近日，小米正式发布了MiMo-V2.5-ASR语音模型，作为其语音识别技术的听觉基座，主打全链路语音处理能力。根据官方公布的信息，该模型在方言识别、中英文混合语音、强噪声环境以及多人对话等真实应用场景中，均宣称达到了业界领先水平。

具体来说，其核心能力覆盖以下多个领域：

• 中文方言识别：支持粤语、吴语、闽南语、四川话等主流方言的高精度识别，并非仅作展示。

• 中英文混合语音：在中英文Code-Switch场景下自由切换，无需预先指定语种。

• 歌曲识别：支持中英文歌词的准确抓取，即使在伴奏与人声混叠的情况下也能实现高精度转写。

• 强噪声环境：在高噪音、远场拾音等复杂条件下，模型依然保持出色的鲁棒性。

• 多人对话：能够在交叉对话场景中准确定位说话人并进行精确转录，对底层技术提出了较高要求。

• 知识关联识别：对于古诗词、专业术语、人名地名等需要背景知识的内容，同样能实现精准识别。

• 原生标点生成：基于语音韵律与语义直接输出标点符号，转写完成后即可直接使用，省去了后处理步骤。

目前该模型已开放API接口，用户可直接在Token Plan中调用。定价方面，按音频转写时长计费：国内为0.5元/小时，海外为0.074美元/小时。从市场对比来看，这一价格具有显著的性价比优势。

附上官方接入文档链接，有需要的读者可直接参考：https://mimo.mi.com/docs/zh-CN/quick-start/usage-guide/audio/Speech-Recognition