小米今日正式推出其全链路语音模型听觉基座——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、双语混输、强噪音环境及多说话人场景下均展现出行业领先的技术实力，为语音交互领域带来突破性解决方案。
在方言支持方面，MiMo-V2.5-ASR实现了对粤语、吴语、闽南语、四川话等主要中文方言的全面覆盖，有效解决了地域性语言差异带来的识别障碍。针对中英混合输入场景，模型无需预先设定语种即可实现自然流畅的语码转换，显著提升双语用户的交互体验。
音乐场景识别是该模型的另一技术亮点。通过深度优化算法，系统能够精准分离中英文歌词与伴奏人声，即使在复杂音频混合环境下仍保持高识别准确率。这一特性为音乐创作、歌词分析等领域提供了专业级工具支持。
面对高噪音环境挑战，研发团队通过改进声学建模和抗干扰算法，使模型在远场拾音、机械噪音等复杂场景下仍保持稳定识别能力。多人对话场景中，系统可智能区分不同说话人声纹特征，实现交叉对话的准确转录，满足会议记录、访谈整理等场景需求。
知识关联能力方面，模型内置专业领域知识库，能够精准识别古诗词、专业术语、人名地名等特殊词汇。结合韵律分析与语义理解技术，系统可直接输出带有正确标点的文本内容，省去后期编辑流程，实现"转写即用"的便捷体验。
技术开放层面，MiMo-V2.5-ASR已同步开放API接口，并支持在Token Plan体系中使用。定价策略采用音频时长计费模式，国内市场定价为0.5元/小时，海外市场定价为0.074美元/小时，为开发者提供高性价比的技术接入方案。
