Xiaomi MiMo-V2.5-TTS-Series + ASR 正式发布：你的声音，随心所“驭”

语音技术正在经历这样的变化：从“能听能读”，迈向“精准理解与灵活表达”。在真实的创作与交互场景中，机器不仅要穿透复杂的口语环境——方言口音、环境噪音、多人同时说话——还要能用声音塑造角色、拿捏情绪，让表达不再只是传递字词，而是传递感受。

无论是创作者，还是依赖语音技术的业务，真正需要的，是一个能被语言自由调度的语音系统：输入一段嘈杂的会议录音，它能准确转写；输入一句“这儿要低沉愤怒”的导演笔记，它便能生成恰如其分的演绎。 听懂一切，更能表达一切。

为此，我们今天正式发布 MiMo-V2.5-TTS Series 与 mimo-v2.5-asr —— 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。

• MiMo-V2.5-TTS Series 包含三款模型，现已登陆小米 MiMo 开放平台，并且限时免费。三者共享统一的风格指令遵循、音频标签控制与文本理解能力，让声音表现可以被语言精细调度，分别覆盖三种典型创作需求：

  • mimo-v2.5-tts： 内置多款高质量精品音色，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。

  • mimo-v2.5-tts-voicedesign： 一句话快速定义并生成全新音色，让音色创作更直观、更高效。

  • mimo-v2.5-tts-voiceclone： 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。

MiMo-Studio 快速体验地址：https://aistudio.xiaomimimo.com/#/c

• mimo-v2.5-asr 正式开源。 模型在中英双语、中文方言、Code-Switch、强噪音、多说话人等复杂真实场景下的语音识别性能达到业界领先水平，为 Agent 提供清晰可靠的语音转写，确保每一次交互都建立在精准的理解之上。

mimo-v2.5-tts：让声音，成为每个人的创造力

TTS系列核心特点

精准的风格指令遵循能力

从简短的单句指令，到一整份导演笔记，模型都能稳定理解并遵循，覆盖情绪、语气、语速、发声方式、语言风格等多个维度。指令不必写成结构化参数——像给演员说戏一样把想要的感觉描述出来，模型就会落到对应的演绎之中。

对于一致性要求更高的场景——有声剧、游戏 NPC、角色化对话等——模型还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。这种分层既让角色的音色身份贯穿始终，也让每一句话的表演都能被单独控制。

Case1

Instruct :

声音低沉沙哑一点，像个历经沧桑的老前辈在讲述传奇人物。语气里带点由衷的敬佩，娓娓道来。

Text：

街口那个老周啊，媳妇走得早，一个人拉扯俩娃，白天蹬三轮，晚上还去夜市摆摊修鞋。现在俩孩子都有出息喽，想接他去城里享福——他不去，就守着那间小铺子。哎，人哪，骨头硬，心里头就踏实。

Audio（Voice name：冰糖）：

Case2

Instruct :

CHARACTER
曾是守护九天的神祇，见证了凡人的无药可救后，决定以灭世来完成最终的净化。他的心中装满悲悯，但手段是绝对的屠戮。

SCENE
悬浮于崩塌的祭坛之上，俯视下方在火海中哀嚎、曾奉他为信仰的信徒。他在降下最后的毁灭前，发出神圣却残忍的叹息。

DIRECTION
发声机制与共鸣：充分打开胸腔共鸣，制造一种神圣的回音感。声音位置靠后，音色如古钟般低沉且带有金属质感的磁性。
声调与韵律：四声（去声）的下落要极其平缓，不要砸实，带有一种吟诵古籍般的从容与宏大。字句之间的停顿拉长，展现出视万物为刍狗的威压。
气声与实声的较量：在说前两句时，实声饱满，高高在上；但在说出“闭上眼吧”时，声音突然混入大量疲惫的气息，神性开始出现裂痕，流露出勉强的残忍。
咬字细节：古风词汇（如“垂怜”、“沉疴”、“剔骨刮毒”）咬字要深，声母起音圆润而不尖锐。结尾的最后半句，几乎全部转化为气声，像是在哄睡一个婴儿，将残酷包裹在极致的悲哀之中。

Text：

你们求我垂怜，求我降下甘霖洗净这浊世。可这世间的沉疴，唯有烈火能剔骨刮毒。闭上眼吧。这业火烧起来的时候，一点也不疼。

Audio（Voice name：白桦）：

灵活的音频标签控制能力

除了段落级的自然语言指令，模型还支持行内音频标签，用于在文本特定位置精准控制情绪、状态或风格。标签支持中英双语和开放文本描述，允许在同一段文本中灵活混用。从简单的情感标注，到多标签叠加、细粒度排布的复杂编排，模型都能稳定表达，在标签的表达力和组合稳定性上均有出色表现。

Text：

(调侃) 老张你当时不是说这条航线稳得很吗……

(模仿自信，提高音量) “系统全绿，放心走。”

(突然停顿) ……现在呢？

(爆发，愤怒压不住) 现在整艘船都在报警！你管这叫“放心”？！

(声音变轻) 不过……你看那外面，裂开的星云像在呼吸一样。

(急促｜呼喊) 别断通讯！喂！再撑十秒！十秒！！

(低声｜情绪塌陷般平静) ……算了。

(轻笑｜带点释然) 也挺好，至少是一起看的。

Audio：

丰富的文本理解能力

即便没有任何 prompt，也没有任何标签——就是一段最普通的文本——模型也能直接表现出其中的韵律与情感。标点的停顿、句式的起伏，会被自然呈现；文本中暗藏的情感弧线，从平静叙述到激烈转折，模型能主动捕捉；甚至连字里行间透露出的说话人身份（年龄、气质、角色类型），也会自动落到声音里。换句话说：最朴素的纯文本，交给它，也能还你一段有血有肉的演绎。

Text：

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!

