9月19日，小米公司宣布开源其首个原生端到端语音大模型 Xiaomi-MiMo-Audio，这一创新成果标志着语音技术领域的一次重大突破。五年前，GPT-3的出现开启了语言通用人工智能（AGI）的新纪元，但语音领域一直受限于对大规模标注数据的依赖，难以实现类似的语言模型的少样本泛化能力。如今，小米推出的 Xiaomi-MiMo-Audio 模型基于创新的预训练架构和上亿小时的训练数据，首次在语音领域实现了基于 In-Context Learning(ICL)的少样本泛化，并在预训练过程中观察到了明显的“涌现”行为。

Xiaomi-MiMo-Audio 模型在多个标准评测基准中表现出色，其性能不仅超越了同参数量的开源模型，还在音频理解基准 MMAU 的标准测试集上超过了 Google 的闭源语音模型 Gemini-2.5-Flash，并在音频复杂推理基准 Big Bench Audio S2T 任务中超越了 OpenAI 的闭源语音模型 GPT-4o-Audio-Preview。这一成果不仅展示了小米在语音技术领域的深厚实力，也为语音 AI 的发展提供了新的方向。

小米此次开源的 Xiaomi-MiMo-Audio 模型具有多项创新和首次突破。首先，该模型首次证明了将语音无损压缩预训练扩展至1亿小时可以“涌现”出跨任务的泛化性，表现为少样本学习能力，这被看作是语音领域的“GPT-3时刻”。其次，小米是首个明确语音生成式预训练的目标和定义的公司，并开源了一套完整的语音预训练方案，包括无损压缩的 Tokenizer、全新模型结构、训练方法和评测体系，开启了语音领域的“LLaMA时刻”。此外，Xiaomi-MiMo-Audio 是首个将思考过程同时引入语音理解和语音生成过程中的开源模型，支持混合思考。

小米采取了简单、彻底和直接的开源风格，以促进语音研究领域的加速发展。开源内容包括预训练模型 MiMo-Audio-7B-base 和指令微调模型 MiMo-Audio-7B-Instruct，以及 Tokenizer 模型、技术报告和评估框架。MiMo-Audio-7B-Instruct 模型可通过 prompt 切换 non-thinking 和 thinking 两种模式，强化学习起点高、潜力足，可作为研究语音 RL 和 Agentic 训练的全新基座模型。Tokenizer 模型具有1.2B参数量，采用 Transformer 架构，兼顾效率与性能，从头开始训练，覆盖超过千万小时语音数据，同时支持音频重建任务和音频转文本任务。技术报告全面展示了模型和训练细节，而评估框架则支持10多个测评任务，已开源至 GitHub。

小米公司表示，Xiaomi-MiMo-Audio 的开源将显著加速语音大模型研究对齐到语言大模型，为语音 AGI 的发展提供重要基础。小米将持续开源，期待与每一位同行者携手，用开放与协作，迈向语音 AI 的“奇点”，走进未来的人机交互时代。

https://huggingface.co/XiaomiMiMo/MiMo-Audio-7B-Instruct