今天，小米正式放出了 MiMo-V2.5-ASR —— 这是他们语音模型的听觉基座，主打全链路能力。从官方公布的信息来看，这款模型在方言、中英混说、强噪声、多人对话这些真实场景里，都宣称达到了业界领先水平。
具体来说，能处理的能力覆盖了这么几块：
中文方言：粤语、吴语、闽南语、四川话等常见方言都能识别，不是摆设。
中英文混说：Code-Switch 场景下自由切换，不需要提前设置语种。
歌曲识别：中英文歌词都能抓，伴奏和人声混在一起也能高精度转写。
强噪声环境：高噪音、远场拾音这些硬骨头，模型保持了不错的鲁棒性。
多人说话：交叉对话场景下还能准确定位和转录，挺考验底层的。
知识关联：古诗词、专业术语、人名地名这类需要背景知识的内容，也能精准识别。
原生标点：基于韵律和语义直接输出标点，转写完就能直接用，省了后处理。
目前这个模型已经开放了 API，可以在 Token Plan 里直接调用。定价方面，按音频转写时长计费：国内是 0.5 元/小时，海外 0.074 美元/小时。坦白讲，这个价格放在当前市场里，性价比相当有竞争力。
附上官方接入文档，有需要的可以直接参考：https://mimo.mi.com/docs/zh-CN/quick-start/usage-guide/audio/Speech-Recognition
