Mis on MiMo-V2.5-ASR?
MiMo-V2.5-ASR on Xiaomi MiMo pakutav täielik automaatse kõnetuvastuse mudel. Selle peamine ülesanne on teisendada kõneheli kirjalikuks tekstiks. Erinevalt üldotstarbelisest vestlusmudelist on see loodud spetsiaalselt transkribeerimiseks ja sellega seotud kõnetöötluse töövoogudeks.
Mudel avaldati 2. juunil 2026 Xiaomi MiMo-V2.5 kõnetehnoloogia tootevaliku osana. Xiaomi teeb selle kättesaadavaks MiMo API kaudu ning on avaldanud ka lähtekoodi ja mudeli kaalud kohalikuks katsetamiseks ja edasiarenduseks.
Algaja jaoks on praktiline erinevus lihtne: mudel saab sisendiks helisalvestise ja tagastab transkriptsiooni. See on mõeldud koosolekute, intervjuude, häälsisestuse, keeruliste salvestiste, laulusõnade ja muude olukordade jaoks, kus kõne täpne tuvastamine on olulisem kui vestlusliku vastuse genereerimine.
Tuvastamise tugevused ja toetatud kõne
MiMo-V2.5-ASR toetab mandariinihiina keelt, inglise keelt, hiina ja inglise keele koodivahetust ning mitut Hiina piirkondlikku keelekuju. Xiaomi nimetab toetatud murrete hulgas konkreetselt wu, kantoni, minnani ja sichuani murret. API võib keele automaatselt tuvastada või kasutada sõnaselgelt määratud hiina või inglise keele seadet.
Mudeli peamine eripära on keskendumine keerulisele helile, mitte ainult puhtale ja mikrofonilähedasele kõnele. Xiaomi positsioneerib selle järgmisteks kasutusjuhtudeks:
- Mürarikkad salvestised ja kaugväljaheli
- Mitme kõneleja kattuv kõne
- Taustamuusikaga vestlused
- Hiina ja inglise keele kakskeelne või koodivahetusega kõne
- Hiina- ja ingliskeelsed laulusõnad
- Tehnilised terminid, nimed, kohanimed ja klassikaline luule
Toetatud on ka kirjavahemärkide automaatne lisamine. See tähendab, et tagastatud transkriptsioon võib sisaldada kirjavahemärke, ilma et oleks vaja eraldi kirjavahemärkide taastamise etappi. Sellegipoolest tuleks lõpptulemus üle kontrollida valdkonnaspetsiifiliste nimede, kõnelejate omistamise ja vormistusnõuete osas.
MiMo tootevaliku koht
MiMo-V2.5-ASR on Xiaomi MiMo kataloogis spetsialiseerunud kõnetuvastuse mudel. See ei ole üldine vestlusmudel, arutlusassistent, koodimudel ega kõnesünteesisüsteem. Selle väljund on tekstitranskriptsioon ja sisend heli.
See spetsialiseerumine selgitab nii mudeli kasulikkust kui ka piiranguid. Transkriptsioonimudel võib sobida üldisest multimodaalsest mudelist paremini, kui ülesanne on töödelda järjepidevalt suurt hulka salvestisi ja tasu põhineb heli kestusel. Samas ei ole see õige valik järelküsimuste esitamiseks, tarkvara genereerimiseks, piltide loomiseks, video tootmiseks ega genereeritud kõne tagastamiseks.
API-juurdepääs ja sisendvorming
Xiaomi MiMo API pakub MiMo-V2.5-ASR-i OpenAI-ga ühilduva chat-completions-liidese kaudu. Päringud sisaldavad üht heli-sisuosa, milles on Base64-kodeeritud heliandmed. Dokumentatsiooni järgi toetatud vormingud on MP3 ja WAV.
Server-sent events'i kaudu on saadaval voogvastused. Voogedastus võib olla kasulik siis, kui rakendus peab kuvama transkriptsiooni teksti järk-järgult, mitte ootama kogu salvestise töötlemise lõppu. ASR-lõpp-punkti dokumenteeritud vaikimisi piirang on 100 päringut minutis ja 10 000 tokenit minutis, kuigi tegelikud piirangud võivad sõltuda konto seadistusest ja teenuse tingimustest.
API toetab automaatset keele tuvastamist ning sõnaselgelt määratud hiina või inglise keele seadeid. Läbi vaadatud dokumentatsioon kirjeldab heli transkribeerimise sisendit, mitte üldotstarbelist multimodaalset päringut, mis sisaldaks suvalisi teksti-, pildi-, video- ja heli kombinatsioone.
