会说能唱还会逗！小米推出 MiMo-V2-TTS 大模型：情绪拿捏、方言切换都不在话下

语音合成正从“机械读稿”迈向“情感交流”的新阶段。3月19日，小米 正式发布自研语音合成大模型 Xiaomi MiMo-V2-TTS。它不只是让机器“会说话”的工具，更像一位集表演、说话、唱歌于一身的“全能声优”。

MiMo-V2-TTS 基于小米自研的 Audio Tokenizer（音频分词器）与多码本的语音-文本联合建模架构。经过在上亿小时语音数据上的大规模预训练，模型展现出惊人的多粒度声音风格把控力：

• 情感大师: 既能把握整体基调，也能精准微调局部情绪；同一句话里也能自然转场，情感层次细腻、韵律贴近真人。

• 跨界歌者: 不止会说，还能高质量地“开嗓”演唱，音高与节奏拿捏到位，唱腔自然、感染力强。

• 方言达人: 贴近各地用户习惯，支持东北话、四川话、河南话、粤语、台湾腔等多种方言，并可进行角色化与风格化演绎。

更值得一提的是，MiMo-V2-TTS 极大降低了使用门槛。它能智能识别文本中的标点、语气词和强调标记，自动转换为恰当的语音表达，无需用户额外标注或手动调参。

对 小米 而言，这一发布是其语音技术路线的重要里程碑。接下来，小米计划扩展到更多除中英文外的语种，并与 MiMo-V2-Omni 的多模态理解能力深度融合。

当 AI Agent 既能看懂世界，又能用富有感染力的人类声音讲述世界，人机交互的未来形态已清晰可见。随着 MiMo-V2-TTS 落地，小米生态内的智能设备将不再冰冷，而会成为更有“人情味”的数字伙伴。