7月17日至20日，面向下一代情境交互智能的大模型创新企业模思智能首次亮相2026世界人工智能大会（WAIC 2026），集中展示实时视频理解、复杂音频转写、语音及音视频生成和实时交互等最新进展。
模思智能成立于2024年11月，是一家聚焦情境智能 (Context Intelligence)的多模态基础模型公司，孵化于上海创智学院与复旦大学OpenMOSS团队，复旦大学教授、模思智能首席科学家邱锡鹏担任首席科学家，李世民担任模思智能联合创始人、CEO，主营业务聚焦于语音大模型应用领域。该核心团队从2023年的MOSS语言模型出发，逐步将能力扩展至语音、音频、视觉等多种模态的理解与生成。
与当前行业的众多大模型公司相比，模思智能的核心差异化在于专注情境智能。模思智能CEO李世民向证券记者介绍，情境智能是让AI不仅理解输入的文字信息，而是理解信息发生时所处的真实情境，包括声音、画面、语气、情绪、人物关系等多维度信息。
李世民表示，情境智能的核心是解决现有生硬割裂的人机交互范式问题。前人机交互高度依赖键盘、鼠标、手机等传统硬件，体验生硬割裂。而情境智能的目标是让AI充分理解完整场景，实现脱离传统硬件、无缝流畅、高度拟人化的人机交互。
在接受记者采访时，李世民表示，模思智能计划分两步推进情境智能落地：第一步是优先打磨语音理解、语音生成核心能力；第二步推出实时视频流理解模型MOSS-VL-Realtime，实现实时画面识别、支持打断、可主动发起对话的视觉交互。长期目标是整合语音、视觉等全部模态模型，靠一套统一系统完成完整情境智能。
在本届WAIC现场，模思设置了三个核心互动装置集中展示其情境智能能力。其中，最为醒目的是“声音巴别塔”装置，该装置让体验者用任何语言或方言说话，系统实时点亮塔身节点，展示跨语言、跨方言的语音理解能力。“MOSSLAND创作电话亭”则是让体验者拿起电话说出想法，即可实时生成影视配音、AI播客或“声音保鲜发票”，将创作门槛从“会用工具”降低到“会表达”。
这些现场体验背后，是模思智能正在构建的MOSS系列多模态基础模型。此次WAIC，模思智能将MOSS-TTS语音合成模型、MOSS-Transcribe-Diarize多说话人转写模型，以及最新发布的MOSS-VL-Realtime实时视觉理解模型集中带到现场。
目前，这些能力已经开始从模型和评测走向真实用户。MOSS-TTS Family在Hugging Face等开源社区的累计下载量已突破200万次；MOSS-Transcribe-Diarize-0.9B开源后登上Hugging Face Audio-Text-to-Text Trending榜单第一；OpenMOSS相关开源项目在GitHub上也已获得超过1万颗Star。
据李世民介绍，在商业化模式上，模思智能目前采用B端与C端双轨并行的方式。在面向B端（企业）客户方面采用MaaS（模型即服务）模式，向企业客户开放模型API，输出语音、多模态底层原子能力，支持企业批量调用；在C端（消费者）方面采用自研C端一站式AIGC平台Mossland，以语音为核心，整合底层模型能力封装完整场景工具，提供短剧配音/制作、播客制作、短视频内容创作等端到端服务，直接面向普通终端用户。
李世民进一步表示，模思智能不局限单一语音生成、视频生成细分场景，核心是做全场景物理环境统一建模。模思在语音、环境音频理解领域建立了先发优势和长期数据积累，公司的长期核心壁垒在于全维度声音信号理解，不仅是文字，还有环境音、情绪、场景信息等。
睿迎网提示：文章来自网络，不代表本站观点。
