小米发布并开源首个原生端到端语音大模型Xiaomi-MiMo-Audio

9月19日，小米科技在语音技术领域取得重大突破，正式开源了其首个原生端到端语音大模型——Xiaomi-MiMo-Audio。这一创新成果基于小米自主研发的预训练架构，并依托上亿小时的语音训练数据，首次在语音领域实现了基于ICL（In-Context Learning，上下文学习）的少样本泛化能力，同时在预训练过程中观察到了显著的“涌现”行为，标志着小米在语音AI技术上的领先地位。

据小米官方介绍，Xiaomi-MiMo-Audio在多个语音技术评测基准中均取得了优异成绩。在通用语音理解及对话等标准评测中，该模型大幅超越了同参数量的开源模型，在7B参数规模下达到了最佳性能。特别是在音频理解基准MMAU的标准测试集上，Xiaomi-MiMo-Audio的表现甚至超过了Google的闭源语音模型Gemini-2.5-Flash，展现了其强大的语音理解能力。

此外，在面向音频复杂推理的基准Big Bench Audio S2T任务中，Xiaomi-MiMo-Audio同样表现出色，超越了OpenAI的闭源语音模型GPT-4o-Audio-Preview。这一系列优异表现，不仅证明了小米在语音大模型领域的深厚技术积累，也为全球语音AI技术的发展提供了新的思路和方向。