MiMo-V2.5 Voice

MiMo-V2.5 Voice 是小米推出的开源语音识别模型，参数规模达 8B，专为处理复杂语音场景而设计。它不仅支持普通话和英语，还能精准识别八种中文方言、中英混合语码切换以及歌曲歌词，填补了传统 ASR 在方言和音乐领域的空白。

核心功能

模型采用先进的端到端架构，能够同时处理多种语言和方言，无需切换模型。对于中英混合的日常对话、方言与普通话夹杂的语音，MiMo-V2.5 Voice 均能保持高准确率。此外，它还能识别带旋律的歌唱语音，将歌词转录为文本，适用于音乐内容分析。

主要特性

• 多方言支持：覆盖粤语、闽南语、吴语等八种主要中文方言，方言识别率领先。
• 语码切换识别：无缝处理中英文混合语音，如“这个project的deadline是明天”。
• 歌曲歌词转录：首次实现开源模型对歌唱语音的识别，支持流行、民谣等风格。
• 开源可商用：基于 Apache 2.0 许可，开发者可自由部署、微调，用于商业应用。
• 高性能推理：8B 参数在消费级 GPU 上即可运行，支持实时转录。

适用场景

适用于语音助手、会议记录、方言地区客服系统、音乐内容管理、教育领域的多语言学习工具等。尤其适合需要处理方言或混合语音的开发者，以及音乐平台歌词自动生成需求。