小米人工智能实验室近日发布自研声音理解大模型MiDashengLM-7B，并宣布全面开源。这一重要进展标志着小米在多模态AI领域的技术突破，也为全球开发者提供了强大的工具支持。
根据官方数据，该模型性能表现突出：
- 单样本首Token延迟仅为同类模型的25%
- 相同显存条件下，并发处理能力提升20倍以上
在22个公开评测集中，该模型刷新了语音、环境音与音乐理解的多项纪录，达到当前行业最高水平（SOTA）。
技术架构方面，模型采用两大核心组件：
- 音频编码器：Xiaomi Dasheng
- 自回归解码器：Qwen2.5-Omni-7B Thinker
通过创新的通用音频描述训练策略，模型实现了三大能力突破：
- 识别"说了什么"
- 理解"发生了什么"
- 分析"为何发生"
值得一提的是，Xiaomi Dasheng技术早在2024年就取得重大突破：
- AudioSet测试突破50+ mAP
- HEAR Benchmark三大维度持续领先
目前该技术已落地30+实际场景，典型应用包括：
- 智能家居异常声音监测
- 车载"响指联动IoT设备"功能
- 小米YU7车型的划车声识别
重要提示：模型训练数据全部来自公开资源，采用Apache License 2.0协议，支持商用。
小米还公开了77个数据源构成比例，并完整披露了从预训练到微调的全流程，展现出极高的技术透明度。
未来规划方面，小米将重点优化：
- 终端设备离线部署
- 基于自然语言的声音编辑功能
开发者可通过以下资源获取模型：
- 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
