产品简介
MiMo-V2.5-TTS 是小米于 **2026/4/24 正式发布**的**端到端语音合成大模型**，属于 MiMo-V2.5 全链路语音模型系列（TTS 合成 + ASR 识别双能力）——这是小米在 Agent 时代对「语音输入输出全链路」的正式布局。
**MiMo-V2.5-TTS 核心卖点**：
- **自然语言调度声音**：不像传统 TTS 需要复杂参数配置（音高、语速、情感强度、停顿……），MiMo-V2.5-TTS 可以**直接用自然语言指令控制**——比如「用一个 30 岁女性温柔的语气，稍微加快语速，带一点惊喜感」，模型能理解并输出对应效果。这是 TTS 领域首次真正做到「导演式调度」
- **原生方言支持**：粤语、四川话、河南话、台湾腔等主流方言原生输出，不是简单的口音模仿而是真实方言语法与发音（这对内容创作、短视频、有声书场景是重大突破）
- **情感切换与歌唱能力**：可在同一段文本中做情感切换（比如「这里假装生气再假装哭」），支持歌唱音高控制（可以让模型唱歌，非说话）
- **限时免费 API**：TTS API 目前限时免费开放，ASR 全面开源（`mimo.xiaomi.com`）
**三款子模型**：
- **基础版**：多音色精细控制（预置多种音色 + 参数微调）
- **VoiceDesign 音色设计版**：通过描述生成新音色（想要什么声音就用文字描述出来）
- **音色复刻版**：一句话（3 秒）克隆任意人声
**产品定位**：面向 AI Agent 时代的语音输出需求——Agent 不再只用固定合成音回复，而是**根据场景动态选择合适的声音表现**。搭配 MiMo-V2.5-ASR 语音识别模型，形成完整的语音 IO 闭环。
是国内 TTS 领域 2026 年最值得关注的开源/免费产品之一。
核心功能
- 自然语言调度声音（首创）：用「像和导演对话」的方式调整音色/情感/语速/停顿，无需复杂参数
- 原生方言支持：粤语、四川话、河南话、台湾腔真实语法与发音（不是口音模仿）
- 情感切换：同一段文本内可做情感变化（生气→哭→笑），符合真人表达
- 歌唱音高控制：可让模型唱歌（非说话），音高精细控制
- 一句话音色复刻：3 秒音频即可克隆任意人声（VoiceDesign 版）
- 音色设计版本：用文字描述生成从未存在的新音色（VoiceDesign）
- TTS 限时免费 + ASR 全面开源：TTS API 目前限时免费；ASR 语音识别模型完全开源，MIT 协议
适合谁用
以下类型的用户会特别受益于 小米 MiMo-V2.5-TTS：
- 有声书 / 播客制作（多角色 + 情感切换）
- 短视频配音（方言 + 情感 + 歌唱）
- AI 数字人语音输出（导演式调度）
- 游戏 / 动漫角色配音
- 无障碍辅助（视障用户的自然语音输出）
- Agent 语音助手的动态声音选择
- 教育 / 培训场景的多样化语音内容
优点亮点
- 自然语言调度声音是行业首创，用户体验跨代提升
- 原生方言输出（粤语/四川话/河南话/台湾腔）填补市场空白
- 情感切换 + 歌唱能力覆盖内容创作全场景
- 一句话音色复刻门槛极低（3 秒）
- TTS 限时免费降低尝试成本，ASR 完全开源
- 小米背书，模型能力与稳定性有保障
- 面向 Agent 时代设计，与语音 IO 生态深度绑定
价格与方案
**TTS API 限时免费**（`mimo.xiaomi.com` 官网可直接申请）：三款子模型（基础版、VoiceDesign、音色复刻）均可免费调用，具体额度以官网公告为准。**ASR 语音识别模型完全开源**（MIT 协议，Hugging Face / GitHub 可下载权重）。**商业化定价方案**未来推出，届时会区分个人开发者与企业客户。
总结与建议
MiMo-V2.5-TTS 是国内 TTS 领域 2026 年的现象级产品——**自然语言调度声音 + 原生方言 + 情感切换 + 歌唱能力 + 限时免费**五件套让它成为内容创作者、AI 数字人开发者、Agent 语音产品团队的首选。**如果你在做短视频配音、有声书、播客、游戏配音**，MiMo-V2.5-TTS 是必测项——尤其是方言场景国内几乎没有对手。搭配 MiMo-V2.5-ASR 形成完整的语音 IO 闭环，是小米在 Agent 时代对语音全链路的完整布局。
版本演进
- MiMo-V2.5 全链路语音系列发布 （2026-04-24）：TTS（三款子模型：基础版 + VoiceDesign + 音色复刻）+ ASR 双能力发布；自然语言调度声音行业首创；原生方言支持；TTS 限时免费 + ASR 全面开源