IT之家 4 月 24 日消息，小米今日正式發(fā)布 MiMo-V2.5-TTS Series 與 MiMo-V2.5-ASR —— 一套面向 Agent 時(shí)代的全鏈路語(yǔ)音模型系列，覆蓋識(shí)別與合成兩大核心能力，讓語(yǔ)音的輸入與輸出都可以被語(yǔ)言自由調(diào)度。

IT之家從官方介紹獲悉，MiMo-V2.5-TTS Series 包含三款模型，現(xiàn)已登陸小米 MiMo 開(kāi)放平臺(tái)，并且限時(shí)免費(fèi)。三者共享統(tǒng)一的風(fēng)格指令遵循、音頻標(biāo)簽控制與文本理解能力，讓聲音表現(xiàn)可以被語(yǔ)言精細(xì)調(diào)度，分別覆蓋三種典型創(chuàng)作需求：

• MiMo-V2.5-TTS：內(nèi)置多款高質(zhì)量精品音色，支持語(yǔ)速、情緒、語(yǔ)氣等精細(xì)化控制，開(kāi)箱即用，滿足多場(chǎng)景表達(dá)。
• MiMo-V2.5-TTS-VoiceDesign：一句話快速定義并生成全新音色，讓音色創(chuàng)作更直觀、更高效。
• MiMo-V2.5-TTS-VoiceClone：少量樣本高保真復(fù)刻目標(biāo)音色，同時(shí)保持穩(wěn)定的風(fēng)格指令遵循與音頻標(biāo)簽控制能力。
• MiMo-V2.5-ASR 正式開(kāi)源。模型在中英雙語(yǔ)、中文方言、Code-Switch、強(qiáng)噪音、多說(shuō)話人等復(fù)雜真實(shí)場(chǎng)景下的語(yǔ)音識(shí)別性能達(dá)到業(yè)界領(lǐng)先水平，為 Agent 提供清晰可靠的語(yǔ)音轉(zhuǎn)寫(xiě)，確保每一次交互都建立在精準(zhǔn)的理解之上。

MiMo-V2.5-TTS

精準(zhǔn)的風(fēng)格指令遵循能力

從簡(jiǎn)短的單句指令，到一整份導(dǎo)演筆記，模型都能穩(wěn)定理解并遵循，覆蓋情緒、語(yǔ)氣、語(yǔ)速、發(fā)聲方式、語(yǔ)言風(fēng)格等多個(gè)維度。指令不必寫(xiě)成結(jié)構(gòu)化參數(shù) —— 像給演員說(shuō)戲一樣把想要的感覺(jué)描述出來(lái)，模型就會(huì)落到對(duì)應(yīng)的演繹之中。

對(duì)于一致性要求更高的場(chǎng)景 —— 有聲劇、游戲 NPC、角色化對(duì)話等 —— 模型還支持導(dǎo)演劇本級(jí)的結(jié)構(gòu)化輸入：把人物、場(chǎng)景、詳細(xì)指導(dǎo)分層描述，各層按自己的節(jié)奏獨(dú)立更新、自由組合。這種分層既讓角色的音色身份貫穿始終，也讓每一句話的表演都能被單獨(dú)控制。

靈活的音頻標(biāo)簽控制能力

除了段落級(jí)的自然語(yǔ)言指令，模型還支持行內(nèi)音頻標(biāo)簽，用于在文本特定位置精準(zhǔn)控制情緒、狀態(tài)或風(fēng)格。標(biāo)簽支持中英雙語(yǔ)和開(kāi)放文本描述，允許在同一段文本中靈活混用。從簡(jiǎn)單的情感標(biāo)注，到多標(biāo)簽疊加、細(xì)粒度排布的復(fù)雜編排，模型都能穩(wěn)定表達(dá)，在標(biāo)簽的表達(dá)力和組合穩(wěn)定性上均有出色表現(xiàn)。

