从SU7到「人-车-家」：雷军开源的这只「耳朵」，要装进客厅和座舱里

会听的大模型，一直是「单耳失聪」的。

现在的音频大模型已经能听懂不少东西——语音内容、环境声、音乐，小米去年8月开源的MiDashengLM-7B在22个公开评测集上刷过SOTA。但它们有个共同的盲区：听到的世界是被压扁的。杯子在左边摔碎还是右边摔碎，哭声是从卧室传来还是客厅传来，对单声道进模型、只学"内容"的音频AI来说，这些都不存在。

10月15日，小米声音大模型团队把这块拼图补上了：开源空间音频理解大模型MiDashengLM-Spatial，官方口径是"业界首个开源的端到端空间音频理解大模型"。模型权重、推理代码、评估代码全部公开，Apache 2.0协议，商用免费。

机制：语义和空间，分两条路走

技术报告（arXiv 2610.11156）里的架构相当克制。原有0.6B参数的Dasheng-Huge语义编码器保持不动，继续负责"听内容"；旁边新接一条基于86M参数Dasheng-Base的空间编码器，专门处理双耳信号——左右声道的到达时间差、强度差这些定位线索。两条分支用"分层语义到空间注入"连接：在四个深度上，适配器把语义层的中间特征投影进空间分支，帮着它区分重叠声源；信息流是单向的，空间特征不回灌语义层，这样新能力不会把老本领带歪。

数据是另一个亮点。空间标注数据天然稀缺，团队用头相关传递函数（HRTF）加虚源法模拟各种室内声学环境，合成出100万段双耳场景、约1.3万小时音频、600万组空间问答对，最多支持三个声源同时重叠——对比基座模型超过100万小时的训练量，空间能力只用了百分之一的数据就"嫁接"成功。

验证方法尤其值得说说。团队设计了一个"左右声道交换测试"：把原本来自左侧的声音换到右侧，模型的答案必须跟着翻转。原版MiDashengLM在这项测试上的全正确率是0%——它根本没在用双耳线索；新模型达到72.6%。在STAR-Bench空间推理基准上，准确率从44.3%升到70.3%，压过Qwen3-Omni的44.7%；MMAU-Pro的空间任务从18.2%升到55.4%。同时，音频问答、语音识别、声音描述这些通用能力与基座基本持平。

为什么是现在：智能体要有「方位感」

空间听觉看起来小众，实际上是具身智能和环境感知的刚需能力。机器人要判断异常响动来自哪个方向，智能座舱要分清"打开车窗"是主驾说的还是后排孩子喊的，家庭安防摄像头拍到画面之前，先听到的往往是玻璃碎裂声——没有方位感，这些场景都只能做一半。

小米的业务底盘恰好全是这些场景。Dasheng系列已经在智能家居和汽车座舱落地超过30项应用：车外唤醒防御、音箱全天候异常音监控、YU7的增强哨兵模式划车检测。MiDashengLM-Spatial把"声音在哪"补进这个体系，人-车-家生态的听觉链路就齐了。选择在此时开源而非自用，逻辑和去年MiDashengLM-7B一致：这类垂直模型靠生态放大价值，Apache 2.0换来的是助听器厂商、机器人团队、学术界一起帮忙踩坑。

往深想一层

几个边界需要先摆上桌。所谓"业界首个"是团队自己的表述，限定词是"开源的端到端"，闭源或传统信号处理方案早有积累，这个定语叠得相当讲究。70.3%的空间推理准确率，放在"能不能量产上车"的标准下也谈不上宽裕——技术报告自己承认，模型对精细运动轨迹和多个重叠声源的复杂空间关系仍有理解局限。另外，训练数据全部来自HRTF仿真合成，仿真到真实的"域差"是声学领域的老大难，demo里的定位和量产环境里的定位，中间往往隔着一整轮真实数据回炉。

不过有个细节比跑分更有含金量：那次左右声道交换测试。它回答的是空间音频AI最容易糊弄的问题——模型到底是真在听双耳线索，还是在猜数据集的统计规律？原版模型0%的正确率说明后者有多普遍，新模型72.6%则说明这次至少迈过了"真用了"的门槛。对开源社区来说，这个测试方法本身可能就是比权重更有传染性的遗产。

往产业看，这也是开源阵营在"感官模态"上的一次抢跑。视觉有Qwen-VL系列、语音理解有MiDashengLM，空间听觉此前是空白；小米把空白填上并免费开放，等于给所有做多模态智能体的团队递了一块现成的积木。闭源大厂会不会跟进做"空间版"，多久跟进，是接下来值得盯的事。

结尾

从听懂"说了什么"，到听出"声音在哪、往哪动"，音频大模型这次补上的是人类与生俱来的能力，却也是机器听觉长期缺课的一章。1.3万小时合成数据、86M参数的轻量分支，换来近26个点的空间推理提升——这笔账本身就展示了垂直模态的效率玩法。

接下来真正的考场在车里、在客厅、在机器人的麦克风阵列里；开源的好处是，阅卷的不止小米一家。