核心要点👉
- 🚀 首创语音领域ICL少样本泛化能力，突破标注数据依赖范式
- 🏆 性能超越同规模开源模型及Google/OpenAI闭源模型
- 💡 三重突破：实现语音"GPT-3时刻"、定义生成式预训练目标、引入Thinking机制
- 📦 开源预训练/微调模型及Tokenizer，支持音频重建与转文本双任务
- 🤖 跨模态对齐强化智商/情商/表现力/安全性，实现拟人化语音交互
数智朋克获悉，小米正式开源原生端到端语音模型Xiaomi-MiMo-Audio，该模型基于创新预训练架构与上亿小时训练数据，首次在语音领域实现基于ICL的少样本泛化能力。预训练阶段观察到显著的"涌现"行为，标志着语音模型突破依赖标注数据的传统范式。后训练进一步强化了模型在智商、情商、表现力及安全性维度的跨模态对齐能力，使语音对话呈现拟人化特征的自然度、情感表达与交互适配。
性能评测显示，该模型在通用语音理解及对话基准测试中超越同参数量开源模型，取得7B规模最佳性能。音频理解基准MMAU测试集上超越Google闭源模型Gemini-2.5-Flash，音频复杂推理基准Big Bench Audio S2T任务中优于OpenAI闭源模型GPT-4o-Audio-Preview。
技术突破体现为三重创新：首次证实语音无损压缩预训练扩展至1亿小时可涌现跨任务泛化性，实现语音领域的"GPT-3时刻"；首个明确定义语音生成式预训练目标，开源包含Tokenizer、模型架构、训练方法的完整方案，开启语音"LLaMA时刻"；首次将Thinking机制同步引入语音理解与生成流程，支持混合思考模式。
开源资源包含预训练模型MiMo-Audio-7B-Base，这是首个具备语音续写能力的开源语音模型；指令微调模型MiMo-Audio-7B-Instruct通过prompt切换non-thinking/thinking模式，为语音强化学习研究提供新基座；1.2B参数Tokenizer采用Transformer架构，支持音频重建与转文本双任务。全套技术方案已通过主流开源平台发布。
粤公网安备44030002001270号