MiMo 语音识别

通过 ModelSell 的 OpenAI Chat Completions 兼容接口调用 MiMo-V2.5-ASR，将 MP3 或 WAV 音频转写为文本。

MiMo-V2.5-ASR 使用 OpenAI Chat Completions 兼容格式接收 Base64 音频，并在助手消息的 content 中返回转写文本。

接口地址

POST /v1/chat/completions

所有请求都使用 ModelSell API Key：

Authorization: Bearer $MODELSELL_API_KEY
Content-Type: application/json

不要使用音频转录路径

MiMo-V2.5-ASR 不使用 /v1/audio/transcriptions。请始终通过 /v1/chat/completions 提交 JSON 请求。

支持模型

模型	输入格式	输出
`mimo-v2.5-asr`	单条 MP3 或 WAV 音频	转写文本

请求参数

字段	类型	必填	说明
`model`	string	是	固定为 `mimo-v2.5-asr`
`messages`	array	是	仅支持单条音频输入；消息角色为 `user`
`messages[].content[].type`	string	是	固定为 `input_audio`
`messages[].content[].input_audio.data`	string	是	Data URL 或不带前缀的 Base64 音频数据
`messages[].content[].input_audio.format`	string	条件必填	仅传 Base64 数据时必填，可选 `mp3`、`wav`；Data URL 已声明 MIME 类型时可省略
`asr_options.language`	string	否	`auto`、`zh` 或 `en`，默认 `auto`
`stream`	boolean	否	是否通过 SSE 流式返回，默认 `false`

如果同时提供 Data URL MIME 类型和 format，两者必须匹配。MP3 可使用 audio/mpeg 或 audio/mp3，WAV 使用 audio/wav。

请求示例

先把音频编码为单行 Base64：

BASE64_AUDIO=$(base64 < speech.mp3 | tr -d '\n')

然后提交识别请求：

curl -X POST "$MODELSELL_BASE_URL/v1/chat/completions" \
  -H "Authorization: Bearer $MODELSELL_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"mimo-v2.5-asr\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": [
          {
            \"type\": \"input_audio\",
            \"input_audio\": {
              \"data\": \"data:audio/mpeg;base64,$BASE64_AUDIO\"
            }
          }
        ]
      }
    ],
    \"asr_options\": {
      \"language\": \"auto\"
    }
  }"

如果只传递 Base64 数据，需要同时声明格式：

{
  "type": "input_audio",
  "input_audio": {
    "data": "BASE64_AUDIO_DATA",
    "format": "mp3"
  }
}

响应示例

非流式响应沿用 Chat Completions 结构，识别结果位于 choices[0].message.content：

{
  "id": "chatcmpl_xxxxxxxxxxxxxxxx",
  "object": "chat.completion",
  "created": 1780398283,
  "model": "mimo-v2.5-asr",
  "choices": [
    {
      "index": 0,
      "finish_reason": "stop",
      "message": {
        "role": "assistant",
        "content": "早上好，请问今天的天气怎么样？"
      }
    }
  ],
  "usage": {
    "prompt_tokens": 126,
    "completion_tokens": 14,
    "total_tokens": 140,
    "prompt_tokens_details": {
      "audio_tokens": 118
    },
    "seconds": 7
  }
}

流式请求设置 "stream": true，逐条读取 choices[0].delta.content 并拼接即可得到完整转写文本。

使用限制

每次请求仅支持一条音频。
输入音频仅支持 MP3 和 WAV。
大文件会显著增大 Base64 请求体；请确保客户端和网络允许对应的请求大小。
模型是否可用取决于当前 ModelSell 站点为你的分组开放的模型列表。