MiMo 补上 ASR 后，小米 AI 终于把声音闭环拼起来了
三项能力单独看都不炸裂，但拼在一起，声音工作流从输入到输出第一次能在同一个平台跑通。
我和 MiMo 的这半年
今年注册 MiMo 开放平台的时候，印象就一个字：贵。
模型定价不算亲民，社区里吐槽一片。小米做 AI 模型？当时多数人没太当回事。
后来事情慢慢变了。先是额度重置，之前用完的额度清零重来；接着搞了 100T 活动，大方送。我去申请了 max 额度，批了，结果用不完——日常能塞进去的场景还没那么多。到期后一分钱续费，一分钱。到现在，额度还是有富余。
这不像技术驱动的节奏，更像小米卖手机那套：先把门槛压到地板，让人先拿在手里，用习惯了，场景自己会长出来。有人说小米的 AI 模型"不是不能用"，这话听着像吐槽，其实已经是夸了。
额度用不完，但活越来越多
这半年，我往 MiMo 里塞的活确实在变多。
用 TTS 做过有声书——把文本丢进去，出来一段能听的语音，语速、停顿都还行，至少不需要每句手动调。给英语学习素材配过音，学生听起来没有明显的机器感。有些 B 站视频没字幕，得先提音频再转文字——这块以前只能用别家 ASR，跟 MiMo 的 TTS 不在一个体系里，拼起来总隔一层。漫剧也能用 MiMo TTS 配音，几个角色换不同音色，效果够用。
这些场景单拿出来都不大，但拼在一起就是一个普通内容创作者"听-说-读-写"的日常。断掉的那一环是"听"——长音频转文字。之前要么用 Whisper 本地跑（吃显存、速度慢），要么用别家云端 ASR（跟 MiMo 的 TTS 不在一个体系里，数据来回搬，延迟高）。直到 7 月 8 号，MiMo-V2.5-ASR 上线，这块才补上。
ASR 能干嘛：一次实测
上线当天我拿了一段视频试手：沈逸观察，大约 100 分钟的长视频。提取音频后丢给 MiMo ASR 转写，大概 10 分钟内跑完，输出带标点的文本。速度体感不错，比我之前用 Whisper 本地跑快了不少。
这是个人实测，不代表所有用户都会得到一样的结果。视频内容、网络状况、并发排队都会影响实际耗时。但体感上，长音频转写不再是"挂后台等半天"的事了。
官方文档列了一堆能力：方言识别（粤语、吴语、闽南话、四川话）、中英混杂自动切换、歌词识别、强噪音/远场/多人对话、古诗词和专业术语、原生标点。定价国内 ¥0.5/小时，海外 $0.074/小时，按音频时长计费。API 兼容 OpenAI 格式，换模型就是换个 endpoint 和 key，接入成本确实低。
但说实话，这些能力清单到底有多能打，我没法下结论。目前公开的第三方基准测试几乎为零——没有 CER（字错率）、没有 MOS（语音质量评分）、没有跨平台对比跑分。官方自己说"业界领先"，但在社区和独立机构拿出数据之前，这个说法悬着。TTS 也一样，用户说"蛮好用"，但到底是哪种"蛮好用"，没有独立评测佐证。
三环跑通，第四环在路上
ASR 上线之后，我试着把几个环节串起来，发现声音工作流第一次能在同一个平台上走通：
第一环：ASR 长音频转写。 把视频或音频丢进去，出来带标点的文本。100 分钟的视频大约 10 分钟搞定，这是我自己的实测数据。
第二环：Agent 校对改稿。 拿转写稿丢给 MiMo 的语言模型，让它查错、改口误、理顺语句。ASR 转写难免有错漏，尤其是人名、专有名词、方言混杂的地方，靠语言模型做一轮自动校对，比人工逐字核对快得多。我试过一段访谈转写稿，它能把"声意观察"这类同音错字改回"沈逸观察"，也能把"这个呃然后"这样的口语碎片顺成完整句子。当然，它也会改错——把对的改成错的，或者过度润色丢了原意。所以人还是得过一遍，但工作量降了一个量级。
第三环：TTS 重配音。 改好的稿子再丢给 TTS，重新生成语音。有声书、英语素材、漫剧配音，走的都是这条线。跟市面上其他 TTS 比，MiMo 的声音不算最自然，但胜在同平台调用方便，延迟低，不用在不同服务之间搬数据。
