前言
前陣子收到小米 MiMo Open Platform 的 Email 通知，說他們的語音辨識模型 MiMo-V2.5-ASR 正式上線了。身為一個對語音辨識技術一直有觀察的人，這下忍不住去挖了更多資料。
簡單來說，小米這次推出的不是一個「乾淨環境下跑分漂亮」的模型，而是專門為真實世界複雜聲學場景設計的語音辨識引擎。支援粵語、閩南語、四川話等方言，還能處理中英混說、歌詞辨識、多人對話交疊等高難度場景。
這篇就來好好聊聊這個模型到底強在哪裡，以及它跟目前主流方案（特別是 OpenAI Whisper）的比較。
什麼是 MiMo-V2.5-ASR？
MiMo-V2.5-ASR 是小米 MiMo 團隊開發的端到端自動語音辨識（ASR）模型，屬於小米完整語音模型系列（ASR → TTS → 多模態）的「聽覺基礎層」。
這個模型的特色在於：
- 開源：權重放在 Hugging Face 和 ModelScope，GitHub 也有完整程式碼
- 多語言 + 多方言：中文、英文，加上粵語、吳語、閩南語、四川話、河南話、東北話、陝西話等
- 中英混說（Code-Switching）：不需要預先設定語言標籤，模型自動判斷
- 知識感知：對古詩詞、專業術語、人名地名有特別強化
- 原生標點：直接從語調和語意輸出標點，不需要後處理
技術上，模型透過大規模中期訓練（mid-training）、高品質監督微調（SFT），以及一套新的強化學習演算法來達成這些能力。
跑分數據：跟 Whisper 比誰比較強？
小米在官方頁面上放了一組相當完整的 Benchmark 數據，以下整理幾個關鍵指標：
中文語音辨識（WER 越低越好）
| 模型 | AiShell-2 | Fleurs-Zh | Wenet Meeting | CommonVoice-Zh |
|---|---|---|---|---|
| MiMo-V2.5-ASR | 2.52 | 2.41 | 5.92 | 4.90 |
| FunASR-1.5 | 2.57 | 2.75 | 5.95 | 4.57 |
英文語音辨識（Open ASR Leaderboard）
| 模型 | 平均 WER | LS Clean | SPGISpeech | Tedlium |
|---|---|---|---|---|
| MiMo-V2.5-ASR | 5.73 | 1.45 | 1.85 | 2.4 |
| Qwen3-ASR-1.7B | 5.76 | 1.63 | 2.84 | 2.28 |
| Whisper-large-v3 | 7.44 | 2.01 | 2.94 | 3.86 |
方言辨識
| 模型 | CommonVoice-Taiwan | WeNet-Wu | Fleurs-Yue |
|---|---|---|---|
| MiMo-V2.5-ASR | 3.65 | 19.55 | 3.28 |
| Qwen3-ASR-1.7B | 3.7 | 24.29 | 3.53 |
從數據來看，幾個重點：
- 中文場景：MiMo-V2.5-ASR 在多數基準上領先 FunASR-1.5，差距不大但確實有優勢
- 英文場景：明顯領先 Whisper-large-v3，平均 WER 從 7.44 降到 5.73，降幅約 23%
- 方言場景：對閩南語（Yue）的表現優於 Qwen3-ASR，吳語（Wu）也大幅領先
值得注意的是，有技術部落格做了端側 ASR 模型的對比分析，指出 MiMo-V2.5-ASR 的權重約 32 GB，屬於「伺服器 / 研究級」模型，不太適合直接部署到手機端。如果是要做手機端離線語音轉寫，作者建議优先考虑 sherpa-onnx、FunASR 或 Vosk 等輕量方案。
核心能力詳解
方言支援：台灣用戶最關心閩南語
小米這次特別強調了方言覆蓋能力，包含粵語、吳語、閩南語、四川話、河南話、東北話、陝西話等。其中閩南語（Fleurs-Yue）的 WER 只有 3.28，比 Qwen3-ASR 的 3.53 還低，算是相當不錯的成绩。
對台灣用戶來說，CommonVoice-Taiwan 基準的 WER 為 3.65，代表即使在台灣口音的測試集上，辨識準確率也維持在高水準。
中英混說（Code-Switching）：不需要切換語言標籤
很多現有的 ASR 模型需要預先設定語言標籤（比如 <chinese> 或 <english>），遇到中英混說時就得手動切換。MiMo-V2.5-ASR 支援自動語言檢測，不需要預設標籤：
from src.mimo_audio.mimo_audio import MimoAudio
model = MimoAudio(
model_path="./models/MiMo-V2.5-ASR",
tokenizer_path="./models/MiMo-Audio-Tokenizer",
)
# 自動語言檢測（推薦用於混說場景）
text = model.asr_sft("path/to/audio.wav")
print(text)
# 指定語言標籤
text_zh = model.asr_sft("path/to/audio.wav", audio_tag="<chinese>")
