de.wedoany.com-Bericht: Am 7. Juli brachte Xiaomi, ein chinesisches Unternehmen für intelligente Endgeräte und KI-Technologie, die vollständige Hörbasis des Sprachmodells MiMo-V2.5-ASR auf den Markt. Der API-Preis in China beträgt 0,5 Yuan pro Stunde, international 0,074 US-Dollar pro Stunde. Das Modell ist über die API verfügbar und kann im Token-Plan genutzt werden. Es eignet sich für Anwendungen wie Sprachtranskription, Sprachinteraktion, Besprechungsprotokolle, Inhaltsverarbeitung, mehrsprachige Erkennung und komplexe akustische Szenarien.
MiMo-V2.5-ASR ist nicht als reines Sprach-zu-Text-Werkzeug positioniert, sondern als Hörbasis-Modell der Xiaomi MiMo-Open-Plattform. Nachdem die Spracherkennung in die KI-Anwendungskette integriert wurde, müssen Entwickler nicht nur klare Aufnahmen in Hochchinesisch verarbeiten, sondern auch Dialekte, zweisprachige Mischungen, Hintergrundgeräusche, Mehrpersonengespräche, Fernfeldaufnahmen, Liedtexterkennung und die Erkennung von Fachbegriffen in realen Szenarien. Nachdem Xiaomi dieses Modell als API-Dienst bereitgestellt hat, können Entwickler die Sprachfähigkeiten in Anwendungen, Endgeräte, Bürosysteme, Content-Plattformen und intelligente Geräte integrieren und die Abrechnung erfolgt auf Basis der Dauer der Audiotranskription.
Die Erkennung in komplexen Szenarien ist das Hauptverkaufsargument dieser Veröffentlichung. MiMo-V2.5-ASR deckt chinesische Dialekte wie Kantonesisch, Wu, Süd-Min und Sichuanesisch ab und kann in gemischt chinesisch-englischen Szenarien erkennen, ohne dass die Sprache vorab festgelegt werden muss. In Szenarien mit Liederkennung kann das Modell chinesische und englische Liedtexte sowie Audiodateien mit Begleitung und Gesang verarbeiten. Unter Bedingungen mit starkem Rauschen und Fernfeldaufnahmen betont das Modell eine robuste Erkennungsfähigkeit. In Szenarien mit überlappenden Mehrpersonengesprächen kann es genauere Transkriptionen liefern. Auch wissensbezogene Inhalte wie klassische Gedichte, Fachbegriffe, Personennamen und Ortsnamen werden im Erkennungsumfang berücksichtigt.
Die native Zeichensetzungsfähigkeit beeinflusst die tatsächliche Benutzererfahrung. Viele Spracherkennungsprodukte können Sprache in Text umwandeln, aber die Ergebnisse erfordern oft manuelle Korrekturen bei Zeichensetzung, Satztrennung und Formatierung. MiMo-V2.5-ASR betont die direkte Ausgabe von Zeichensetzung basierend auf Rhythmus und Semantik, sodass der transkribierte Inhalt näher an einem sofort verwendbaren Text liegt. Szenarien wie Besprechungsprotokolle, Interviewaufbereitung, Unterrichtsnotizen, Sprachnotizen, Podcast-Untertitel und Kundendienstqualitätsprüfungen erfordern eine umfassendere Fähigkeit zur Satztrennung und Zeichensetzung, da sonst die nachfolgenden Bearbeitungskosten deutlich steigen.
Der inländische API-Preis von 0,5 Yuan pro Stunde macht dieses Modell auch leichter für Batch-Anwendungstests zugänglich. Die Nutzungskosten von Spracherkennungsdiensten beeinflussen direkt, ob Entwickler sie in hochfrequente Szenarien integrieren möchten, insbesondere bei Langzeittranskription, Besprechungsaufzeichnungen, Telefonqualitätsprüfungen, Untertitelgenerierung für Kurse und Audio-/Videoinhaltsverarbeitung. Durch die Abrechnung nach Audiotranskriptionsdauer können Unternehmen und Entwickler die Kosten basierend auf der tatsächlichen Nutzung kontrollieren und das Kosten-Nutzen-Verhältnis des Modells in verschiedenen Geschäftsszenarien leichter bewerten.
Sprachmodelle werden zu einer wichtigen Grundlage für intelligente Endgeräte und KI-Anwendungen. Smartphones, intelligente Lautsprecher, Fahrzeugsysteme, Wearables, Bürosoftware, Kundendienstsysteme und Content-Erstellungstools benötigen alle stabilere Höreingänge. Xiaomi hat bereits zuvor text-, sprach- und multimodale Fähigkeiten auf der MiMo-Open-Plattform bereitgestellt. Mit der Einführung von MiMo-V2.5-ASR wird die Sprach-Eingabe- und Verständniskette der Plattform weiter vervollständigt. Mit der API-Öffnung können Entwickler Anwendungen für Szenarien wie Dialekterkennung, zweisprachige Interaktion, Transkription bei starkem Rauschen und Mehrpersonen-Besprechungsprotokolle entwickeln.
Nach der Einführung dieses Modells werden die Anwendungsszenarien zunächst auf Langzeittranskription, mobile Spracheingabe, Bürobesprechungen, Inhaltsuntertitel, Kundendienstanrufe und Sprachinteraktion mit intelligenten Endgeräten fokussiert sein. Dialektabdeckung, Code-Switch zwischen Chinesisch und Englisch, robuste Erkennung bei starkem Rauschen und native Zeichensetzungsausgabe werden direkt die Nutzbarkeit des Modells in realen Szenarien bestimmen. Nachdem Xiaomi MiMo-V2.5-ASR in die offene API-Phase eingetreten ist, können Entwickler über die Plattform Integrationstests durchführen und die entsprechenden Spracherkennungsfähigkeiten basierend auf der Transkriptionsdauer nutzen.
