小米发布端到端语音大模型Xiaomi-MiMo-Audio，实现自然对话与交互适配
小米公司近日开源了其首个端到端语音大模型Xiaomi-MiMo-Audio，该模型在自然度、情感表达和交互适配方面达到了拟人化水平，基于创新预训练架构和上亿小时训练数据，支持音频重建和音频转文本任务。
小米开源首个原生端到端语音大模型Xiaomi-MiMo-Audio
小米公司于9月19日宣布开源其首个原生端到端语音大模型Xiaomi-MiMo-Audio，这是语音领域的一项重要突破。
该模型基于创新预训练架构和上亿小时训练数据，实现了在智商、情商、表现力与安全性等方面的跨模态对齐能力提升，特别是在自然度、情感表达和交互适配方面达到了拟人化水准。
具体创新点包括：首次证明语音无损压缩预训练可以“涌现”出跨任务的泛化性，表现为Few-Shot Learning能力；明确语音生成式预训练的目标和定义，并开源了一套完整的语音预训练方案。
目前，Xiaomi-MiMo-Audio的预训练和指令微调模型已在Huggingface平台开源，Tokenizer模型则可在Github平台获取，其参数量达1.2B，基于Transformer架构。