Hinnakujundus
Xiaomi rahvusvahelise turu kasutuspõhine hinnakiri näitab MiMo-V2.5-ASR-i hinnaks 0,074 dollarit sisendheli tunni kohta. Hiina-sisene hinnakiri näitab mudeli hinnaks 0,5 jüaani tunni kohta. Hinnad põhinevad sisendheli kestusel, mitte genereeritud transkriptsiooni tokenite arvul.
Eraldi väljunditasu ei ole esitatud uuringus dokumenteeritud. Kuna hinnastamine põhineb kestusel, võib mudeli kulu olla partiitranskriptsiooni puhul lihtsam prognoosida kui teenuse puhul, mille tasu sõltub peamiselt tekstitokenite kasutusest. Enne juurutamist tuleks tegelikku saadavust, valuutat, konto nõudeid ja piirkondlikku hinnastamist kontrollida vastava Xiaomi MiMo konto ning hinnadokumentatsiooni kaudu.
Avatud lähtekoodiga saadavus ja kohalik juurutamine
MiMo-V2.5-ASR on saadaval ka avatud lähtekoodiga väljalaskena, mille kood ja allalaaditavad kaalud on avalikult kättesaadavad. See annab tehnilistele kasutajatele API-põhisele juurdepääsule alternatiivi ning võimaldab uurida kohalikku juurutamist või ehitada mudeli ümber kohandatud rakendusi.
Avaldatud hoidla nimetab Linuxi keskkonda, Python 3.12, CUDA 12.0 või uuemat versiooni, MiMo heli-tokeniseerijat ning täiendavaid sõltuvusi, sealhulgas FlashAttentioni. Samuti pakub see Gradio esitlust ja Pythoni liidest transkribeerimiseks.
Kohalik juurutamine annab andmetöötluse ja taristu üle suurema kontrolli, kuid nõuab sobivat riistvara, tarkvara seadistamist, mudelite allalaadimist ja hooldust. Esitatud uuring ei täpsusta GPU-mälu minimaalset nõuet, toetatud riistvara loendit, läbilaskevõime võrdlustesti ega tagatud kohaliku järeldamise kiirust, mistõttu ei tohiks neid üksikasju eeldada.
Tehnilised piirangud ja täpsustamata andmed
Mitut üldkeelemudelite puhul tavaliselt avaldatavat spetsifikatsiooni Xiaomi läbi vaadatud dokumentatsioonis ei määratleta. Konteksti pikkus ja väljundi maksimaalne tokenipiirang on täpsustamata. Samuti ei ole esitatud teadmiste lõppkuupäeva, kuigi see mõiste on transkriptsioonimudeli puhul vähem keskne kui faktiküsimustele vastava mudeli puhul.
MiMo-V2.5-ASR-i kohta ei ole dokumenteeritud peenhäälestusteenust, partiide API-t, vahemällu salvestamise funktsiooni, JSON-režiimi ega üldist tööriistade või funktsioonide kutsumise võimekust. Uuring ei kinnita ka eraldi kõnelejate diariseerimise väljundvormingut. Kuigi mudelit kirjeldatakse mitme kõnelejaga kattuvate vestluste toetajana, ei tohiks kasutajad eeldada, et see tagastab automaatselt ja usaldusväärselt märgistatud kõnevoorud, kui Xiaomi praegune teostus seda käitumist ei dokumenteeri.
Mudel genereerib teksti, mitte pilte, videot, heli ega muusikat. Seetõttu tuleks seda käsitleda kõnest tekstiks teisendava komponendina, mitte täieliku hääleagendi lahendusena. Kõne vastuseid vajavad rakendused vajavad eraldi tekst-kõneks-süsteemi, samal ajal kui semantilist otsingut või küsimustele vastamist vajavad rakendused vajavad pärast transkribeerimist täiendavat töötlust.
Arutlus, kodeerimine, tööriistad, kiirus ja hind
Arutlus ja kodeerimine ei ole selle mudeli kavandatud võimekused. See võib ära tunda tehnilist sõnavara või transkribeerida programmeerimist käsitlevat kõnet, kuid see erineb koodi kirjutamisest, mitmeastmelise probleemi lahendamisest või vastuse kontrollimisest. Samuti ei paku mudel dokumenteeritud veeb otsingut, väliseid tööriistu ega funktsioonikutsungeid.
