MiMo-V2.6-Flash 音频理解工作流：URL 与 Base64 输入配置

一句话结论

mimo-v2.6-flash 支持音频理解；将音频作为 input_audio 放入用户消息，再附加文字任务指令。音频可用公开 URL 或带 MIME 前缀的 Base64，不能直接上传本地文件。

适用场景

• 适合的任务：音频内容描述、语音内容分析，以及需要同时读取音频和文字指令的多模态问答。

• 不适合的任务：直接上传本地音频；未经测试就假定所有音频格式变体都能识别；超过输入大小或上下文限制的音频任务。

• 适用的模型版本：mimo-v2.6-flash。原文同时列出 mimo-v2.6-pro、mimo-v2.6-pro-ultraspeed 和 mimo-v2.5，本文不把这些型号的示例响应归因于 Flash。

• 适用的客户端、Agent 或 API：MiMo API 的 OpenAI 兼容 Chat Completions；官方示例使用 OpenAI Python SDK 和 Curl，API 地址为 https://api.xiaomimimo.com/v1。

• 推荐的推理档位和参数：文档未提供 Flash 专属推理档位或固定参数建议。max_completion_tokens=1024 只出现在官方 Pro 示例中，使用 Flash 时应按任务输出长度调整。

可直接使用的内容

下面是按官方请求结构整理的 Flash 配置骨架。官方页面的代码将 model 写为 mimo-v2.6-pro；这里只依据同页的 Supported models 列表将模型 ID 改为 mimo-v2.6-flash，不表示官方提供了 Flash 专属响应。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("MIMO_API_KEY"),
    base_url="https://api.xiaomimimo.com/v1",
)

completion = client.chat.completions.create(
    model="mimo-v2.6-flash",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "input_audio",
                    "input_audio": {
                        "data": "https://example.com/audio/example.wav"
                    },
                },
                {
                    "type": "text",
                    "text": "请描述这段音频的内容",
                },
            ],
        }
    ],
    max_completion_tokens=1024,
)

print(completion.model_dump_json())

如果音频不能通过公网访问，将 data 替换为带实际 MIME 类型的 Data URI：

"data": "data:{MIME_TYPE};base64,$BASE64_AUDIO"

其中 {MIME_TYPE} 要替换为音频的真实 MIME 类型，$BASE64_AUDIO 只能放纯 Base64 字符串，不要重复添加前缀。官方页面示例中的 please describe the content of the audio 是可替换的文字任务指令，不是 Flash 专属提示词。

测试或工作流步骤

1. 准备 MiMo API Key，设置 MIMO_API_KEY，并使用 https://api.xiaomimimo.com/v1。

2. 将请求模型设为 mimo-v2.6-flash。

3. 选择一种输入方式：

   • 公开 URL：提供可公开访问的音频地址，单个文件不超过 100 MB。

   • Base64：先编码音频，再使用 data:{MIME_TYPE};base64,$BASE64_AUDIO，单个音频的 Base64 字符串不超过 50 MB。

4. 在同一个用户消息的 content 数组中放入 input_audio 和文字任务指令。

5. 发送 Chat Completions 请求，读取返回的 message.content；生产环境同时记录 API 返回的实际用量。

6. 先用实际文件验证可识别性，再扩大格式、时长和多音频输入范围。

原始证据与数据

• 页面概述称，音频理解模型可根据提供的音频回答，支持音频 URL 和 Base64 两种输入方式。

• Supported models 明确列出 mimo-v2.6-flash，同时列出 mimo-v2.6-pro、mimo-v2.6-pro-ultraspeed 和 mimo-v2.5。

• 官方代码使用 content 数组传入 type: "input_audio"，并在其后放入 type: "text" 的音频任务指令。

• 支持的音频格式为 MP3、WAV、FLAC、M4A、OGG；页面说明格式变体较多，不能保证全部识别，应通过测试确认。

• URL 输入要求公开可访问地址，单个文件不超过 100 MB；Base64 输入的单个音频字符串不超过 50 MB。

• 多个音频的数量受模型上下文长度限制，所有音频和文字的 token 总数必须低于模型上下文长度。

• 页面给出的音频 token 估算式为：总 token 数 ≈ 音频时长（秒） × 6.25；这是估算值，实际用量以 API 响应为准。

• 费用按输入 token、缓存命中输入 token 和输出 token 计算；账单和用量可在 Console 的 Billing 页面查看。

• FAQ 明确说明 mimo-v2.6-flash、Pro、Pro UltraSpeed 和 mimo-v2.5 当前都不支持上传本地音频文件。

• 页面中的 Quick Start、URL、Base64 Python/Curl 示例及响应均使用 mimo-v2.6-pro；响应里的内容、reasoning_content、token 用量和 model 字段都不是 Flash 实测结果。

适用边界

• 官方“支持 mimo-v2.6-flash”只证明型号在支持列表中，不等于页面提供了 Flash 专属的准确率、延迟、响应或 token 基线。

• URL 必须能被服务端访问；内网地址、本地路径或未公开的对象存储地址不能按该流程直接使用。

• Base64 的 50 MB 限制针对编码后的字符串，不是原始音频文件大小；编码后还应确认总上下文长度足够。

• “支持格式”不保证所有编码参数、容器变体或损坏文件都能识别，应用应处理识别失败并保留可诊断的错误信息。

• 音频 token 估算不能替代 API 实际计量，也不能据此外推 Flash 与 Pro、Pro UltraSpeed 或旧版模型的价格、速度或效果差异。

复现说明

1. 打开原文，确认页面的 Supported models 包含 mimo-v2.6-flash，并确认页面更新时间为 2026-09-22。

2. 准备可公开访问的测试音频，或生成带真实 MIME 类型的 Base64 Data URI。

3. 按上述请求结构调用 mimo-v2.6-flash，改变文字任务指令并记录返回内容、错误和 API 用量。

4. 分别测试 URL、Base64、支持格式和多音频输入；将公开文档中的 Pro 示例与 Flash 的实际返回严格分开记录。

5. 本文只整理官方工作流，未声称已完成 Flash API 独立测量。