速途網訊 今日，小米在Xiaomi MiMo官微宣布，正式開源首個原生端到端語音模型——Xiaomi-MiMo-Audio，它基于創新預訓練架構和上億小時訓練數據，首次在語音領域實現基于 ICL 的少樣本泛化，并在預訓練觀察到明顯的“涌現”行為。

官方稱Xiaomi-MiMo-Audio的突破帶來了語音領域的 “GPT-3 時刻”。該模型首次證明把語音無損壓縮預訓練 Scaling 至 1 億小時可以“涌現”出跨任務的泛化性，表現為 Few-Shot Learning 能力。（編輯：李美涵）

Xiaomi-MiMo-Audio性能強悍，具體表現如下：

1.在通用語音理解及對話等多項標準評測基準中，MiMo-Audio 大幅超越了同參數量的開源模型，取得 7B 最佳性能

2.在音頻理解基準 MMAU 的標準測試集上，MiMo-Audio 超過 Google 閉源語音模型 Gemini-2.5-Flash

3.在面向音頻復雜推理的基準 Big Bench Audio S2T 任務中，MiMo-Audio 同樣超越了 OpenAI 閉源的語音模型 GPT-4o-Audio-Preview

模型開源地址：https://huggingface.co/XiaomiMiMo/MiMo-Audio-7B-Base

技術報告：https://github.com/XiaomiMiMo/MiMo-Audio/blob/main/MiMo-Audio-Technical-Report.pdf