Uuringuga kaasas olev toimetuslik hinnang annab mudeli suhtelisele arutlusvõimele tulemuseks 3 punkti 10-st ja kodeerimisvõimele 1 punkti 10-st. Need on võrdlevad toimetuslikud hinded, mitte Xiaomi võrdlustestid ega teenusepakkuja avaldatud hinnangud. Sama hinnang annab kiirusele 7 punkti 10-st ja hinnale 8 punkti 10-st, kajastades mudeli spetsialiseeritud eesmärki ja kestusepõhist hinda, mitte väidet universaalselt paremast jõudlusest.
Praktilises mõttes vahetab MiMo-V2.5-ASR laia haarde fokuseerituse vastu. Üldine multimodaalne mudel võib pakkuda rohkem arutlust, nägemisvõimekust, tööriistade kasutamist või vestluslikku käitumist, kuid spetsiaalne ASR-mudel võib olla otsesem ja säästlikum valik, kui vajalik tulemus on toetatud helist saadud transkriptsioon.
Parimad kasutusjuhud
MiMo-V2.5-ASR sobib hästi töövoogudesse, kus kõnetuvastus on keskne ülesanne ja heli võib sisaldada keelelist varieeruvust või akustilisi raskusi. Sobivad näited on järgmised:
- Koosolekute, intervjuude ja loengute transkribeerimine
- Hiina ja inglise keele kakskeelsed vestlused
- Toetatud Hiina murrete tuvastamine
- Ruumidest või kaugemal asuvatest mikrofonidest tehtud kaugväljasalvestised
- Mürarikkad vestlused ja taustamuusikaga salvestised
- Mitme kõnelejaga arutelude transkribeerimine
- Hiina- või ingliskeelsete laulusõnade transkribeerimine
- Häälsisend rakendustele, mis töötlevad transkriptsiooni edasi
Tootmiskasutuse korral peaksid meeskonnad siiski hindama mudelit tüüpiliste salvestiste põhjal. Täpsus võib varieeruda sõltuvalt mikrofoni kvaliteedist, aktsendist, kattuvast kõnest, taustamürast, haruldastest nimedest, erialasõnavarast ning soovitud kirjavahemärkide või vormistuse stiilist.
Millal valida MiMo-V2.5-ASR?
Vali MiMo-V2.5-ASR siis, kui sisend on toetatud heli, soovitud väljund on tekst ning salvestis võib sisaldada hiina või inglise keelt, murdekõnet, koodivahetust, muusikat, müra, kaugust mikrofonist või rohkem kui üht kõnelejat. API-juurdepääs, voogedastuse tugi, avatud lähtekoodiga väljalase ja heli tunnipõhine hinnastus muudavad selle asjakohaseks nii majutatud rakenduste kui ka kohalikku juurutamist uurivate meeskondade jaoks.
Teist tüüpi mudel võib olla sobivam, kui rakendus vajab üldist vestlust, pildi- või videomõistmist, kodeerimist, veebiuuringuid, struktureeritud tööriistakasutust või genereeritud heli. Eraldi mudel või töötlusvoog võib olla eelistatav ka siis, kui töövoog nõuab kontrollitud kõnelejate silte, teadaolevat konteksti maksimaalset suurust, ametlikku partiitöötlust, peenhäälestust või dokumenteeritud struktureeritud väljundvormingut, sest neid võimalusi ei ole MiMo-V2.5-ASR-i kohta esitatud dokumentatsioonis täpsustatud.
Kokkuvõte
MiMo-V2.5-ASR on Xiaomi MiMo keskendunud kõnetuvastusmudel, mis teisendab keerulise heli tekstiks. Selle kõige olulisemad eristavad omadused on hiina ja inglise keele, valitud Hiina murrete, koodivahetuse, laulusõnade, mürarikaste ja kaugväljasalvestiste, kattuva kõne, automaatse keeletuvastuse ning kirjavahemärkide tugi, samuti API-voogedastus ja avatud lähtekoodiga juurdepääs. Sama olulised on piirangud: see ei ole üldotstarbeline assistent, selle konteksti- ja väljundipiirangud on dokumenteerimata ning mitut tootmiskasutuse funktsiooni, näiteks peenhäälestust, partiitöötlust, JSON-režiimi ja tööriistade kasutamist, ei ole täpsustatud.