Xiaomi представила модель MiMo-V2.5-ASR для распознавания речи

Компания Xiaomi выпустила специализированную нейросетевую модель MiMo-V2.5-ASR, предназначенную для автоматического распознавания речи (ASR). Решение ориентировано на работу в сложных акустических условиях и поддерживает обработку аудиопотоков с фоновым шумом.

Модель обладает широким функционалом: она распознает английский и китайский языки, включая различные диалекты. Система способна обрабатывать смешанную речь (code-switching), распознавать тексты песен и вести транскрибацию многопользовательских диалогов. Одной из ключевых особенностей является встроенная поддержка автоматической расстановки знаков препинания в реальном времени.

Технические характеристики и веса модели доступны для загрузки на платформе Hugging Face. Разработчики могут интегрировать MiMo-V2.5-ASR в собственные приложения для создания систем голосового управления, сервисов автоматической расшифровки встреч или инструментов для обработки аудиоконтента в шумной среде.

Для практиков это означает появление готового инструмента, который снижает порог входа при создании систем распознавания речи, адаптированных под многоязычные и сложные сценарии использования. Модель позволяет сократить время на дообучение собственных систем транскрибации для задач, требующих высокой устойчивости к внешним помехам.