三花快讯 · 2025, 9月22日
小米开源 MiMo-Audio：7B 通用音频模型
使用 1 亿小时语音预训练零样本理解复杂音频
MiMo-Audio 是小米推出的开源 7B 通用音频大模型，使用 1 亿小时语音完成预训练。它能够零样本理解复杂音频并推理来源，还能按文本指令实时合成高自然度语音。更厉害的是，它可以直接在上下文中完成风格转换、语音翻译和声音编辑等任务。
官方还表示，这模型在各项基准上超越了 Gemini-2.5-Flash 和 GPT-4o-Audio，是当前最强开源音频模型。
商业转载请联系三花微信公众号获得授权，非商业转载请注明本文出处及文章链接，您可以自由地在任何媒体以任何形式复制和分发作品，也可以修改和创作，但是分发衍生作品时必须采用相同的许可协议。
本文采用 CC BY-NC-SA 4.0 - 非商业性使用 - 相同方式共享 4.0 国际 进行许可。