企业官网建设流程全解析

AIRI 接入 Xiaomi MiMo 语音转写（ASR/STT）完整指南：API Key、模型配置与麦克风转写实战

【免费下载链接】airi💖🧸 Self hosted, you-owned Grok Companion, a container of souls of waifu, cyber livings to bring them into our worlds, wishing to achieve Neuro-sama's altitude. Capable of realtime voice chat, Minecraft, Factorio playing. Web / macOS / Windows supported.项目地址: https://gitcode.com/GitHub_Trending/ai/airi

本指南以 AIRI 项目文档中关于Xiaomi MiMo（ASR/STT）的配置说明为核心，系统讲解如何在 AIRI 中接入小米 MiMo 的云端语音转写能力。你将掌握从申请 API Key、填写 Provider 配置、验证转写效果，到在「听觉（Hearing）」模块中启用麦克风实时转写的完整流程，并了解 MiMo 转写请求在 AIRI 源码中的底层实现原理。文章同时覆盖mimo-v2-omni与mimo-v2.5两个可选模型的差异，以及常见问题的排查思路。

为什么选择 Xiaomi MiMo 作为转写服务

MiMo 是小米推出的自研多模态模型，其原生音频理解能力让语音转写不再依赖独立的 ASR 链路——MiMo 直接以多模态输入方式理解音频内容并输出文本。在 AIRI 中接入 MiMo 转写（ASR/STT）的典型场景是：

• 你已经在使用 MiMo（例如用于对话或 TTS），希望在同一个账号下统一处理音频内容；
• 你需要借助 MiMo 的多模态模型直接处理音频，而不是单独维护一套语音识别服务。

从 AIRI 的源码定义来看，MiMo 转写 Provider 的任务类型（tasks）被声明为['speech-to-text', 'automatic-speech-recognition', 'asr', 'stt']（见 mimo-audio/index.ts），即它同时满足 STT 与 ASR 两类能力标识。其底层依赖说明来自文档中的明确表述，而具体任务声明与模型清单则可在 mimo-audio/index.ts 中核实。

第一步：获取 API Key

1. 登录 Xiaomi MiMo Platform（小米 MiMo 开放平台）。
2. 确认账号已开启API 访问权限。
3. 在平台中创建API Key，复制并妥善保存在安全位置。

::: warning API Key 与音频数据安全 切勿泄露 API Key。云端转写会把你的音频上传到服务提供方进行处理，因此请先确认该行为符合你的隐私与数据处理要求。此外，API Key 不要提交到版本库、不要出现在截图或共享给他人。 :::

第二步：在 AIRI 中配置 MiMo 转写 Provider

配置入口为设置（Settings）→ 提供方（Providers）→ 转写（Transcription）→ Xiaomi MiMo。

需要填写/确认两个核心配置项：

这两项在源码中的默认值定义于 mimo-audio/index.ts 的mimoTranscriptionConfigSchema：

const mimoTranscriptionConfigSchema = z.object({ apiKey: z.string(), baseUrl: z.string().default('https://api.xiaomimimo.com/v1/'), model: z.string().default('mimo-v2-omni'), })

其中baseUrl即使留空，也会在normalizeBaseUrl中回退到默认地址，并统一补全末尾的/（见 mimo-audio/index.ts）：

function normalizeBaseUrl(baseUrl: string | undefined) { return `${(baseUrl || 'https://api.xiaomimimo.com/v1/').replace(/\/+$/, '')}/` }

对应的设置页面实现位于 mimo-audio-transcription.vue：API Key 输入框的占位提示为mimo_... (MiMo API key)，Base URL 输入框位于「高级设置（ProviderAdvancedSettings）」区域，占位默认值为https://api.xiaomimimo.com/v1/。

配置校验机制

AIRI 在编辑配置时会自动进行校验。源码中通过createMimoValidators实现（见 mimo-audio/index.ts），校验规则为：

• apiKey不能为空（去空格后检查）；
• baseUrl不能为空（去空格后检查）。

任一条件不满足都会使校验失败，页面会展示错误提示，并提供「继续（force valid）」的跳过入口（见 mimo-audio-transcription.vue）。

第三步：选择转写模型

MiMo 转写 Provider 支持以下模型（来源：mimo-audio/index.ts 中的listModels）：

在 Provider 设置页面的模型下拉框中选中可用模型即可。页面挂载时会自动调用loadModelsForConfiguredProviders()与fetchModelsForProvider()拉取模型列表（见 mimo-audio-transcription.vue）。

