ASR

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。 - 廣告 - 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： ...