2023年初，复旦大学团队发布对话式大语言模型MOSS，它是国内最早受到广泛关注的国产大模型之一。两年后，这支团队的核心成员走出来，创办了模思智能。
在大模型赛道已经挤满巨头和明星创业公司的2024年底，一家后发公司凭什么入局？模思智能联合创始人、CEO李世民给出的答案很简单：从语音重新开始。
一个反共识的选择
2023年，文本大模型的竞争已经白热化。学术出身的团队要在文本赛道上持续跟进，资源、算力、数据都面临巨大的压力。
与此同时，李世民观察到另一个问题：语音赛道上的大多数方案，仍然停留在大模型时代之前。传统语音交互采用的是ASR（语音识别）、大语言模型、TTS（语音合成）的级联方案——语音先转成文本，文本输入大模型，再转回语音。这套流程会丢失情绪、音色、环境等大量声学信息。
“与其在文本的红海里硬拼，不如在一个被忽视的赛道里重新定义规则。”李世民对虎嗅说。
于是，模思智能选择了一条在当时看来并不主流的技术路线：端到端语音大模型——直接处理语音输入和输出，跳过“语音→文本→语音”的中转环节。
从“听懂字”到“读懂人”
在WAIC 2026现场，模思智能展台中央有一座“声音巴别塔”。参观者用任何语言或方言说话，系统识别其中的语言、口音和表达特征后，会逐层点亮塔身节点。
这套体验背后，是模思智能正在构建的MOSS系列多模态基础模型。
李世民向证券时报记者解释，模思智能的核心差异化在于“情境智能”（Context Intelligence）——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。
“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。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。”李世民说。
两条腿走路，分步落地
在技术上，模思智能走的是“端到端”路线。其研发的MOSS-Speech模型实现了原生语音理解与生成，可精准捕捉语调、情绪等细节。全模态统一Token架构则突破了文本、语音、图像、视频的模态壁垒。
落地节奏上，李世民将其拆解为两步：第一步优先打磨语音理解、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，靠一套统一系统完成完整情境智能。
目前，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上已获得超过1万颗Star。
从学术导向到需求导向
成立公司后，模思智能做了一次重要的转向——从学术时期的技术导向，转为需求导向。
“先收集用户对能力、时延、场景的需求，再反推技术路线、数据选择与模型架构。”李世民说。
商业化层面，模思智能采用B端与C端双轨并行。B端以MaaS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；C端推出自研一站式AIGC平台Mossland，以语音为核心，提供短剧配音、播客制作、短视频内容创作等端到端服务。
目前，模思智能已与头部客户在消费电子、智能汽车、具身智能、AI陪伴等多个领域达成深度合作。
后发者的逻辑
作为一家后发大模型公司，模思智能不盲目跟进全模态布局。李世民的策略是先深耕语音领域形成数据积累，再扩展至实时视频等模态，最终拼合完整的情境智能能力。
“模思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。”李世民说。
在他看来，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。这条路目前没有完全同路径的直接竞争对手。
大模型赛道的上半场，拼的是文本能力的广度。下半场，拼的可能是交互能力的深度。模思智能选择从语音重新开始，本质上是在为那个“更懂人”的下一代交互，提前占一个位置。
