告别机械音！小米新模型懂情绪会停顿，仿佛真人在你耳边讲故事。

智东西4月24日报道，今天，小米MiMo-V2.5家族语音模型系列正式发布：MiMo-V2.5-TTS Series、MiMo-V2.5-ASR，前者可免费体验，后者发布即开源。其中TTS Series包括语音、语音设计、语音克隆模型三款。

就在昨天，小米MiMo官宣MiMo-V2.5中旗舰推理模型MiMo-V2.5、全模态Agent模型V2.5-Pro开启公测、即将开源，再加上今天的4款语音模型，该系列共计6款模型。

MiMo-V2.5-TTS Series包含三款模型：语音模型MiMo-V2.5-TTS、语音设计模型MiMo-V2.5-TTS-VoiceDesign、语音克隆模型MiMo-V2.5-TTS-VoiceClone，MiMo-V2.5-ASR是这些语音模型的听觉基座，发布即开源。

其放出了一条经这一套链路生成的音频：

不过音频中，有出现主人公边说边自己旁白的情况，且爷爷的声音特点并没有在整个说话环节都保持一致，中间会突然背离需求的“嗓门哑、拖长音”，语气突然变快等。

小米MiMo大模型负责人是原DeepSeek核心成员、被业内称为“天才少女”的罗福莉，今天凌晨，她在社交平台转发了大语言模型智能体端到端透明基准测试框架Claw-Eval、香港应用科技大学博士生Lei Li的帖子，其帖子提到，MiMo V2.5 Pro目前在Claw-Eval排名第3，MiMo V2.5排5，接下来是DeepSeek V4吗？

语音模型均可以在MiMo-Studio免费体验，面向开发者，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone均在Xiaomi MiMo API开放平台限时免费提供。

在开源方面，MiMo-V2.5-ASR目前已开源模型权重和代码，MiMo-V2.5-TTS相关模型的接入Skill全面开源。

MiMo-V2.5-TTS Series包含三款模型，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone。

不同之处在于针对的创作需求：

MiMo-V2.5-TTS内置多款音色，支持语速、情绪、语气等精细化控制，开箱即用，能满足多场景表达；MiMo-V2.5-TTS-VoiceDesign支持一句话快速定义并生成全新音色；MiMo-V2.5-TTS-VoiceClone能通过少量样本高保真复刻目标音色，同时保持稳定的风格指令遵循与音频标签控制能力。

小米官方总结了这一模型的八大特点：

Code-Switch：中英Code-Switch语音转录自由流畅，无需预设语种标签；

强噪音场景：在高噪音、远场拾音等复杂声学环境中保持鲁棒识别；

多说话人：支持多人交叉对话场景的准确转录，如会议场景；

强知识关联：古诗词、专业术语、人名、地名等知识密集型内容的精准识别；

原生标点：结合语音韵律与语义原生输出标点，转写结果即拿即用，无需后处理。

其提到，对于智能体应用、内容创作工具、会议系统、语音交互产品而言，MiMo-V2.5-ASR已经在复杂真实世界语音中经过验证。

智东西实际体验了MiMo-V2.5-TTS系列几款模型的效果。

首先是MiMo-V2.5-TTS，根据官方信息，该模型从情绪、语气、语速、发声方式到语言风格等多个维度，都能理解并遵循，其还可以支持导演剧本级的结构化输入：把人物、场景、详细指导分层描述，各层按自己的节奏独立更新、自由组合。

智东西选择了知性女声，上传的指令是“声音轻柔舒缓，语速很慢，带着安抚人心的温度，说话时像在给客人递一杯热咖啡，语气温柔又有耐心，像开了几十年书店的老板娘。”

生成的音频中，老板娘说话整体语速偏慢、换气舒缓，没有急促感，字句之间留白自然，整体符合语言生成的需求。

（洪亮，开场）话说那江湖之上，有位少年侠客，仗剑走天涯。

（压低声音，神秘）可谁也不知道，他腰间那把剑，藏着一段血海深仇。

（拔高声调，激昂）今日，他终于要回来了！

整体来看，音频中的三句话都符合前面的音频标签特征，但每一句之间的衔接仍有优化的空间，会出现声音突然从高变低，又突然拔高的情况。

官方提示词为“Ten… nine… eight… seven… six… five… four… three… TWO… ONE… ZERO! LAUNCH! LAUNCH! WE HAVE LIFTOFF! GO GO GO! SHE’S CLIMBING! ALTITUDE 1,000… 5,000… 10,000 FEET AND CLIMBING! BEAUTIFUL! AB-SO-LUTE-LY BEAUTIFUL!”

另外两个是音色设计和克隆模型。

音色设计模型MiMo-V2.5-TTS-VoiceDesign无需任何参考音频，支持用户通过自然语言描述从零生成一款全新音色。其可以自由使用年龄、性别、口音、音质、发声方式、性格气质等维度进行描述，模型即可合成对应的角色音色。

智东西上传的提示词是“一位20多岁的女性，说南方软语，声线慵懒松弛，带一点点刚睡醒的鼻音，她是深夜电台主播念稿时尾音轻放，读听众留言时会放柔语气。”

生成的音频确实声线慵懒，听起来是一位年轻女气，但说话时仍然是普通话，没有南方软语的特征。其声音为了刻意保持慵懒松弛，会在尾音时可以压低声音，会减弱松弛感。

此外，小米官方给出了一段示例，其提示次是“一位年迈的老先生，说带北方口音的普通话，语速缓慢而沉稳，嗓音略带沙哑和沧桑感，仿佛一位饱经风霜的老爷爷在讲故事，充满岁月的智慧”。

音色克隆模型MiMo-V2.5-TTS-VoiceClone，用户可以让其复刻一位真人播客、配音演员、品牌代言人，或者用户本人的声音。

其只需提供一段数秒的参考音频，无需额外的训练、标注或微调过程，复刻后的声音可以保留原始说话人的音色身份，以及气息、节奏、习惯性停顿等个人特征。

小米放出的官方案例，用严肃、字正腔圆的新闻播报声线，复刻了《康熙微服私访记》中的一段经典台词，极具反差感。

其新音色的提示词为“用尖锐刻薄的嗓音，带着狐假虎威的得意感说话，在提到大人物的身份时故意放慢语速并加重语气，营造压迫感。”

音频中，音色与新闻播报的声线保持一致，在说“万岁爷”、“开不了门”等重点内容时，还可以拉长声线、加重语气。

小米公布了其下一步研发方向：

1、更大规模的语音预训练与强化学习后训练：MiMo-V2.5-TTS-Series 证明了大规模预训练与后训练的巨大收益，扩大这两者的规模：通过更多的数据、更大的模型、更强的算力，让更强大的语音智能从规模中涌现；更加精细的奖励建模与强化学习算法，推动模型迈向更高阶的语音表达智能。

2、通用音频生成：语音只是第一步，他们正在将能力扩展到更广义的音频生成：环境音效、动作声、氛围铺底，乃至短乐句与旋律片段，逐步建模出一个完整的声音世界。他们认为真正的通用音频模型，不是把语音、音效、音乐简单拼在一起，而是让它们在同一套空间里彼此理解、协同创作。