豐富的文本理解能力

即便沒(méi)有任何 prompt，也沒(méi)有任何標(biāo)簽 —— 就是一段最普通的文本 —— 模型也能直接表現(xiàn)出其中的韻律與情感。標(biāo)點(diǎn)的停頓、句式的起伏，會(huì)被自然呈現(xiàn)；文本中暗藏的情感弧線，從平靜敘述到激烈轉(zhuǎn)折，模型能主動(dòng)捕捉；甚至連字里行間透露出的說(shuō)話人身份（年齡、氣質(zhì)、角色類型），也會(huì)自動(dòng)落到聲音里。換句話說(shuō)：最樸素的純文本，交給它，也能還你一段有血有肉的演繹。

MiMo-V2.5-ASR

如果說(shuō) TTS 是在“輸出”端讓聲音成為創(chuàng)作工具，那么 ASR 就是在“輸入”端為這一切打開(kāi)大門(mén)。在真實(shí)場(chǎng)景下，語(yǔ)種切換、背景噪聲、說(shuō)話人帶著濃重的方言口音，在這樣的環(huán)境里還能聽(tīng)清、聽(tīng)準(zhǔn)，才是真正好用的語(yǔ)音識(shí)別。

MiMo-V2.5-ASR 作為全鏈路語(yǔ)音模型系列的聽(tīng)覺(jué)基座，在中英雙語(yǔ)、中文方言、Code-Switch、強(qiáng)噪音、多說(shuō)話人、高知識(shí)密度等復(fù)雜真實(shí)場(chǎng)景下均達(dá)到業(yè)界領(lǐng)先水平。它不只是為了把清晰的語(yǔ)音轉(zhuǎn)成文字，更是讓 Agent 在嘈雜的真實(shí)聲音里，抓住每一個(gè)值得被理解的字詞。

核心特點(diǎn)

• 中文方言：支持吳語(yǔ)、粵語(yǔ)、閩南語(yǔ)、四川話等方言
• 英文復(fù)雜場(chǎng)景：在 AMI 等復(fù)雜英文場(chǎng)景 Open ASR Leaderboard 上達(dá)到領(lǐng)先水平
• Code-Switch：中英 Code-Switch 語(yǔ)音轉(zhuǎn)錄自由流暢，無(wú)需預(yù)設(shè)語(yǔ)種標(biāo)簽
• 歌曲識(shí)別：中英文歌曲歌詞識(shí)別，在伴奏與人聲混合場(chǎng)景下保持高精度
• 強(qiáng)噪音場(chǎng)景：在高噪音、遠(yuǎn)場(chǎng)拾音等復(fù)雜聲學(xué)環(huán)境中保持魯棒識(shí)別
• 多說(shuō)話人：支持多人交叉對(duì)話場(chǎng)景的準(zhǔn)確轉(zhuǎn)錄，如會(huì)議場(chǎng)景
• 強(qiáng)知識(shí)關(guān)聯(lián)：古詩(shī)詞、專業(yè)術(shù)語(yǔ)、人名、地名等知識(shí)密集型內(nèi)容的精準(zhǔn)識(shí)別
• 原生標(biāo)點(diǎn)：結(jié)合語(yǔ)音韻律與語(yǔ)義原生輸出標(biāo)點(diǎn)，轉(zhuǎn)寫(xiě)結(jié)果即拿即用，無(wú)需后處理

MiMo-V2.5-ASR 在中英文通用、中文方言、Code-Switch 及歌詞識(shí)別等多個(gè)維度上均取得當(dāng)前最優(yōu)或極具競(jìng)爭(zhēng)力的結(jié)果，展現(xiàn)出跨場(chǎng)景、跨語(yǔ)種的穩(wěn)定優(yōu)勢(shì)。以下為代表性評(píng)測(cè)結(jié)果：

如何使用

MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone 均在 Xiaomi MiMo API 開(kāi)放平臺(tái)限時(shí)免費(fèi)，同時(shí)，用戶可以到 Xiaomi MiMo Studio 進(jìn)行快速體驗(yàn)。

MiMo-V2.5-ASR 目前已開(kāi)源模型權(quán)重和代碼，支持開(kāi)發(fā)者和研究者直接使用或二次開(kāi)發(fā)。

參考