第四步：验证转写配置

1. 在 Provider 设置页选择可用的转写模型。
2. 使用同一页面上的Playground（转写试验场）：允许浏览器/应用访问麦克风，录制一段简短语音样本，确认能返回对应文本。

源码中 Playground 的生成逻辑为handleGenerateTranscription（见 mimo-audio-transcription.vue）：它通过hearingStore.transcription(providerId, provider, model, file, 'json')调用转写能力，并将结果以 JSON 形式返回页面展示。

第五步：启用麦克风实时转写（关键一步）

仅在上面的 Provider 页面测试并不会启用麦克风的实时转写。要让 AIRI 在对话中实际使用 MiMo 进行语音转写，还需要：

1. 打开设置 → 模块（Modules）→ 听觉（Hearing）；
2. 在听觉模块中选择提供方Xiaomi MiMo；
3. 选择模型 IDmimo-v2-omni（或你选定的模型）；
4. 选择麦克风设备，并运行听觉测试确认转写生效。

这一步对应 AIRI 的模块级配置：听觉（Hearing）模块持有最终的转写提供方与模型选择，Provider 设置页只负责管理凭证与连通性验证。

底层原理：MiMo 转写请求是如何构造的

AIRI 的 MiMo 转写 Provider 并未使用 OpenAI 风格的/audio/transcriptions接口，而是将音频作为多模态消息提交到chat/completions端点。核心逻辑位于 mimo-audio/index.ts 的createMimoTranscriptionProvider：

1. 提取音频文件：请求体必须是FormData，其中包含file（音频文件）与model（模型 ID，缺省用mimo-v2-omni）字段；
2. 转换为 Data URI：readBlobAsDataUri将音频 Blob 读取为data:<mime>;base64,...格式；
3. 推断音频格式：audioFormatFromDataUri根据 MIME 类型映射格式——webm/mp4原样保留、mpeg/mp3归并为mp3，其余回退为wav（见 mimo-audio/index.ts）；
4. 构造多模态消息：以{ type: 'text', text: 'Transcribe the audio content.' }与{ type: 'input_audio', input_audio: { data, format } }组成用户消息；
5. 发送请求：POST {baseUrl}/chat/completions，认证头为api-key: <apiKey>；
6. 解析结果：从choices[0].message.content中取出转写文本，包装为{ text }响应返回。

const response = await fetch(new URL('chat/completions', baseUrl), { method: 'POST', headers: { 'Content-Type': 'application/json', 'api-key': apiKey }, body: JSON.stringify({ model: modelName, messages: [{ role: 'user', content: [ { type: 'text', text: 'Transcribe the audio content.' }, { type: 'input_audio', input_audio: { data: base64Data, format: audioFormatFromDataUri(dataUri) } }, ], }], }), })

请求失败时错误信息会携带 HTTP 状态码、状态文本以及服务端返回的响应体（MiMo transcription failed: <status> <statusText> — <body>），便于定位问题。

常见问题排查

补充：MiMo 在 AIRI 中的其他能力

MiMo 在 AIRI 中除了转写（ASR/STT）外，还有独立的能力页面：

• 对话（Consciousness）：配置apiKey与baseUrl即可启用 MiMo 聊天模型，支持推理模式的开启/关闭，接入实现见 mimo/index.ts，配置文档见 consciousness/mimo.md；
• 语音合成（TTS）：支持预置音色（mimo-v2.5-tts）、音色设计（mimo-v2.5-tts-voicedesign）与音色克隆（mimo-v2.5-tts-voiceclone）三种模式，内置中文音色如「冰糖」「茉莉」「苏打」「白桦」及英文音色 Mia、Chloe、Milo、Dean 等，详见 speech/mimo.md 与 mimo-audio/index.ts。

如果你希望在同一个 MiMo 账号下同时使用对话与音频能力，可以参考上述两个文档分别启用对应模块；本文聚焦的转写能力则对应文档 transcription/mimo.md 所描述的完整流程。

【免费下载链接】airi💖🧸 Self hosted, you-owned Grok Companion, a container of souls of waifu, cyber livings to bring them into our worlds, wishing to achieve Neuro-sama's altitude. Capable of realtime voice chat, Minecraft, Factorio playing. Web / macOS / Windows supported.项目地址: https://gitcode.com/GitHub_Trending/ai/airi