小米语音大模型MiMo V2.5发布 支持自然语言指令调度声音

4月24日，小米技术团队在MiMo-V2.5系列大模型公测后，迅速公布了重要技术突破。此次，小米正式发布了MiMo-V2.5-TTS系列语音合成模型与MiMo-V2.5-ASR语音识别模型，标志着其在语音人工智能领域，从“听懂”到“说出”的关键技术链路已全面贯通。

首先聚焦于TTS语音合成系列。本次发布的三款模型拥有一个革命性的共同特性：均可通过直观的自然语言指令，对生成声音的音色、情绪及韵律进行精细化调控。这超越了传统的参数调节，实现了对语音表现力的深度、智能化定制。

首款模型是MiMo-V2.5-TTS，可视为“标准版”。它预置了多种经过精调的优质音色库，用户无需训练即可直接调用。通过简单的文本指令，即可轻松调整语速、情绪等核心参数，极大地降低了使用门槛。

第二款MiMo-V2.5-TTS-VoiceDesign则实现了“从无到有”的音色创造。用户仅需输入一段描述性文字（如“温暖知性的女声”），模型便能凭空生成一个全新的、完全匹配描述的音色，无需任何原始音频样本。这为个性化语音内容创作提供了前所未有的可能。

第三款MiMo-V2.5-TTS-VoiceClone，专注于高保真音色复刻技术。它仅需目标人声的数秒简短音频，即可精准克隆其音色。更为先进的是，克隆后的声音依然完整保留了通过自然语言指令进行风格控制的能力，这意味着你不仅能复制声音，还能指挥它表达出喜悦、沉稳、急切等多种情绪。

从官方演示来看，这些模型对复杂指令的理解已十分细腻。它们能够准确响应如“用尖锐刻薄的语气”或“模仿狐假虎威的腔调”等富含性格色彩的描述。此外，模型还支持在输入文本中嵌入特定控制标签，实现对语句重音、停顿节奏等韵律细节的精准把控，使得合成语音更具自然感和呼吸感。

听觉基座模型正式开源

在语音输出能力飞跃的同时，语音输入（识别）能力也迎来重大升级。作为整个听觉系统的技术基座，MiMo-V2.5-ASR自动语音识别模型已于今日正式开源。

该模型专为应对复杂的真实世界场景而设计。它不仅精准识别标准普通话，还广泛支持吴语、粤语等多种中文方言，极大提升了方言用户的使用体验。同时，其对中英文混杂语料的识别也表现出色。

针对实际应用中常见的背景噪音干扰和多人同时讲话的挑战，MiMo-V2.5-ASR进行了专项鲁棒性优化，旨在提升在嘈杂环境及多人对话场景下的识别准确率。此外，一个显著提升用户体验的功能是：模型能够原生输出带规范标点符号的文本，转写结果可读性极高，基本实现了“即转即用”，省去了后期繁琐的文本整理工作。

体验途径与未来展望

目前，TTS系列模型已在小米的MiMo Studio人工智能开发平台开放快速体验入口，开发者和用户可亲自测试其强大的语音指令控制功能。而ASR模型的全部代码与预训练权重已在GitHub及Hugging Face等主流开源平台发布，方便全球开发者进行研究、集成与应用。

小米技术团队也透露了未来的演进规划。整个MiMo系列模型将朝着更通用的多模态音频生成能力发展，并持续增强模型的上下文理解与推理能力。这意味着未来的语音交互系统不仅能更清晰地“听”和更逼真地“说”，还将更深刻地“理解”用户意图，在长程对话中保持高度的连贯性与情境智能。