小米开源MiDashengLM-Spatial，首个端到端空间音频理解大模型

10月15日，小米技术团队发布并开源 Dasheng 系列新模型 MiDashengLM-Spatial。该模型以 MiDashengLM-7B 为基座，进一步为声音理解大模型"装上耳朵"，使其不仅能听懂声音内容，还能感知声音来自何处、如何在空间中分布。团队称，这是业界首个开源的端到端空间音频理解大模型。

MiDashengLM-Spatial 通过 Spatial-Dasheng 空间音频编码器与分层语义到空间的 HSSC 条件机制，将语义分支的中间表示逐级传递给空间分支，让空间建模借助语义上下文，同时保留两条分支的功能独立性。其数据管线构建了约 100 万段空间声学场景、约 1.3 万小时音频，以及 600 万条经事实校验的问答对。

在评测中，MiDashengLM-Spatial-7B 采用双耳音频输入，在 STAR-Bench 空间推理子集上空间准确率约 70.3%，声道交换全对率约 64.1%，明显领先 Gemini-3.6-Flash、Qwen3-Omni 等仅用单声道输入的模型，且在不牺牲通用音频理解能力的前提下获得空间感知。

模型以 Apache 2.0 许可证完整公开权重与推理代码，开发者、企业与学术机构均可免费用于商业集成或研究。小米表示，该能力将逐步应用于智能家居、汽车座舱等场景，以空间听觉提升"人车家全生态"的交互体验。

从语音识别到通用音频理解，再到如今的空间音频，多模态模型正把"听"的维度从内容延伸到方位与空间。MiDashengLM-Spatial 的开源，为国产大模型在听觉感知这一细分方向提供了可复现、可定制的底座，也有望带动智能家居与车载语音交互的新一轮升级。