小米开源 MiDashengLM-Spatial：既听懂“是什么声音”，也听出“在哪里”

小米开源了 MiDashengLM-Spatial，这是 Dasheng 音频模型家族的新成员，目标不只是识别“这是什么声音”，还要判断声音来自哪里。据 Pandaily 10 月 16 日报道，小米发布了完整的模型权重与推理代码，采用 Apache 2.0 许可，可同时用于研究与商业用途。

模型建立在小米此前开源的音频理解大模型 MiDashengLM-7B 之上，新增了一个名为 Spatial-Dasheng 的空间音频编码器。根据技术报告，一个分层的“语义—空间”条件模块分别捕捉语义与空间信息，再把两者融合，形成单个端到端模型：既能描述语音、环境音与音乐，也能推理声源的方向、距离和移动。

Hugging Face 页面显示模型规模约 80 亿参数。空间线索依赖多通道输入：模型卡称训练使用了双耳两声道音频，单声道输入仍可运行，但不携带方向信息。小米表示模型保留了通用音频能力，研究团队称其在基础音频任务上的表现，与约 80 亿参数的大型音频语言模型相当。

小米把 MiDashengLM-Spatial 描述为“业界首个开源端到端空间音频理解模型”，论文中的表述加了“据我们所知”的限定，且这一说法来自小米及其研究者，尚未经过独立评估。

过去两年，小米先后开源了 Xiaomi Dasheng 声音基座模型与 MiDashengLM-7B。公司称 Dasheng 系列技术已支撑智能家居与车载座舱中的 30 多个应用，覆盖语音、环境音和音乐感知，这一数字指的是既有系列，而非新模型。

就 MiDashengLM-Spatial 本身，小米表示将逐步在智能家居与车载座舱场景落地——知道声音来自哪里，可以让助手的应答更精准——但没有给出时间表，也没有点名具体产品。

发布物包括项目演示页、arXiv 技术报告、GitHub 上的评测代码，以及 Hugging Face 上的模型权重。空间音频理解长期受制于数据与评测标准，一个可商用许可的端到端开源模型能否被社区快速复现和对比，是观察这一方向是否真正起步的关键。