小米公司今日正式推出其全链路语音模型的核心组件——MiMo-V2.5-ASR，标志着语音识别技术向复杂场景应用迈出关键一步。该模型在方言识别、多语言混合处理及高噪音环境下的表现均达到行业前沿水平，为智能语音交互领域带来新的技术突破。
据技术文档披露，MiMo-V2.5-ASR通过深度神经网络架构优化，实现了对八大中文方言的精准识别，包括粤语、吴语、闽南语及四川话等区域性语言变体。在双语处理方面，该模型突破传统预设语种限制，可自动识别中英文混合语句中的语言切换点，实现无缝转写。针对音乐场景的特殊需求，系统能够从包含伴奏与人声的混合音频中分离并识别中英文歌词，准确率较前代提升37%。
复杂环境适应性是该模型的核心优势。在实验室测试中，系统在85分贝背景噪音下仍保持92%的识别准确率，远场拾音距离扩展至10米。多人对话场景下，通过声源定位与说话人分离技术，可同时转录5路交叉对话内容，并自动标注说话人身份。专业领域识别方面，模型内置超过200万条专业术语库，涵盖医学、法律、科技等垂直领域，古诗词韵律识别准确率达98.6%。
技术实现层面，MiMo-V2.5-ASR采用端到端联合训练框架，将声学模型与语言模型深度融合。其创新性的韵律感知模块可分析语音的停顿、重音等特征，直接生成带标点的转写文本，减少后期编辑工作量。该模型已通过ISO/IEC 30113语音识别国际标准认证，在实时性要求严格的场景下，端到端延迟控制在300毫秒以内。
商业化应用方面，小米同步开放API接口并推出Token Plan使用方案。开发者可根据音频转写时长灵活计费，国内市场定价为每小时0.5元人民币，海外市场为每小时0.074美元。该服务支持云端部署与私有化定制，已与多家智能硬件厂商达成合作意向，预计第三季度完成首批商用设备适配。
