小米 MiMo-V2.5-ASR 上线：0.5元/小时啃硬骨头

小米把 ASR 价格打到了 0.5 元/小时

7 月 7 日，小米 MiMo 团队悄悄把 MiMo-V2.5-ASR 挂上了开放平台，这是继上个月 TTS 系列限时免费之后，小米全链路语音模型系列的另一只脚落地。定价简单粗暴：国内 0.5 元/小时，海外 0.074 美元/小时，按音频转写时长计费。

对开发者来说，这个价格意味着什么？举个例子——按 OpenAI Whisper API 的 0.006 美元/分钟折算，一小时是 0.36 美元，MiMo-V2.5-ASR 海外价格差不多是它的五分之一；国内跟阿里通义、腾讯云 ASR 的通用识别（大多在 1.5～2.5 元/小时区间）比，也基本是打了个三折。而且这次不是限时优惠，是常规定价。

更值得留意的是，MiMo-V2.5-ASR 已经开源了模型权重和代码。也就是说，愿意自己搭 GPU 的团队可以直接拉走跑，不愿意折腾的直接调 API——两条路都通。这在国内 ASR 领域并不常见，绝大多数厂商要么只给 API、模型捂得死死的，要么开源一个能力残缺的"社区版"。

它到底能听懂什么

小米给这套 ASR 的定位是"全链路语音模型的听觉基座"——注意关键词是"基座"，不是又一个通用转写工具。官方给出的能力清单，几乎就是过去几年语音识别在真实场景里被吐槽最多的几个死穴：

• 中文方言：粤语、吴语、闽南语、四川话原生支持，无需切换语种参数
• Code-Switch：中英混说自由流畅，不用预设语种标签（这是大部分传统 ASR 的老大难）
• 歌曲识别：中英文歌词，伴奏和人声混在一起也能扒下来
• 强噪音：远场拾音、高噪音环境的鲁棒识别
• 多说话人：多人交叉对话的准确转录
• 知识关联：古诗词、专业术语、人名地名精准识别
• 原生标点：结合韵律和语义直接吐带标点的文本，不需要后处理

听起来像是把 ASR 能力清单默写了一遍，但这里有几个点值得单独拎出来。

方言不是玄学，是场景刚需

粤语、吴语这些方言，行业里做得好的其实很少。原因很朴素：训练数据太难搞，标注成本高，客户又相对集中在特定地区。但如果你做的是客服质检、政务热线、老年医疗对话这类国内 to B 场景，方言识别的准确率直接决定了系统能不能用。小米这次把四川话都单独列出来，明显是奔着这些行业客户去的。

Code-Switch 是 Agent 时代的入口

中英混说这件事，在通用会议、技术分享、跨境电商客服里出现得极其频繁。传统方案要么先做语种检测再切模型，要么强行按一个语种去解——结果就是"我们今天来聊聊 transformer 的 attention 机制"被转成"我们今天来聊聊传送门的爱情机制"这种笑话。MiMo-V2.5-ASR 号称无需预设语种标签，如果实测能做到，对 Agent 类应用是刚需级别的能力。

原生标点，看似不起眼

很多老式 ASR 输出的是一坨没有标点的连续文字，得再挂一个 punctuation restoration 模型去补。MiMo-V2.5-ASR 直接结合韵律和语义在解码阶段输出标点——一是省一次调用，二是标点位置和语义边界更贴合，转写完直接进 LLM 都不用清洗。

定位：不是又一个 Whisper 平替

如果只看能力清单，很容易把它当成"国内版 Whisper"。但从 MiMo 官方的表述来看，它想做的其实是Agent 应用里的听觉入口。

和 MiMo-V2.5-TTS 系列一起，小米现在拼出的是一条完整的语音闭环：

• mimo-v2.5-pro 负责规划、拆任务、写剧本
• mimo-v2.5-tts / voicedesign / voiceclone 负责音色和内容生成
• mimo-v2.5-asr 负责听回、评价、判断表达是否偏离初衷

这套组合的意图很明显：让开发者可以用一个模型体系搭出"能听、能想、能说"的 Agent，而不是拼贴一堆来自不同厂商的 API。ASR 在这条链路里，不只是把音频转文本，还要给上层的 Agent 提供"这段表演演得对不对"的反馈信号。这也是为什么小米反复强调"听觉基座"这个词——它是要给整个语音 Agent 生态打地基的。

接入细节：一个熟悉的 chat/completions 接口

接入方式对熟悉 OpenAI SDK 的开发者友好度很高，直接用 chat/completions 语义传音频：

• 端点：https://api.xiaomimimo.com/v1/chat/completions
• 模型名：mimo-v2.5-asr
• 音频格式：目前仅支持 wav 和 mp3
• 音频传入方式：Base64 编码，两种方式——data URL 或纯 Base64 + format 字段
• 单次音频 Base64 上限 10MB

对于长音频（超过 10MB 的），需要自己在业务侧切片再合并结果。这是目前接入上比较明显的一个限制，不清楚后续会不会补长文件上传或流式解码。

计费按音频时长走，不看 token——这对开发者来说是可预测的成本，不会因为方言复杂度或者标点密度多扣钱。

值得追问的几个点

发布很热闹，但作为开发者，有几个问题是文档没直接回答的，需要接入的时候自己踩一下：

1. 延迟怎么样：官方给的示例是非流式调用。对于会议实时转写、直播字幕这类场景，是否支持流式返回，延迟能压到多低，目前没看到明确数据。
2. 多说话人是否输出说话人分离标签：官方宣称支持多人对话准确转录，但"转录"和"diarization（说话人分离）"是两件事。如果只是把话都转出来但不区分谁说的，对会议纪要类应用价值有限。
3. 热词/领域定制：对医疗、法律、金融这类专业术语密集的场景，是否支持词表 / hotword 上传，会显著影响准确率的上限。
4. 和 Whisper Large-v3、Paraformer 的横向对比：官方 blog 里提到在 AMI 等英文场景 Open ASR Leaderboard 上达到领先水平，但没给完整对比数字，还得等第三方评测。

一点小提醒

如果你手上已经在用 OpenAI Hub（openai-hub.com）做多模型统一调用，MiMo 系列的兼容 OpenAI 格式的 API 也在支持范围内——一个 Key 直接切模型，省去再单独申请一套 Key 的麻烦。不过 ASR 这种按时长计费的形态跟 chat 类模型走的账单口径不同，具体接入方式建议先看下文档。

小结

MiMo-V2.5-ASR 这次更新，本身在能力清单上没有太多惊喜——方言、Code-Switch、噪音鲁棒、多说话人，这些都是这两年头部 ASR 都在卷的方向。但小米把三件事凑到一起做了：价格打到行业下限、模型权重开源、和 TTS + LLM 拼成完整语音 Agent 链路。

对开发者来说，这意味着：

• 做原型验证的时候，不用再纠结"要不要为了省钱先跑 Whisper 本地"——0.5 元/小时的 API 比自建 GPU 便宜太多
• 做私有化部署的时候，有开源权重可以直接落地
• 做 Agent 应用的时候，能在一个供应商体系内闭环

至于实际效果对得对不对得起宣传，就得等接入后的真实数据说话了。方言和 Code-Switch 这两块，会是最快能看出真伪的试金石。

参考来源

• IT之家：小米 MiMo-V2.5-ASR 全链路语音模型听觉基座上线，定价 0.5 元/小时 —— 首发报道，包含定价与能力清单细节