维度网讯，7月7日，中国智能终端与AI技术企业小米上线MiMo-V2.5-ASR全链路语音模型听觉基座，国内API定价为0.5元/小时，海外定价为0.074美元/小时。该模型已开放API并支持在Token Plan中使用，面向语音转写、语音交互、会议记录、内容处理、多语言识别和复杂声学场景应用。
MiMo-V2.5-ASR的定位不是单一语音转文字工具，而是小米MiMo开放平台中的听觉基座模型。语音识别进入AI应用链路后，开发者需要处理的不只是普通话清晰录音，还包括方言、双语混说、背景噪音、多人对话、远场拾音、歌词识别和专业名词识别等真实场景。小米把这一模型做成API服务后，开发者可以把语音能力接入应用、终端、办公系统、内容平台和智能设备中，以音频转写时长进行计费。
复杂场景识别是这次上线的主要卖点。MiMo-V2.5-ASR覆盖粤语、吴语、闽南语、四川话等中文方言，可在中英混转场景下完成识别，无需提前预设语种;在歌曲识别场景中，模型可处理中文、英文歌词以及伴奏与人声混合音频;在强噪音和远场拾音条件下，模型强调鲁棒识别能力;多人交叉对话场景中，则可完成更准确的转录。古诗词、专业术语、人名、地名等知识关联内容，也被纳入识别能力范围。
原生标点能力会影响实际使用体验。很多语音识别产品能够把声音转成文字，但生成结果常常需要人工补标点、断句和整理。MiMo-V2.5-ASR强调结合韵律与语义直接输出标点，使转写内容更接近可直接使用的文本。会议纪要、采访整理、课堂记录、语音笔记、播客字幕和客服质检等场景，都需要更完整的断句和标点处理能力，否则后续编辑成本会明显增加。
0.5元/小时的国内API定价，也让这款模型更容易进入批量应用测试。语音识别服务的使用成本通常会直接影响开发者是否愿意把它接入高频场景，尤其是长音频转写、会议录音整理、电话质检、课程字幕生成和音视频内容处理。按音频转写时长计费后，企业和开发者可以根据真实调用量控制成本，也能更容易评估模型在不同业务场景中的投入产出。
语音模型正在成为智能终端和AI应用的重要基础能力。手机、智能音箱、车机、可穿戴设备、办公软件、客服系统、内容创作工具都需要更稳定的听觉入口。小米此前已在MiMo开放平台布局文本、语音和多模态相关能力，MiMo-V2.5-ASR上线后，平台的语音输入与理解链路进一步补齐。随着API开放，开发者可以围绕方言识别、双语交互、强噪音转写和多人会议记录等场景进行应用开发。
这款模型上线后，使用场景会首先集中在长音频转写、移动端语音输入、办公会议、内容字幕、客服通话和智能终端语音交互。方言覆盖、Code-Switch中英混转、强噪声鲁棒识别和原生标点输出，将直接决定模型在真实场景中的可用程度。小米MiMo-V2.5-ASR进入开放API阶段后，开发者可以通过平台完成接入测试，并按转写时长使用相关语音识别能力。
