fr.wedoany.com Rapport : Le 7 juillet, Xiaomi, entreprise chinoise spécialisée dans les terminaux intelligents et les technologies d'IA, a lancé la base auditive du modèle vocal complet MiMo-V2.5-ASR. Le prix de l'API en Chine est fixé à 0,5 yuan par heure, et à 0,074 dollar américain par heure à l'international. Ce modèle est désormais accessible via API et peut être utilisé dans le cadre du Token Plan, pour des applications telles que la transcription vocale, l'interaction vocale, la prise de notes de réunions, le traitement de contenu, la reconnaissance multilingue et les scénarios acoustiques complexes.
Le MiMo-V2.5-ASR n'est pas un simple outil de conversion parole-texte, mais un modèle de base auditive au sein de la plateforme ouverte MiMo de Xiaomi. Lorsque la reconnaissance vocale s'intègre dans une chaîne d'applications d'IA, les développeurs doivent traiter non seulement des enregistrements clairs en mandarin, mais aussi des scénarios réels incluant dialectes, mélange bilingue, bruits de fond, conversations à plusieurs, prise de son à distance, reconnaissance de paroles de chansons et de termes spécialisés. En proposant ce modèle sous forme de service API, Xiaomi permet aux développeurs d'intégrer des capacités vocales dans des applications, terminaux, systèmes bureautiques, plateformes de contenu et appareils intelligents, avec une facturation basée sur la durée de transcription audio.
La reconnaissance dans des scénarios complexes est le principal argument de vente de ce lancement. Le MiMo-V2.5-ASR couvre les dialectes chinois tels que le cantonais, le wu, le minnan et le sichuanais, et peut effectuer une reconnaissance dans des scénarios de mélange chinois-anglais sans nécessiter de présélection de la langue. Dans les scénarios de reconnaissance de chansons, le modèle peut traiter les paroles en chinois et en anglais, ainsi que les fichiers audio mélangeant accompagnement et voix. Dans des conditions de fort bruit et de prise de son à distance, le modèle met l'accent sur une capacité de reconnaissance robuste. Dans les scénarios de conversations croisées à plusieurs, il permet une transcription plus précise. Les contenus liés à la connaissance, comme les poèmes anciens, les termes techniques, les noms de personnes et de lieux, sont également inclus dans le champ de reconnaissance.
La capacité de ponctuation native influence l'expérience utilisateur réelle. De nombreux produits de reconnaissance vocale peuvent convertir la parole en texte, mais les résultats nécessitent souvent une ponctuation, une segmentation et une réorganisation manuelles. Le MiMo-V2.5-ASR met l'accent sur la sortie directe de la ponctuation en combinant rythme et sémantique, rendant le contenu transcrit plus proche d'un texte directement utilisable. Des scénarios tels que les comptes rendus de réunions, la réorganisation d'interviews, les notes de cours, les notes vocales, les sous-titres de podcasts et le contrôle qualité du service client nécessitent des capacités de segmentation et de ponctuation plus complètes, faute de quoi les coûts d'édition ultérieurs augmentent considérablement.
Le prix de l'API en Chine, fixé à 0,5 yuan par heure, rend également ce modèle plus accessible pour les tests d'applications à grande échelle. Le coût d'utilisation des services de reconnaissance vocale influence directement la décision des développeurs d'intégrer ces services dans des scénarios à haute fréquence, en particulier pour la transcription de longs fichiers audio, la réorganisation d'enregistrements de réunions, le contrôle qualité des appels téléphoniques, la génération de sous-titres de cours et le traitement de contenu audio-vidéo. Avec une facturation basée sur la durée de transcription audio, les entreprises et les développeurs peuvent contrôler les coûts en fonction de l'utilisation réelle et évaluer plus facilement le retour sur investissement du modèle dans différents scénarios métier.
Les modèles vocaux deviennent une capacité de base essentielle pour les terminaux intelligents et les applications d'IA. Les téléphones mobiles, les enceintes intelligentes, les systèmes embarqués dans les véhicules, les appareils portables, les logiciels bureautiques, les systèmes de service client et les outils de création de contenu ont tous besoin d'une entrée auditive plus stable. Xiaomi avait déjà déployé des capacités liées au texte, à la voix et au multimodal sur la plateforme ouverte MiMo. Avec le lancement du MiMo-V2.5-ASR, la chaîne d'entrée et de compréhension vocale de la plateforme est davantage complétée. Avec l'ouverture de l'API, les développeurs peuvent développer des applications autour de scénarios tels que la reconnaissance de dialectes, l'interaction bilingue, la transcription en environnement bruyant et la prise de notes de réunions à plusieurs.
Après le lancement de ce modèle, les scénarios d'utilisation se concentreront d'abord sur la transcription de longs fichiers audio, la saisie vocale sur mobile, les réunions bureautiques, les sous-titres de contenu, les appels de service client et l'interaction vocale sur terminaux intelligents. La couverture des dialectes, le mélange chinois-anglais (Code-Switch), la reconnaissance robuste en environnement bruyant et la sortie de ponctuation native détermineront directement le degré d'utilisabilité du modèle dans des scénarios réels. Après l'entrée du MiMo-V2.5-ASR dans la phase d'API ouverte, les développeurs peuvent effectuer des tests d'intégration via la plateforme et utiliser les capacités de reconnaissance vocale en fonction de la durée de transcription.
