小米开源首个原生端到端语音大模型 Xiaomi-MiMo-Audio

五年前，GPT-3 首次展示了通过自回归语言模型+大规模无标注数据训练，可获得强大 In-Context Learning（ICL）能力，并能通过少样本迁移到新任务，从而使语言开启通用人工智能（AGI）新纪元。

然而在语音领域，现有模型仍严重依赖大规模标注数据，难以快速适应新任务达到类人智能。

这一瓶颈如今被打破。

小米正式开源首个原生端到端语音模型——Xiaomi-MiMo-Audio，它基于创新预训练架构和上亿小时训练数据，首次在语音领域实现基于 ICL 的少样本泛化，并在预训练观察到明显的“涌现”行为。

后训练进一步激发了 Xiaomi-MiMo-Audio 的智商、情商、表现力与安全性在内的跨模态对齐能力，语音对话在自然度、情感表达和交互适配上呈现极高的拟人化水准。

得益于创新模型结构 + 上亿小时数据预训练 + 轻量后训练，Xiaomi-MiMo-Audio 性能亮眼，具体如下： Xiaomi-MiMo-Audio 主要贡献如下： 我们采取简单、彻底和直接的开源风格，希望促进语音研究领域加速向前： MiMo-Audio-7B-Instruct 可通过 prompt 切换 non-thinking、thinking 两种模式，强化学习（RL）起点高、潜力足，可以作为研究语音 RL 和 Agentic 训练的全新基座模型。

我们开源了 MiMo-Audio 的 Tokenizer 模型： Tokenizer 高效实现的推理代码如下： MiMo-Audio 技术报告已公开，全面展示了模型和训练细节： 我们提供了一套完整的语音模型预训练 ICL 测评、后训练评估框架，支持 10+ 测评任务，已开源至 GitHub。

我们认为，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。

我们会持续开源，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。