微信扫一扫Xiaomi MiMo-V2.5-TTS-Series + ASR — 你的声音，随心所"驭"
v2.5.4 · 面向 Agent 时代的全链路语音模型系列
官方资源 / Official Links
| 资源 | 链接 | |------|------| | 📖 发布公告 | MiMo-V2.5-TTS-Series + ASR 正式发布 | | 📚 TTS API 文档 | 语音合成（MiMo-V2.5-TTS 系列） | | 📚 ASR API 文档 | 音频理解 | | 🎮 MiMo Studio 体验 | aistudio.xiaomimimo.com/#/c | | 🔧 官方 Skill 仓库 | github.com/XiaomiMiMo/MiMo-Skills | | 🤗 ASR 开源代码 | github.com/XiaomiMiMo/MiMo-V2.5-ASR | | 🤗 ASR 模型权重 | huggingface.co/XiaomiMiMo/MiMo-V2.5-ASR | | 🤗 ASR Demo | huggingface.co/spaces/XiaomiMiMo/MiMo-V2.5-ASR | | 📋 定价与限速 | 定价说明 | | 🌐 MiMo 开放平台 | platform.xiaomimimo.com |
功能概览 / Overview
TTS — 三款模型
| 模型 | 能力 | 场景 | |------|------|------| | 🎙️ MiMo-V2.5-TTS | 内置精品音色，语速/情绪/语气精细控制 | 通用语音合成 | | 🎨 MiMo-V2.5-TTS-VoiceDesign | 自然语言描述从零生成新音色（无需参考音频） | 游戏NPC/虚拟主播/品牌IP | | 🔁 MiMo-V2.5-TTS-VoiceClone | 短音频高保真克隆音色（数秒即可） | 播客克隆/配音复刻 |
⭐ 三款模型均已限时免费
ASR — 语音识别
| 能力 | 说明 | |------|------| | 🌍 中英双语 | 自由切换，无需预设语种 | | 🗣️ 中文方言 | 吴语/粤语/闽南语/四川话 | | 🔀 Code-Switch | 中英混杂自然转录 | | 🎵 歌曲识别 | 中英文歌词，伴奏场景高精度 | | 🔊 强噪音 | 高噪音/远场拾音鲁棒识别 | | 👥 多说话人 | 会议等多人交叉对话 | | 📝 原生标点 | 结合韵律与语义自动标点 |
🆓 ASR 已开源 — GitHub / HuggingFace
⚙️ 配置 / Setup
环境变量
# TTS API Key（独立于模型推理 Key）
export MIMO_API_KEY="your-tts-api-key"
# ASR API Key（如与 TTS 相同可复用）
export MIMO_ASR_KEY="your-asr-api-key"
或通过 OpenClaw 配置：
openclaw config set skills.entries.mimo-tts-asr.apiKey "your-key"
⚠️ TTS/ASR 的 API Key 独立于模型推理 Key，需前往 platform.xiaomimimo.com 申请。
🎙️ TTS — 语音合成
基础用法
python3 "{baseDir}/scripts/tts.py" "要合成的文本" -o output.wav
参数说明
| 参数 | 默认值 | 说明 |
|------|--------|------|
| text | (必填) | 要合成的文本 |
| -o | output.wav | 输出文件路径 |
| -m | tts | 模型：tts / voice-design / voice-clone |
| -v | mimo_default | 音色（见音色列表） |
| -s | 无 | 风格标签 |
| -f | wav | 音频格式：wav / mp3 / ogg |
| --voice-desc | 无 | VoiceDesign：音色描述文本 |
| --ref-audio | 无 | VoiceClone：参考音频路径 |
| --user-msg | 无 | 用户角色上下文（调整语气） |
| --api-key | 环境变量 | API Key 覆盖 |
| --max-retries | 3 | 最大重试次数 |
| --list-voices | — | 列出可用音色 |
| --list-formats | — | 列出可用格式 |
音色列表（MiMo-V2.5-TTS）
| 名称 | voice 参数 | 说明 |
|------|-----------|------|
| MiMo-默认 | mimo_default | 通用女声 |
| MiMo-中文 | default_zh | 中文女声 |
| MiMo-英文 | default_en | 英文女声 |
| MiMo-男声 | mimo_male | 男声 |
| MiMo-童声 | mimo_child | 童声 |
| MiMo-粤语 | mimo_cantonese | 粤语 |
| MiMo-四川话 | mimo_sichuan | 四川话 |
🎧 试听音色：MiMo Studio
风格标签
| 风格 | 场景 | 风格 | 场景 | |------|------|------|------| | 可爱 | 撒娇、软萌 | 悲伤 | 悲伤、失落 | | 开心 | 欢快、兴奋 | 愤怒 | 愤怒、激动 | | 东北话 | 方言、搞笑 | 平静 | 平静、舒缓 | | 悄悄话 | 神秘、低语 | 惊讶 | 惊讶、意外 | | 孙悟空 | 角色扮演 | 变快/变慢 | 语速控制 | | 唱歌 | 儿歌、旋律 | | |
可组合：-s "开心 变快" / -s "可爱 悄悄话" / -s "悲伤 变慢"
行内音频标签
在文本中插入精细控制：
(停顿) (叹气) (笑声) (清嗓子) (耳语) (紧张) (小声) (语速加快) (深呼吸) (沉默片刻)
示例
# 基础合成
python3 "{baseDir}/scripts/tts.py" "你好，今天天气真好" -o hello.wav
# 方言
python3 "{baseDir}/scripts/tts.py" "哎呀妈呀，这天儿也忒冷了吧" -s "东北话" -o dongbei.wav
# 英文
python3 "{baseDir}/scripts/tts.py" "Hello, how are you?" -v default_en -o hello_en.wav
# 情感
python3 "{baseDir}/scripts/tts.py" "明天就是周五了，真开心！" -s "开心 变快" -o happy.wav
# 唱歌
python3 "{baseDir}/scripts/tts.py" "一闪一闪亮晶晶" -s "唱歌" -o sing.wav
