De acordo com pt.wedoany.com-No dia 7 de julho, a Xiaomi, empresa chinesa de terminais inteligentes e tecnologia de IA, lançou a base auditiva do modelo de fala de cadeia completa MiMo-V2.5-ASR, com preço da API doméstica de 0,5 yuan/hora e preço internacional de 0,074 dólar/hora. O modelo já está disponível via API e suporta uso no Token Plan, sendo voltado para transcrição de fala, interação por voz, gravação de reuniões, processamento de conteúdo, reconhecimento multilíngue e aplicações em cenários acústicos complexos.
O MiMo-V2.5-ASR não é apenas uma ferramenta de conversão de fala em texto, mas sim um modelo de base auditiva na plataforma aberta MiMo da Xiaomi. Quando o reconhecimento de fala entra na cadeia de aplicações de IA, os desenvolvedores precisam lidar não apenas com gravações claras em mandarim, mas também com dialetos, mistura bilíngue, ruído de fundo, conversas em grupo, captação de som a distância, reconhecimento de letras de música e termos técnicos em cenários reais. Ao transformar este modelo em um serviço de API, a Xiaomi permite que os desenvolvedores integrem capacidades de fala em aplicativos, terminais, sistemas de escritório, plataformas de conteúdo e dispositivos inteligentes, com cobrança baseada no tempo de transcrição de áudio.
O reconhecimento em cenários complexos é o principal destaque deste lançamento. O MiMo-V2.5-ASR cobre dialetos chineses como cantonês, wu, min do sul e sichuanês, realizando reconhecimento em cenários de mistura chinês-inglês sem necessidade de pré-definição do idioma; em cenários de reconhecimento de músicas, o modelo processa letras em chinês e inglês, além de áudio misto de acompanhamento e voz; em condições de ruído intenso e captação a distância, o modelo enfatiza a capacidade de reconhecimento robusto; em cenários de conversas cruzadas entre múltiplas pessoas, realiza transcrições mais precisas. Conteúdos relacionados a conhecimento, como poemas clássicos, termos técnicos, nomes de pessoas e lugares, também são incluídos na capacidade de reconhecimento.
A capacidade nativa de pontuação afeta a experiência prática de uso. Muitos produtos de reconhecimento de fala conseguem converter som em texto, mas os resultados frequentemente exigem adição manual de pontuação, segmentação de frases e organização. O MiMo-V2.5-ASR enfatiza a saída direta de pontuação combinando ritmo e semântica, tornando o conteúdo transcrito mais próximo de um texto utilizável. Cenários como atas de reuniões, organização de entrevistas, anotações de aula, notas de voz, legendas de podcasts e inspeção de qualidade de atendimento ao cliente exigem capacidades mais completas de segmentação de frases e pontuação; caso contrário, os custos de edição subsequentes aumentam significativamente.
O preço da API doméstica de 0,5 yuan/hora também torna este modelo mais acessível para testes de aplicação em lote. O custo de uso do serviço de reconhecimento de fala geralmente afeta diretamente a disposição dos desenvolvedores em integrá-lo em cenários de alta frequência, especialmente transcrição de áudio longo, organização de gravações de reuniões, inspeção de qualidade de chamadas, geração de legendas de cursos e processamento de conteúdo de áudio e vídeo. Com a cobrança baseada no tempo de transcrição de áudio, empresas e desenvolvedores podem controlar custos de acordo com o volume real de uso, além de avaliar mais facilmente o retorno sobre o investimento do modelo em diferentes cenários de negócios.
Os modelos de fala estão se tornando uma capacidade fundamental importante para terminais inteligentes e aplicações de IA. Celulares, alto-falantes inteligentes, sistemas automotivos, dispositivos vestíveis, softwares de escritório, sistemas de atendimento ao cliente e ferramentas de criação de conteúdo precisam de uma entrada auditiva mais estável. A Xiaomi já havia implantado capacidades relacionadas a texto, fala e multimodalidade na plataforma aberta MiMo. Com o lançamento do MiMo-V2.5-ASR, a cadeia de entrada e compreensão de fala da plataforma foi ainda mais completada. Com a abertura da API, os desenvolvedores podem realizar desenvolvimento de aplicações em torno de cenários como reconhecimento de dialetos, interação bilíngue, transcrição em ruído intenso e gravação de reuniões em grupo.
Após o lançamento deste modelo, os cenários de uso se concentrarão inicialmente em transcrição de áudio longo, entrada de voz em dispositivos móveis, reuniões de escritório, legendas de conteúdo, chamadas de atendimento ao cliente e interação por voz em terminais inteligentes. A cobertura de dialetos, mistura chinês-inglês (Code-Switch), reconhecimento robusto em ruído intenso e saída nativa de pontuação determinarão diretamente o grau de usabilidade do modelo em cenários reais. Após o MiMo-V2.5-ASR da Xiaomi entrar na fase de API aberta, os desenvolvedores podem realizar testes de integração através da plataforma e usar as capacidades de reconhecimento de fala com base no tempo de transcrição.
