小米MiMo-V2.5语音模子正式发布,一句话生成声响、克隆真人音色

4月24日消息，今日，小米正式发布MiMo-V2.5语音模型，带来MiMo-V2.5-TTS系列与MiMo-V2.5-ASR。

这是一套面向Agent时代的全链路语音模型系列，覆盖识别与合成两大核心能力，让语音的输入与输出都可以被语言自由调度。

在语音合成方面，MiMo-V2.5-TTS系列提供三大模型，分别对应不同创作场景：

首先是MiMo-V2.5-TTS，内置多款高质量精品音色，经过专业调优，发音自然、情感贴合，并支持语速、情绪、语气等精细化控制，开箱即用，满足多场景表达。

其次是MiMo-V2.5-TTS-VoiceDesign，支持通过一句自然语言描述生成全新音色，无需任何参考音频。

用户可从年龄、性别、口音、音质乃至性格气质等多个维度自由定义，例如低沉略带嘶哑的老年学者”或元气满满的少女”，模型即可自动生成对应声音形象。

依托大规模预训练能力，模型对复杂、模糊、甚至相互矛盾的描述也能合理解读，而不局限于男/女/青年/老年这类粗粒度标签。

第三是MiMo-V2.5-TTS-VoiceClone，主打音色克隆能力，用户仅需提供数秒参考音频，无需训练或微调，即可复刻真人播客、配音演员、品牌代言人，或者用户本人声音。

复刻后的声音不仅保留了原始说话人的音色身份，也保留了气息、节奏、习惯性停顿等个人特征。

同时，克隆音色可继续叠加自然语言指令、音频标签、导演剧本级脚本，实现更高自由度的语音创作。

作为全链路语音模型系列的听觉基座，MiMo-V2.5-ASR在中英双语、中文方言、Code-Switch、强噪音、多说话人、高知识密度等复杂真实场景下均达到业界领先水平。

目前，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone已在Xiaomi MiMo API开放平台限时免费。