小米推出全链路语音大模型 MiMo‑V2.5：TTS 一句话定制新音色，ASR 开源支持方言与混说

当语音能力不止于“能听会说”，还能像导演一样细致掌控情感、语气乃至角色设定，人机交流的自然度正迎来跃升。小米今日发布MiMo‑V2.5 全链路语音模型系列，包含三款 TTS（语音合成）与一款开源 ASR（语音识别）模型，覆盖智能体时代的语音输入与输出，让声音变成可编排、可创作、可复刻的智能载体。

🎙️ 三款 TTS：让声音按你“调度”

此次推出的MiMo‑V2.5‑TTS 系列首次把“用语言控制声音”的生成方式落地：

• MiMo‑V2.5‑TTS：内置多款高保真精品音色，支持用自然语言直接调节语速、情绪、语气等维度。无需填写参数，只需像给演员讲戏那样描述：“用温柔但坚定的语气，语速稍慢，带点疲惫”，模型即可准确呈现。

• MiMo‑V2.5‑TTS‑VoiceDesign：一句话就能生成全新音色——输入“一个 30 岁知性女声，带轻微南方口音，适合播讲财经新闻”，系统即可创建专属声音，大幅降低音色设计门槛。

• MiMo‑V2.5‑TTS‑VoiceClone：只需少量样本（如 30 秒语音）即可高保真还原目标人声，同时支持风格指令和音频标签，适合虚拟主播、个性化助理等场景。

更值得一提的是其分层“导演剧本”机制：在有声剧或游戏 NPC 等需要高一致性的场景下，可分别设定“角色身份”“场景氛围”“单句表演指导”，各层可独立调整又能协同产出，确保角色声音贯穿一致，每句台词仍富有变化。

同时，模型支持行内音频标签（如 [emotion: excited]），可在文本任意位置加入多种标签组合，实现复杂情绪编排；即使只输入纯文本，没有任何提示，模型也能结合标点、句式与隐含语气自动理解，生成更具表现力的语音。

🎧 ASR 开源：嘈杂环境里的“全能耳朵”

同步开源的MiMo‑V2.5‑ASR聚焦“听得清、听得准”：

• 支持吴语、粤语、闽南语、四川话等主流中文方言；
• 在中英混说（Code‑Switch）场景下无需预先设置语种，识别顺畅；
• 应对强噪声、远距拾音、多人交谈（如会议）等复杂场景依然稳定；
• 能够精准识别古诗词、专业术语、歌曲歌词（含伴奏干扰）；
• 原生输出标点，转写结果可直接用于下游任务，无需额外处理。

在多项权威评测中，该模型在中英文通用、方言、混说与歌词识别等方面均达到行业领先水平。

🚀 免费开放 + 开源，加速 Agent 生态落地

目前，三款 TTS 模型已在小米 MiMo 开放平台限时免费，开发者可通过 API 或 MiMo Studio 快速上手；同时，MiMo‑V2.5‑ASR 的模型权重与代码已全面开源，便于社区二次开发。

这一全栈语音能力的释放，意味着小米正从终端厂商延伸为 AI 基础设施提供者。让每位开发者都能以更低成本打造具备“导演级语音表现力”的智能体，下一代人机交互的可能性才真正被打开——未来，你的 AI 助手不只听懂你的话，更能用你想要的声音，说出更打动人心的回答。