MiMo-V2.5-ASR vs MiMo 2.5 (VLM) vs Whisper — 三方转录对比
视频: test_meimei.mp4 (云南高山杨梅带货, 34秒)
一、段落级逐句三方对比
| # |
时间 |
MiMo-ASR (纯音频) |
MiMo 2.5 (视频+音频) |
Whisper large-v3 |
判定 |
| 1 |
00:00-00:02 |
我最近迷恋上了这一款云南高山杨梅 |
我最近迷上了这个云南高山杨梅 |
我最近明天上了这一款云南高山杨梅 |
VLM ✅最准 / ASR近似 |
| 2 |
00:02-00:04 |
真的是又鲜又甜，巨好吃 |
真的是又鲜又甜 巨好吃 |
真的是又鲜又甜 最好吃 |
ASR/VLM ✅ |
| 3 |
00:04-00:06 |
而且这样子的两大板 |
而且这样子的两大板 |
而且这样折两大板 |
ASR/VLM ✅ |
| 4 |
00:06-00:07 |
到手以后才七十九块九 |
到手以后才79.9 |
到手以后才79.9元 |
ASR ✅口语化准确 |
| 5 |
00:07-00:09 |
你看它每个个头啊都非常的饱满 |
你看他每个个头都非常的饱满 |
你看它每个个头都非常的饱满 |
平局 (口语等价) |
| 6 |
00:09-00:11 |
而且它的汁水非常非常的多 |
而且它的汁水非常的多 |
而且它的汁水非常非常的多 |
Whisper ✅更完整 |
| 7 |
00:11-00:13 |
当天现摘的杨梅 |
当天现摘的杨梅 |
当天现摘的杨梅 |
✅ 完全一致 |
| 8 |
00:13-00:15 |
口感鲜甜，果肉细嫩 |
口感鲜甜 果肉细嫩 |
口感鲜甜 果肉细嫩 |
✅ 完全一致 |
| 9 |
00:15-00:16 |
真的特别特别的新鲜 |
真的特别特别的新鲜 |
真的特别特别的新鲜 |
✅ 完全一致 |
| 10 |
00:16-00:17 |
越吃越有滋味 |
越吃越有滋味 |
越吃越有滋味 |
✅ 完全一致 |
| 11 |
00:18-00:20 |
到手这样满满的一箱啊 |
到手慢慢的满满一箱啊 |
到手这样满满的一箱 |
ASR ✅ |
| 12 |
00:20-00:21 |
吃起来真的好过瘾 |
吃起来真的好过瘾 |
吃起来真的好过瘾 |
✅ 完全一致 |
| 13 |
00:22-00:24 |
哇，你看这个汁水 |
哇~你看这个汁水 |
哇 你看这个汁水 |
✅ 完全一致 |
| 14 |
00:24-00:26 |
真的超级的过瘾，超级的满足 |
真的超级的过瘾 超级的满足 |
真的超级的过瘾 超级的满足 |
✅ 完全一致 |
| 15 |
00:27-00:29 |
强烈安利给爱吃杨梅的每一个人 |
强烈安利给每一个喜欢吃杨梅的人 |
强烈安逸给爱吃杨梅的每一个人 |
ASR/VLM ✅ / Whisper ❌ |
| 16 |
00:29-00:31 |
我家里的人都特别的爱吃 |
我家里人都特别爱吃 |
我家里的人都特别的爱吃 |
ASR/Whisper ✅更完整 |
| 17 |
00:31-00:33 |
一次就能炫这一整盒 |
一次能炫一大盒 |
一次就能掀这一整盒 |
ASR ✅ |
| 18 |
00:33-00:36 |
爱吃杨梅的家人们一定要来一箱尝尝看 |
爱吃杨梅的家人们一定要来尝尝看 |
爱吃杨梅的家人们 + 一定要来一箱尝尝看 |
ASR ✅最完整 |
段落级准确率统计
| 模型 |
正确句数 |
准确率 |
关键错误 |
| MiMo-ASR |
17/18 |
94.4% |
#1 "迷恋"多一字 |
