MiMo-Audio-7B

MiMo-Audio-7B 是小米 MiMo 团队于 2025 年 9 月开源的音频语言模型，提供 Base 与 Instruct 两个版本，MIT 许可，覆盖音频转文本、文本转音频、音频到音频以及音频+文本到文本等任务。

核心思路

官方技术报告的标题是“Audio Language Models are Few-Shot Learners”：与依赖任务专门微调的音频模型不同，MiMo-Audio 通过大规模预训练，只需少量示例即可泛化到新的音频任务。

架构

• MiMo-Audio-Tokenizer：12 亿参数的 Transformer，25 Hz 运行，8 层 RVQ，每秒生成 200 个 token，同时优化语义与重建目标。
• 模型主体：由 patch encoder、LLM 与 patch decoder 组成，用于处理高采样率的音频序列，弥合语音与文本的长度差异。