# 男声 / 童声 / 方言
python3 "{baseDir}/scripts/tts.py" "大家好" -v mimo_male -o male.wav
python3 "{baseDir}/scripts/tts.py" "妈妈我要吃糖" -v mimo_child -o child.wav
python3 "{baseDir}/scripts/tts.py" "你好，今日天气好好" -v mimo_cantonese -o cantonese.wav
python3 "{baseDir}/scripts/tts.py" "这个火锅巴适得很" -v mimo_sichuan -o sichuan.wav
# MP3 / OGG
python3 "{baseDir}/scripts/tts.py" "测试" -f mp3 -o output.mp3
python3 "{baseDir}/scripts/tts.py" "测试" -f ogg -o output.ogg
# 🎨 VoiceDesign — 从描述生成新音色
python3 "{baseDir}/scripts/tts.py" "你好，欢迎来到我的世界" \
-m voice-design \
--voice-desc "一位年迈的东欧裔学者，低沉、略带嘶哑，说话节奏缓慢" \
-o scholar.wav
python3 "{baseDir}/scripts/tts.py" "元气满满的一天开始啦！" \
-m voice-design \
--voice-desc "元气满满的少女，声线清脆，语尾带一点上扬" \
-o genki.wav
# 🔁 VoiceClone — 用参考音频克隆音色
python3 "{baseDir}/scripts/tts.py" "这是克隆后的声音" \
-m voice-clone \
--ref-audio reference.wav \
-o cloned.wav
🎧 ASR — 语音识别
API 调用
python3 "{baseDir}/scripts/asr.py" audio.wav
python3 "{baseDir}/scripts/asr.py" audio.mp3 -o transcript.txt
python3 "{baseDir}/scripts/asr.py" audio.wav --lang zh --format json
参数说明
| 参数 | 默认值 | 说明 |
|------|--------|------|
| audio | (必填) | 音频文件路径（wav/mp3/ogg/m4a/flac） |
| -o | stdout | 输出文件路径（默认打印到终端） |
| --lang | auto | 语言：auto / zh / en / ja / ko |
| --format | text | 输出格式：text / json / srt |
| --api-key | 环境变量 | API Key 覆盖 |
| --max-retries | 3 | 最大重试次数 |
输出格式
| 格式 | 说明 | 适用场景 |
|------|------|----------|
| text | 纯文本 | 快速查看 |
| json | 带时间戳和置信度 | 程序处理 |
| srt | SRT 字幕格式 | 视频字幕 |
本地部署（开源模型）
ASR 已开源，支持本地部署：
# 克隆仓库
git clone https://github.com/XiaomiMiMo/MiMo-V2.5-ASR.git
cd MiMo-V2.5-ASR
# 安装依赖
pip install -r requirements.txt
# 使用 HuggingFace 权重
python inference.py --audio audio.wav --output result.txt
📖 详细文档：github.com/XiaomiMiMo/MiMo-V2.5-ASR 🤗 在线体验：huggingface.co/spaces/XiaomiMiMo/MiMo-V2.5-ASR
示例
# 基础转录
python3 "{baseDir}/scripts/asr.py" recording.wav
# 保存到文件
python3 "{baseDir}/scripts/asr.py" meeting.mp3 -o meeting.txt
# 指定语言
python3 "{baseDir}/scripts/asr.py" english.mp3 --lang en
# JSON 格式（带时间戳）
python3 "{baseDir}/scripts/asr.py" audio.wav --format json
# SRT 字幕
python3 "{baseDir}/scripts/asr.py" video_audio.wav --format srt -o subtitles.srt
🔗 TTS + ASR 联合工作流
# 1. 先识别一段音频
python3 "{baseDir}/scripts/asr.py" input.wav -o transcript.txt
# 2. 修改文本后重新合成（用不同音色）
python3 "{baseDir}/scripts/tts.py" "$(cat transcript.txt)" -v mimo_male -o output.wav
# 3. 克隆音色后重新演绎
python3 "{baseDir}/scripts/tts.py" "$(cat transcript.txt)" \
-m voice-clone --ref-audio original.wav -o cloned.wav
📋 交付
TTS 输出
MEDIA:output.wav
ASR 输出
直接回复转录文本，或保存到文件后回复路径。
故障排查
| 错误 | 原因 | 解决 | |------|------|------| | 401 Invalid API Key | Key 未配置或格式错误 | 确认已配置 TTS/ASR 专用 Key | | 429 Too Many Requests | 触发限流 | 等几秒后重试（脚本自动重试） | | 500 Server Error | 服务端异常 | 稍后重试 | | 文件不存在 | 音频路径错误 | 检查文件路径 |
📋 版本历史
v2.5.4 (2026-04-24)
- ✨ 新增 VoiceDesign（音色设计）模型支持
- ✨ 新增 VoiceClone（音色克隆）模型支持
- ✨ 新增官方资源链接汇总
- ✨ ASR 新增本地部署文档（开源模型）
- 📚 文档优化：对齐官方发布说明
v2.5.2 (2026-04-24)
- ✨ TTS + ASR 一体化
- ✨ 7 种 TTS 音色 + 方言 + 情感控制
- ✨ ASR 支持 auto/zh/en/ja/ko 多语言
- ✨ ASR 输出格式：text / json / srt
- ✨ 行内音频标签精细控制
- ✨ MP3/OGG/WAV 多格式支持
- ✨ 自动重试 + 限流处理