这三环已经可以跑起来。转写→校对→配音，输入和输出都在 MiMo 一个平台内完成。不用在 Whisper、GPT、另一个 TTS 之间来回搬数据，不用管不同平台的 API 格式和鉴权方式。对个人创作者来说，少折腾就是生产力。
第四环：ASR 回听质检。 这一环目前还是构想——理论上可以把 TTS 生成的音频再用 ASR 跑一遍，跟原稿做 diff，查有没有漏读、错读、节奏问题。工程上可拼通，但还没跑出稳定的验证数据。而且有个坑：用同一个模型"自己听自己"，可能存在自欺风险——TTS 读错的地方，同一家 ASR 可能也听不出来。三席会诊时技术链路席建议用交叉模型做回听，即 ASR 和 TTS 用不同模型交叉验证，比如 MiMo TTS 出来的音频用另一家 ASR 去听，或者反过来，这样发现错误的概率更高。这个思路更靠谱，但还没落地，需要实际跑数据验证。
短板摊开说
MiMo 的单项能力，摊开来看没有哪项是统治级的。
用下来的感觉是：做图和视频时我还是会先看 SD 系工具，长文本更习惯拿 Qwen 打底，跑代码会先找 Kimi，Agent 编排会先看 GLM。MiMo 每样都能干，但还没有哪样是我的第一选择。这些只是个人使用感受，不是跑分结论——我没有做过正经 A/B 评测。
ASR 本身的第三方评测缺失是个硬伤。定价 ¥0.5/小时有明显的拉新意图，长期能不能维持不好说——官方文档里标注了 Token Plan 订阅也能用，但具体额度消耗规则和长期定价策略，还得再观察。定价能不能撑住，取决于小米愿不愿意持续补贴。100T 活动和一分钱续费已经说明小米愿意烧钱换用户，但 AI 模型的推理成本比软件授权高得多，这条路能走多远是个问号。
MiMo 还有个 v2.5 超高速模型，交互和速度体验做得不错，但"快"和"准"是不是一回事，要看具体场景。社区里有人说"TTS 和 ASR 还蛮好用"，这种朴素反馈比官方宣传实在，但样本太少，不能当结论用。
小米式运营的影子
回头看这大半年的轨迹：重置额度、100T 活动、max 额度批得痛快、一分钱续费、ASR 上线补全链路、定价打到底。
这套打法在科技公司里不常见，但在小米的基因里一点都不陌生。硬件生态时代，小米靠的是"让你先用上，用习惯了再说"。MIUI 社区早期也是这个路数——系统不要钱，用户慢慢养，生态慢慢建。现在 MiMo 开放平台的运营节奏，也有这种延续感。
跟 OpenAI、Anthropic 这些纯技术驱动的公司比，小米没有走"一个模型惊艳全场"的路子。MiMo 更像是在慢慢攒一条能用的链路：听（ASR）、说（TTS）、写（语言模型）、做（Agent）。每一块都不一定最强，但每一块都在持续迭代，而且运营节奏没断过。
"持续有声音"这件事，在 AI 这个卷到飞起的赛道里挺重要。小米这边，从额度重置到 100T 活动到 ASR 上线，中间没断过档。用户不一定每次都用，但每次打开平台都能看到"有新东西"，这会慢慢养出使用习惯。
技术为王还是运营为王？
AI 赛道现在有两种路线。
一种是技术突破型，靠单点能力炸裂占山头——DeepSeek 在推理上的突破、Qwen 在文字上的口碑，走的都是这条路。
另一种是运营积累型，靠持续迭代、降低门槛、培养用户习惯来慢慢渗透。小米走的就是这条路。
MiMo-V2.5-ASR 上线，从技术角度看是补了一个模块；从运营角度看，是小米 AI 声音闭环走到了第三环。ASR + Agent 校对 + TTS 重配音，在同一个平台上可以跑起来。加上方言、Code-Switch 这些接地气的能力，瞄准的就是中国用户的真实语音场景。
但"链路能跑"和"能力领先"是两回事。第四环回听质检还没落地，第三方基准评测还是空白，小米能不能用运营长线弥补单项能力的差距，这些问题现在回答不了。
类似链路用 Whisper、GPT、第三方 TTS 早就能拼出来，MiMo 不是能力碾压。它的卖点是低摩擦：同一个平台、同一套账号和接口，把 ASR、校对、配音放到一起。小米已经把声音工作流的前三环拼起来了，第四环能不能站住，还得等实测。
到时见真章。