小米突破性开源 Xiaomi-MiMo-Audio，开启语音大模型新纪元

在人工智能领域，语言大模型的发展早已迈入通用人工智能（AGI）的新阶段。五年前，GPT-3 凭借自回归语言模型与大规模无标注数据训练，成功解锁强大的 In-Context Learning（ICL）能力，仅需少样本就能迁移到新任务，为语言领域的 AGI 发展奠定基础。然而，语音领域却长期受困于一大瓶颈 —— 现有模型对大规模标注数据依赖度极高，难以像语言模型那样快速适应新任务，距离类人智能还有不小差距。

就在行业对语音领域的突破翘首以盼时，小米带来了重磅消息：正式开源首个原生端到端语音大模型 ——Xiaomi-MiMo-Audio。这款模型依托创新预训练架构，经过上亿小时数据训练，一举打破语音领域的发展僵局，首次在该领域实现基于 ICL 的少样本泛化能力，更在预训练阶段观察到显著的 “涌现” 行为，为语音领域的技术革新注入强劲动力。

不仅如此，通过后训练优化，Xiaomi-MiMo-Audio 在跨模态对齐能力上实现全面提升，无论是智商、情商，还是表现力与安全性，都达到新高度。这直接体现在语音对话中，其在自然度、情感表达以及交互适配方面，呈现出极高的拟人化水准，让语音交互体验更贴近人与人之间的真实沟通。

性能亮眼：开源模型媲美闭源强者

Xiaomi-MiMo-Audio 的卓越性能，源于创新模型结构、上亿小时数据预训练与轻量后训练的完美结合，在多项测试中展现出惊人实力：

• 在通用语音理解、语音对话等主流标准评测基准中，MiMo-Audio 大幅超越同参数量级的开源模型，以 70 亿参数规模拿下该量级最佳性能，成为开源语音模型中的佼佼者。

• 音频理解基准 MMAU 的标准测试集上，它展现出超越 Google 闭源语音模型 Gemini-2.5-Flash 的实力，打破闭源模型在该领域的优势局面。

• 面对音频复杂推理场景，在 Big Bench Audio S2T 任务中，MiMo-Audio 同样不甘示弱，成功超越 OpenAI 闭源语音模型 GPT-4o-Audio-Preview，证明开源模型在复杂任务处理上的巨大潜力。

多重创新：多个 “首次” 引领行业变革

Xiaomi-MiMo-Audio 之所以能实现性能突破，关键在于其一系列开创性的技术贡献，多个 “首次” 推动语音领域进入新发展阶段：

• 首次验证语音无损压缩预训练规模扩展至 1 亿小时的价值 —— 当训练数据达到这一量级，模型 “涌现” 出跨任务泛化能力，具体表现为出色的 Few-Shot Learning（少样本学习）能力，这一突破被业内视为语音领域的 “GPT-3 时刻”，标志着语音大模型发展进入全新阶段。

• 首次明确语音生成式预训练的目标与定义，并开源一套完整的语音预训练方案。该方案涵盖无损压缩的 Tokenizer（令牌生成器）、全新模型结构、科学的训练方法以及完善的评测体系，为语音领域的研究提供了标准化、可复用的基础框架，开启语音领域的 “LLaMA 时刻”，推动行业研究加速前行。

• 首次将 “Thinking（思考）” 机制同时融入语音理解与语音生成过程，推出支持混合思考模式的开源模型。这一创新让模型在处理语音任务时，能像人类一样进行逻辑思考，进一步提升任务处理的准确性与合理性。

全面开源：助力语音领域协同发展

小米秉持简单、彻底、直接的开源理念，将 Xiaomi-MiMo-Audio 的核心资源全面开放，旨在为语音研究领域搭建协作平台，加速技术创新与应用落地：

核心模型开源

• 预训练模型 MiMo-Audio-7B-Base：作为目前开源领域首个具备语音续写能力的语音模型，为开发者提供了语音生成类任务研究的重要基础，模型获取地址：https://huggingface.co/XiaomiMiMo/MiMo-Audio-7B-Base。

• 指令微调模型 MiMo-Audio-7B-Instruct：经过轻量级 SFT（指令微调）优化，成为 70 亿参数规模下性能最强的语音理解与生成模型。该模型支持通过 prompt（提示词）灵活切换 non-thinking（无思考）、thinking（思考）两种模式，且强化学习（RL）起点高、潜力大，可作为语音 RL 与 Agentic 训练研究的全新基座模型，获取地址：https://huggingface.co/XiaomiMiMo/MiMo-Audio-7B-Instruct。

Tokenizer 开源

小米开源的 MiMo-Audio Tokenizer 模型，采用 Transformer 架构，参数量达 12 亿，在效率与性能之间实现完美平衡。该模型基于超过千万小时语音数据从头训练，同时支持音频重建与音频转文本（A2T）任务，为语音数据处理提供关键工具。其高效推理代码已同步开源，地址：https://github.com/XiaomiMiMo/MiMo-Audio-Tokenizer。

技术报告与评估框架开源

• 技术报告：详细披露 MiMo-Audio 模型的架构设计、训练流程、性能测试等核心细节，为研究者深入了解模型提供全面参考，报告地址：https://github.com/XiaomiMiMo/MiMo-Audio/blob/main/MiMo-Audio-Technical-Report.pdf。

• 评估框架：提供一套覆盖模型全生命周期的评估体系，包含预训练 ICL 测评、后训练评估等功能，支持 10 余种测评任务，为语音模型的性能验证与优化提供标准化工具，框架开源地址：https://github.com/XiaomiMiMo/MiMo-Audio-Eval。

Xiaomi-MiMo-Audio 的开源，不仅打破了语音大模型发展的技术瓶颈，更以全面的资源开放为行业注入新活力。相信在这一模型的推动下，语音领域将迎来更多技术突破，加速语音 AI 在智能终端、智能家居、人机交互等场景的深度应用，为用户带来更智能、更自然的语音体验。