智东西
作者 | 云鹏
编辑 | 李水青
智东西8月4日消息，刚刚，小米公司正式开源声音理解大模型MiDashengLM-7B。其声音理解性能在22个公开评测集上刷新多模态大模型最好成绩（SOTA），单样本推理的首Token延迟（TTFT）为业界先进模型的1/4，同等显存下的数据吞吐效率是业界先进模型的20倍以上。
具体来看，MiDashengLM-7B基于Xiaomi Dasheng作为音频编码器和Qwen2.5-Omni-7B Thinker作为自回归解码器，通过通用音频描述训练策略，实现了对语音、环境声音和音乐的统一理解。
此前小米于2024年首次发布Xiaomi Dasheng声音基座模型，此次开源的7B模型是该模型的扩展。目前该系列模型在小米智能家居、汽车座舱等领域有30多个落地应用。
小米称，音频理解是构建全场景智能生态的关键领域。MiDashengLM通过统一理解语音、环境声与音乐的跨领域能力，不仅能听懂用户周围发生了什么事情，还能分析发现这些事情的隐藏含义，提高用户场景理解的泛化性。
MiDashengLM的训练数据由100%公开数据构成。
GitHub主页：
https://github.com/xiaomi-research/dasheng-lm
技术报告：
https://github.com/xiaomi-research/dasheng-lm/tree/main/technical_report
模型参数（Hugging Face）：
https://huggingface.co/mispeech/midashenglm-7b
模型参数（魔搭社区）：
https://modelscope.cn/models/midasheng/midashenglm-7b
网页Demo：
https://xiaomi-research.github.io/dasheng-lm
交互Demo：
https://huggingface.co/spaces/mispeech/MiDashengLM
一、支持跨场景音频理解能力，音频编码器多项关键测试超越Whisper
MiDashengLM在音频描述、声音理解、音频问答任务中有比较明显的优势：
音频描述任务性能（FENSE指标）
在音频描述任务中，MiDashengLM-7B比Qwen、Kimi同类7B模型性能更强。
声音理解任务性能
在声音理解任务中，MiDashengLM-7B除FMA、VoxCeleb-Gender项目均领先于Qwen的7B模型，与Kimi的7B模型相比，仅有VoxCeleb-Gender项目略微落后。
语音识别任务性能（WER/CER指标）
在语音识别任务中，MiDashengLM-7B的主要优势在于GigaSpeech 2，在其他两组测试中Qwen和Kimi有一定优势。
音频问答任务性能
其中，Xiaomi Dasheng音频编码器是MiDashengLM音频理解能力的重要来源。在用于评估编码器通用能力的X-ARES Benchmark上，Xiaomi Dasheng在多项关键任务上优于作为Qwen2.5-Omni、Kimi-Audio等模型音频编码器的Whisper。
音频编码器在X-ARES Benchmark上的分数对比
除了声音理解，Xiaomi Dasheng还可以用于音频生成任务，如语音降噪、提取和增强。
二、推理效率提升，单样本4倍加速与百倍并发支持
MiDashengLM的训练和推理效率是其另一项优势。对于单个样本推理的情形，即batch size为1时，MiDashengLM的首个token预测时间（TTFT）为Qwen2.5-Omni-7B的1/4。
批次处理时，在80GB GPU上处理30秒音频并生成100个token的测试中，MiDashengLM可以把batch size设置为512，而Qwen2.5-omni-7B在batch size设置为16时即出现显存溢出（OOM）。
Batch size=1时TTFT和GMACS指标对比
在实际部署中，MiDashengLM在同等硬件条件下可支持更多的并发请求量，降低计算成本。
80G显存环境下模型每秒可处理的30s音频个数
这背后，MiDashengLM基于Xiaomi Dasheng架构，在维持音频理解核心性能指标基本持平的前提下，通过优化音频编码器设计，将其输出帧率从Qwen2.5-Omni的25Hz降至5Hz，降幅80%，降低了计算负载并实现了推理效率提升。
三、训练范式改变：从碎片化转录到全局语义刻画
MiDashengLM采用通用音频描述对齐范式，避免了用ASR转录数据对齐仅关注语音内容而丢弃环境声音和音乐信息，且无法捕捉说话人情感、空间混响等关键声学特征的局限，通用描述对齐策略通过非单调的全局语义映射，迫使模型学习音频场景的深层语义关联。
该方法可以使用几乎所有的数据，包括噪声或非语音内容，而基于ASR转录的方法会丢弃非语音数据如环境声或音乐，导致数据利用率低下，基于ASR的对齐方法在ACAV100M-Speech数据集上会损失90%潜在有用数据。
MiDashengLM训练框架
MiDashengLM的训练数据通过多专家分析管道生成：首先对原始音频使用各种专家模型作语音、人声、音乐和环境声学的细粒度标注，包括使用Dasheng-CED模型预测2秒粒度的声音事件，再通过DeepSeek-R1推理大模型合成统一描述。
全部训练数据的原始标签在预训练中被弃用，只采用利用上述流程生成的新的丰富文本描述标签，以迫使模型学习更丰富全面的声音信息。
其中，来自ACAV100M的开源数据集经过上述流程重新标注后，形成了新的ACAVCaps训练集和MECAT Benchmark。MECAT Benchmark已于近期开源，ACAVCaps数据集将在ICASSP论文评审后开放下载。
ACAVCaps训练数据集构建流程
四、全栈开源，透明可复现
此次MiDashengLM训练数据100%来自公开数据集，涵盖五类110万小时资源，包括语音识别、环境声音、音乐理解、语音副语言和问答任务等多项领域。
MiDashengLM完整公开了77个数据源的详细配比，技术报告公开了从音频编码器预训练到指令微调的全流程。
据官方信息，小米已开始对Xiaomi Dasheng系列模型做计算效率的升级，寻求终端设备上可离线部署。
结语：小米音频大模型再拱一卒，多模态能力拼图日趋完善
作为影响自然语言交互体验的关键技术之一，小米Xiaomi Dasheng系列模型此次的升级，对其提升自家设备的AI交互体验有一定帮助，从智能家居、智能汽车到智能手机，各类产品均能受益。
AI多模态是当下业界主攻的方向之一，小米重心转向造车后，在AI大模型领域发声并不多，小米未来在多模态领域能否带来更多模型创新，值得期待。
