

现阶段团队技术成果已经落地面向大众、企业开发者两条赛道，开源社区数据十分亮眼。MOSS语音合成系列模型全网下载量突破200万次，轻量化多人转写模型上线后登顶HuggingFace音频榜单，团队开源项目在GitHub收获超万颗收藏星标。面向普通创作者的Mossland平台内测阶段就吸引十万余名活跃创作者，集成音色设计、AI配音、播客生成全流程功能；MOSSAPI则向企业、开发团队开放全部音视频基础能力。

完整的产业闭环已经成型，自研基础模型落地为大众可用产品，海量用户真实使用数据反向输入模型完成迭代优化，持续提升AI感知与交互精度。现场负责人表示，“未来大模型会广泛搭载在机器人、智能座舱、家用陪伴设备上，AI面对的不再是整理完毕的文字指令，而是动态变化的画面、人声、现场环境。”

在现场体验完整套互动装置后记者发现，情境智能的价值，是打破人与AI之间繁琐的指令沟通门槛。使用者无需刻意规整语言，AI就能结合当下场景读懂人的情绪、诉求与状态，自然完成协作交互。

新华日报·交汇点记者 张宣 蔡姝雯