text_en = model.asr_sft("path/to/audio.wav", audio_tag="<english>")
歌詞辨識：連伴奏都分得清
MiMo-V2.5-ASR 在 m4singer 和 opencpop 兩個歌詞辨識基準上都有優異表現，甚至超越了 Gemini-3.1-Pro 和 FunASR-1.5。這意味著它能在人聲和伴奏混雜的情況下，精準提取歌詞文字。
噪音環境與多人對話
模型特別針對「直播帶貨」和「電競直播」等場景進行了訓練，在以下條件下都能保持穩定表現：
- 高噪音環境（背景音樂、人群喧鬧）
- 遠場錄音（far-field）
- 多人對話交疊（overlapping speakers）
- 快速語速（rapid speech）
開源部署 vs API 使用
本地部署
模型已開源，可以從 Hugging Face 或 ModelScope 下載權重：
git clone https://github.com/XiaomiMiMo/MiMo-V2.5-ASR.git
cd MiMo-V2.5-ASR
pip install -r requirements.txt
pip install flash-attn==2.7.4.post1
下載模型：
pip install huggingface-hub
hf download XiaomiMiMo/MiMo-Audio-Tokenizer --local-dir ./models/MiMo-Audio-Tokenizer
hf download XiaomiMiMo/MiMo-V2.5-ASR --local-dir ./models/MiMo-V2.5-ASR
環境需求：
- 主要支援 Linux
- 需要 CUDA GPU（權重 32 GB，建議用 A100 / H100 等級的卡）
- 內建 Gradio Demo 介面，可以直接網頁測試
API 使用
對於不想自己部署的開發者，小米也提供了 API 服務，包含在 Token Plan 訂閱方案中：
| 項目 | 價格 |
|---|---|
| 國內 API 費用 | ¥0.5 / 小時音訊 |
| 海外 API 費用 | $0.074 / 小時音訊 |
| Token Plan 訂閱 | 涵蓋整個 V2.5 系列 |
API 相容 OpenAI 和 Anthropic 協議，可以透過標準格式呼叫。詳細文件在 mimo.mi.com/docs 。
MiMo 生態系全景
MiMo-V2.5-ASR 只是小米 MiMo 生態系的一環。整個產品矩陣如下：
| 產品 | 說明 |
|---|---|
| MiMo-V2.5-Pro | 千億參數旗艦模型，複雜 Agent 任務表現媲美 Claude Opus 4.6 |
| MiMo-V2.5-Pro-UltraSpeed | 高速推理版，峰值 1,000 tokens/s，採用 FP4 量化 + DFlash 並行解碼 |
| MiMo-V2.5 | 原生全模態（圖、影片、音訊、文字），1M 上下文視窗 |
| TTS 系列 | 高保真語音合成，支援一句話聲音克隆 |
| ASR 系列 | 本文的 MiMo-V2.5-ASR，多語方言支援 |
| MiMo Code | AI 程式設計助手，無限上下文協作開發 |
| MiMo Claw | Agent 平台，¥14.9/月，支援 OpenClaw 和 WPS 生態 |
| MiMo Studio | 免設定的模型測試介面 |
| MiMo API | 開發者用的低延遲推理服務 |
可以看得出來，小米在 AI 模型生態系上的佈局相當完整，從底層的語音辨識（ASR）、語音合成（TTS），到上層的語言模型（LLM）、Agent 平台，一條龍都有。
適合誰用？
根據不同的使用場景，給個簡單的建議：
| 場景 | 推薦方案 |
|---|---|
| 伺服器端高準確率轉寫 | MiMo-V2.5-ASR（方言 / 混說場景首選） |
| 手機端離線語音轉寫 | sherpa-onnx / FunASR（MiMo 太重，不適合） |
| 英文場景為主 | Whisper-large-v3 或 MiMo-V2.5-ASR |
| 快速上線 / 低資源 | Vosk small（~40 MB） |
| 不想自己部署 | MiMo API（Token Plan 訂閱） |
如果你需要處理中文方言、中英混說、噪音環境、多人對話等複雜場景，MiMo-V2.5-ASR 是目前開源方案中非常值得關注的選擇。尤其是對閩南語、粵語等台灣常用方言的支援，在目前的開源模型中算是第一梯隊。
小結
小米這次推出的 MiMo-V2.5-ASR 在多個權威 Benchmark 上達到了 State-of-the-Art 的水準，特別是在中文方言、中英混說、歌詞辨識等場景表現突出。開源、有 API、有本地部署選項，對開發者和研究人員來說都是個相當實用的選擇。
不過也要提醒，這個模型權重約 32 GB，需要強大的 GPU 資源，不太適合個人電腦或手機端部署。如果是做手機 App 的離線語音轉寫，建議先評估輕量方案。
總之，小米在 AI 語音模型上的佈局越來越完整，未來值得持續關注。
參考資料：MiMo-V2.5-ASR GitHub 、Hugging Face 、小米 MiMo 官方 、端側 ASR 模型對比