모스 인텔리전스, 대화 끊김 없이 작업 수행하는 'MOSS-Live' 공개

MOSS-Live는 모스 인텔리전스(Moss)가 선보인 전이중 실시간 상호작용 시스템으로, 사람과 전화 통화하듯 자연스럽게 대화하면서 백그라운드로 도구를 호출하고 복잡한 작업을 동시에 처리할 수 있는 도구입니다.

음성 대화뿐만 아니라 카메라 실시간 영상, 화면 공유, 주변 환경 소음까지 한 번에 인식하는 멀티모달 환경을 지원합니다. 무전기처럼 한 사람씩 번갈아 말하던 기존 방식을 벗어나, 들으면서 동시에 말하는 진정한 전이중 소통이 가능합니다.

무엇을 할 수 있나

기존 음성 비서의 가장 큰 문제는 사람이 생각하느라 잠깐 말을 멈추면 끝난 줄 알고 말을 끊거나, 단순한 맞장구에도 대답을 중단해 버리는 점이었습니다.

MOSS-Live는 문맥 의미 파악에 집중했습니다. 공개된 FDB v1 벤치마크에서 말문이 막혔을 때 끼어드는 오류율이 1.44%에 불과해 GPT Realtime 2.1의 3.83%, GPT-Live-1의 10.37%보다 크게 낮았습니다. τ-Voice 테스트에서도 맞장구 간섭 방어율 98.17%, 말버릇 및 무관한 음성 방어율 각각 82.16%와 78.90%를 기록했습니다.

말하는 중간에 잠시 뜸을 들여도 가로채지 않고, 맞장구는 자연스럽게 넘기며 말을 이어갑니다. 그러다 사용자가 진짜 새로운 질문을 던지면 즉시 말을 멈추고 경청합니다.

대화 도중 끼어들거나 주제를 바꿔도 이전 맥락을 기억해 원래 이야기로 자연스럽게 복귀하며, FDB v1 차단 후 답변 품질에서 5점 만점에 4.88점을 받았습니다. 차량 내비게이션 소리나 주변 잡음에 잘못 반응하는 오인율도 2% 수준으로 억제했습니다. 아울러 스트리밍 동시통역과 암기 오류 지적, 회의 조건 충족 시 알림 같은 능동적 개입도 지원합니다.

작동 원리: 프론트와 백엔드의 분업

MOSS-Live는 단일 모델에 모든 부담을 지우는 대신, 프론트엔드와 백엔드를 영리하게 분리한 아키텍처를 적용했습니다.

프론트엔드 모델은 가벼운 실시간 감각 인지와 대화 리듬 조율을 전담합니다. 음성과 영상, 주변 소리를 지속적으로 살피며 대답할지, 기다릴지, 말을 멈출지 판단합니다.

백엔드 모델은 시간이 걸리는 깊은 추론과 외부 도구 실행을 비동기로 처리합니다. 여행 코스를 짜며 호텔을 조회해 달라고 요청해도 프론트엔드는 끊김 없이 대화를 이어가고 백엔드가 조회를 마칩니다.

협업 레이어가 문맥과 작업 상황을 공유하다가, 조회가 끝나면 대화의 알맞은 타이밍에 결과를 자연스럽게 꺼내놓습니다. FDB v3 도구 호출 성공률은 51%, τ-Voice 다중 턴 작업 성공률은 57.93%를 기록했습니다.

사용 방법과 공개 수준

현재 모스 공식 홈페이지에서 웹 데모 체험이 열려 있으며, 개발자 플랫폼을 통해 한시적 무료 API가 제공되고 있습니다.

웹 브라우저에서 마이크와 카메라 권한을 허용하면 실시간 영상 통화와 화면 공유 대화를 곧바로 테스트해 볼 수 있습니다. 개발자는 플랫폼에서 API 키를 발급받아 전이중 음성 인터페이스를 자체 서비스에 연동할 수 있습니다.

다만 현재 제공되는 형태는 온라인 데모와 클라우드 API이며, 로컬 배포를 위한 모델 가중치는 아직 공개되지 않았습니다.

왜 중요한가

차량용 음성 비서, 회의 진행 에이전트, 실시간 영상 가이드 같은 고밀도 대화 서비스를 준비하는 개발자라면 지금 바로 테스트해 볼 가치가 충분합니다.

도구를 실행할 때마다 대화가 뚝 끊기거나 맞장구에 멈칫하던 기존 한계를 프론트-백엔드 협업 구조로 매끄럽게 풀어냈다는 점에서 실용성이 돋보입니다.

대화의 리듬 제어와 노이즈 차단이라는 핵심 불편부터 파고들어 차별화를 꾀한 방식은 매우 똑똑해 보입니다. 향후 로컬 가중치 공개나 자체 호스팅 옵션이 지원된다면 기업 현장 도입에 한층 탄력이 붙을 것입니다.