8月4日消息，小米正式發(fā)布并開源聲音理解大模型MiDashengLM-7B，該模型是小米“人車家全生態(tài)”戰(zhàn)略的關鍵技術組件。

MiDashengLM通過統(tǒng)一理解語音、環(huán)境聲與音樂的跨領域能力，不僅能聽懂用戶周圍發(fā)生了什么事情，還能分析發(fā)現(xiàn)這些事情的隱藏含義，提高用戶場景理解的泛化性。

基于MiDashengLM的模型通過自然語言和用戶交互，為用戶提更人性化的溝通和反饋，比如在用戶練習唱歌或練習外語時提供發(fā)音反饋并制定針對性提升方案，又比如在用戶駕駛車輛時實時對用戶關于環(huán)境聲音的提問做出解答，其應用場景有廣闊的空間。

結合高效的推理部署性能，MiDashengLM將廣泛賦能智能座艙、智能家居等場景，推動多模態(tài)交互體驗升級。

基于Xiaomi Dasheng音頻編碼器和Qwen2.5-Omni-7B Thinker自回歸解碼器構建，通過通用音頻描述訓練策略，實現(xiàn)對語音、環(huán)境聲音和音樂的統(tǒng)一理解。

訓練數(shù)據100%來自公開數(shù)據集，涵蓋五大類110萬小時資源，以Apache License 2.0協(xié)議發(fā)布，支持學術和商業(yè)應用。

核心優(yōu)勢：

性能領先：在22個公開評測集上刷新多模態(tài)大模型最好成績（SOTA），在音頻描述、聲音理解、音頻問答任務中表現(xiàn)突出，同時具備可用的語音識別能力。其音頻編碼器Xiaomi Dasheng在X-ARES Benchmark多項關鍵任務，尤其是非語音類理解任務上顯著優(yōu)于Whisper。

推理效率高：單樣本推理的首Token延遲（TTFT）僅為業(yè)界先進模型的1/4；同等顯存下數(shù)據吞吐效率是業(yè)界先進模型的20倍以上，80GB GPU上處理30秒音頻并生成100個token時，batch size可達512，而同類模型在batch size 16時即顯存溢出。

訓練范式革新：采用通用音頻描述對齊范式，通過非單調全局語義映射，學習音頻場景深層語義關聯(lián)，避免傳統(tǒng)ASR轉錄數(shù)據對齊的局限，數(shù)據利用率高，還能捕捉說話人情感、空間混響等關鍵聲學特征。