MiMo-V2.5-ASR

MiMo-V2.5-ASR

转写普通话、英语和粤语的语音，包括中文方言、中英夹杂、歌词、嘈杂音频和多人会议，并自动加标点。适合需要语音转文字的团队。

由 XiaomiMiMo 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：MiMo-V2.5-ASR 是小米 MiMo 团队的一个 7.6B 参数的语音识别模型。它把普通话、英语和粤语的音频转成文字。模型卡说它还能处理多种中文方言、中英混合的语音、歌词，以及噪声或多人重叠说话这类困难音频。

适合谁：它适合转写中英文音频的团队，尤其是那些杂乱的真实录音，也适合比较语音模型的研究人员。

行业 | 谁在用 | 怎么用 | 例子
媒体与娱乐 | 字幕和歌词团队 | 转写中文或英文的歌曲和视频语音 | 从人声下面带伴奏的歌曲里取得歌词
商务 | 会议记录人员 | 转写多人对话 | 把一段团队会议录音变成文字稿
客户服务 | 通话分析团队 | 转写嘈杂或远场录音 | 读取在繁忙房间里录下的通话
研究 | 语音研究人员 | 测试方言和语码转换的识别 | 检查它怎么处理四川话或闽南话

如果你只需要笔记本上能跑的小模型，可以跳过它，因为它有 7.6B 参数，而且模型卡的演示面向的是 Linux GPU 环境。

用在哪里：

• 使用 transformers 库的 Python 代码
• 装有 Python 3.12 和 CUDA 12.0 或更高版本的 Linux，这是模型卡为演示列出的环境
• 项目自带的 Gradio 演示应用
• Windows、macOS 或 Linux，下载文件需要 Python

用途 | 适合谁 | 得到什么
转写方言语音 | 地方内容团队 | 吴语、粤语、闽南语、四川话等的文字
转写中英夹杂的语音 | 双语说话者 | 不需要语言标签的中英文文字
转写歌词 | 音乐团队 | 来自人声和伴奏混合的歌曲的歌词
转写会议 | 商务用户 | 来自重叠说话者、带标点的文字

如何设置：

• 按模型卡所说，Linux 上要有 Python 3.12 和 CUDA 12.0 或更高版本
• huggingface-hub 包
• 磁盘空间，完整精度的权重约 30.5 GB
• 音频分词器模型，它和语音模型一起下载

1. 用 pip 安装 Hugging Face hub 软件包。
2. 把音频分词器和语音模型下载到本地的 models 文件夹。
3. 按模型卡的安装步骤操作，并启动它的 Gradio 演示。

pip install huggingface-hub
hf download XiaomiMiMo/MiMo-Audio-Tokenizer --local-dir ./models/MiMo-Audio-Tokenizer
hf download XiaomiMiMo/MiMo-V2.5-ASR --local-dir ./models/MiMo-V2.5-ASR

如何使用：你启动项目自带的演示应用，加载一个音频文件，再读取转写结果。这里看到的那部分模型卡不包含运行这个应用所需的安装和启动命令。

示例：有人录下一场团队会议，两个人互相抢话，还在中文和英文之间切换。他们把文件交给模型。返回的是一份已经加好标点的完整文字稿，不需要额外的清理步骤。

新手与专家：如果你是新手，先用一段简短清晰的普通话或英语录音，把转写结果和你听到的对照一下。之后再试方言、歌曲或嘈杂的音频。

如果你熟悉这个领域：模型卡介绍的是一个端到端模型，经过大规模中期训练、监督微调和一种新的强化学习方法。它说标点是根据语调和语义生成的，并且在公开的英文榜单上对 AMI 这类难测试集表现领先。逐项基准数字在作者的博客里，这里看到的部分没有。

下载分词器和模型
安装项目依赖
启动 Gradio 演示
加载一个音频文件
读取带标点的转写结果

注意事项：

• Limits: 模型卡用一张图汇总结果，并指向博客查看具体数字，安装命令在这里看到的部分被截掉了。
• Claims: 质量方面的说法来自作者。
• Hardware: 模型卡为它的演示列出了装有 Python 3.12 和 CUDA 12.0 或更高版本的 Linux。
• License: MIT。
• Cost to run: 未提及。
• Data it reaches: 它把两个模型下载复制到你的电脑，并读取你给它的音频文件。

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：transformers
• 参数量：7.6B
• Weights: about 30.5 GB in F32; about 3.8 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：4,626
• 点赞：117
• 许可证：mit
• 语言：zh, en, yue
• Quantized versions: 6
• Fine-tunes: 6
• 标签：transformers, safetensors, qwen2, text-generation, automatic-speech-recognition

链接

• 模型：https://huggingface.co/XiaomiMiMo/MiMo-V2.5-ASR
• 文件：https://huggingface.co/XiaomiMiMo/MiMo-V2.5-ASR/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download XiaomiMiMo/MiMo-V2.5-ASR

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。