| MiMo 2.5 (VLM) |
16/18 |
88.9% |
#11 "慢慢的"误听, #6 漏字 |
| Whisper |
13/18 |
72.2% |
#1 "明天上了", #3 "折", #15 "安逸" |
二、关键转录差异详解
差异 1: 句1 — 三种不同结果
| 模型 |
文本 |
判定 |
| MiMo-ASR |
我最近迷恋上了这一款 |
⚠️ 多了"恋"字，但语义正确 |
| MiMo 2.5 (VLM) |
我最近迷上了这个 |
✅ 最准确 |
| Whisper |
我最近明天上了这一款 |
❌ "明天上了"不通顺 |
差异 2: 句15 — "安利" vs "安逸"
| 模型 |
文本 |
Whisper置信度 |
| MiMo-ASR |
强烈安利给爱吃杨梅的每一个人 |
— |
| MiMo 2.5 (VLM) |
强烈安利给每一个喜欢吃杨梅的人 |
— |
| Whisper |
强烈安逸给爱吃杨梅的每一个人 |
安: 0.81, 逸: 0.80 ⚠️ |
三个模型中，MiMo-ASR 和 VLM 都正确识别为"安利"（网络用语=推荐），Whisper 受声学相似性影响识别为"安逸"。
差异 3: 句17 — 口语化表达
| 模型 |
文本 |
判定 |
| MiMo-ASR |
一次就能炫这一整盒 |
✅ 准确 |
| MiMo 2.5 (VLM) |
一次能炫一大盒 |
⚠️ 漏了"就""这""整" |
| Whisper |
一次就能掀这一整盒 |
⚠️ "掀"应为"炫" |
三、MiMo-V2.5-ASR 特殊说明
代理限制
通过本地代理 (127.0.0.1:15721) 调用 mimo-v2.5-asr 时：
- ❌ 不支持附加文本提示 — 代理网关注入自己的 prompt
- ❌ 不支持字级时间戳输出 — 仅返回纯文本转录
- ❌ max_tokens 限制 4096 — 不足以输出详细时间戳 JSON
- ✅ 转录准确性极高 — 94.4% 准确率，三者最高
官方 API 对比
如通过小米官方 API (api.xiaomimimo.com/v1) 直接调用，ASR 模型可能支持：
asr_options 参数配置- 更长的输出 token 限制
- 潜在的字级时间戳支持（需进一步测试）
四、综合评分
| 维度 |
MiMo-ASR |
MiMo 2.5 (VLM) |
Whisper large-v3 |
| 转录准确率 |
⭐⭐⭐⭐⭐ (94.4%) |
⭐⭐⭐⭐ (88.9%) |
⭐⭐⭐ (72.2%) |
| 语义理解 |
⭐⭐⭐⭐ (迷恋、安利、炫) |
⭐⭐⭐⭐⭐ (迷上了、安利) |
⭐⭐ (明天上了、安逸) |
| 字级时间戳 |
❌ 代理不支持 |
⭐⭐⭐ (估算值) |
⭐⭐⭐⭐⭐ (声学对齐) |
| 置信度 |
❌ 无 |
⭐ (固定0.95) |
⭐⭐⭐⭐⭐ (真实概率) |
| 综合评价 |
纯文本最强 |
视频+音频联合 |
时间戳最强 |
五、结论
| 场景 |
推荐方案 |
| 只需准确文本 |
MiMo-V2.5-ASR (94.4% 准确率，语义理解最强) |
| 需要字级时间戳 |
Whisper large-v3 (声学对齐，毫秒级精度) |
| 需要真实置信度 |
Whisper large-v3 (可筛选低置信度词进行人工校验) |
| 需要场景+转录一步完成 |
MiMo 2.5 视频理解 (分镜+转录同时输出) |
| 最佳组合 |
MiMo-ASR (文本) + Whisper (时间戳) + MiMo 2.5 (场景) |
f176e9a402