小米 MiMo-V2.5-ASR 開源語音辨識模型：方言、噪音、多語切換全搞定

Mon, 06 Jul 2026 15:30:00 +0800

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。

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：

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。

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：

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

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

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：