Audio：

模型系列

mimo-v2.5-tts

内置多种精品音色，涵盖多种使用场景，每个音色都经过专业调优，发音自然、情感贴合，开箱即享高质量语音合成。 欢迎大家到 Xiaomi MiMo Studio 进行音色试听：

https://aistudio.xiaomimimo.com/#/c

mimo-v2.5-tts-voicedesign

音色设计面向的是"我心里有一个声音，但世界上还没有"的场景：游戏 NPC、动画角色、虚拟主播、品牌 IP、有声剧的非典型嗓音——这些都很难直接从音色库中挑选，也不适合用真人克隆。

该模型支持通过自然语言描述从零生成一款全新音色，无需任何参考音频。用户可以自由使用年龄、性别、口音、音质、发声方式、性格气质等任意描述维度——比如"一位年迈的东欧裔学者，低沉、略带嘶哑，说话节奏缓慢"或"元气满满的少女，声线清脆，语尾带一点上扬"——模型即可合成对应的角色音色。

得益于大规模预训练，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。这让音色设计不仅能生成真人不易提供的独特嗓音，也能精确复现某一类型化的角色声线。

Case1

Instruct :

一位中年男性，说标准普通话，嗓音低沉有磁性，带有轻微的沙哑质感，像纪录片旁白解说员，沉稳而有感染力。

Text：

当最后一缕阳光消失在地平线之下，这片沉睡了亿万年的大地开始显露它真正的面貌。在这寂静的荒野中，每一块岩石都记录着时间的流逝，每一阵风都在诉说着古老的故事。

Audio：

Case2

Instruct :

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。

Text：

我这辈子啊，走南闯北六十多年。见过最热闹的集市，也见过最安静的戈壁。到头来才明白一个道理——这人哪，不在走了多远的路，在于记住了多少风景。年轻人，别光顾着赶路，偶尔也停下来看看天。

Audio：

mimo-v2.5-tts-voiceclone

音色克隆用于让模型用你指定的声音说话——复刻一位真人播客、配音演员、品牌代言人，或者用户本人。

只需提供一段短至数秒的参考音频，无需任何额外的训练、标注或微调过程，模型就能直接复刻出说话人的音色并立即可用。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。

克隆得到的音色可复用本系列模型的全部控制能力——自然语言指令、音频标签、导演剧本级脚本都能继续叠加使用。复刻的声音不仅"像原人"，也能按你给定的风格与情绪去演。

Prompt：

Instruct：

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。

Text：

你以为我是谁，也敢在这儿跟我耍横？我告诉你，站在我身后的那个人，说出来吓死你——是当今的——万岁爷！你今天要是不给我个说法，我让你这铺子明天就开不了门。

Audio：

mimo-v2.5-asr：听懂你的每一次表达，无论多复杂

如果说 TTS 是在“输出”端让声音成为创作工具，那么 ASR 就是在“输入”端为这一切打开大门。在真实场景下，语种切换、背景噪声、说话人带着浓重的方言口音，在这样的环境里还能听清、听准，才是真正好用的语音识别。

mimo-v2.5-asr 作为全链路语音模型系列的听觉基座，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。它不只是为了把清晰的语音转成文字，更是让 Agent 在嘈杂的真实声音里，抓住每一个值得被理解的字词。

核心特点

中文方言：支持吴语、粤语、闽南语、四川话等方言

英文复杂场景：在 AMI 等复杂英文场景 Open ASR Leaderboard 上达到领先水平

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

歌曲识别：中英文歌曲歌词识别，在伴奏与人声混合场景下保持高精度

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

性能表现

mimo-v2.5-asr 在中英文通用、中文方言、Code-Switch 及歌词识别等多个维度上均取得当前最优或极具竞争力的结果，展现出跨场景、跨语种的稳定优势。以下为代表性评测结果：

对于 Agent 应用、内容创作工具、会议系统、语音交互产品而言，这是一个真正在复杂真实世界语音中经过验证的听觉基座。

如何使用

MiMo-V2.5-TTS 系列

为助力开发者探索更多场景，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： https://platform.xiaomimimo.com/docs/usage-guide/speech-synthesis-v2.5

同时，欢迎大家到 Xiaomi MiMo Studio 进行快速体验： https://aistudio.xiaomimimo.com/#/c

更多case请见 https://mimo.xiaomi.com/mimo-v2-5-tts

mimo-v2.5-asr

mimo-v2.5-asr 目前已开源模型权重和代码，支持开发者和研究者直接使用或二次开发。

Demo page: https://mimo.xiaomi.com/mimo-v2-5-asr

项目开源地址：https://github.com/XiaomiMiMo/MiMo-V2.5-ASR

权重开源地址：https://huggingface.co/XiaomiMiMo/MiMo-V2.5-ASR

Huggingface space: https://huggingface.co/spaces/XiaomiMiMo/MiMo-V2.5-ASR

Agent 工具调用支持

为方便大家将语音能力快速集成至 Agent 应用中，我们已将 mimo-v2.5-tts 相关模型的接入 Skill 全面开源。欢迎前往仓库拉取使用：

https://github.com/XiaomiMiMo/MiMo-Skills

声音，只是起点

在 MiMo-V2.5-TTS 系列 之外，我们更想回答一个问题：

当 mimo-v2.5-tts 懂“表达”、mimo-v2.5-pro 懂“规划”、mimo-v2.5 懂“聆听”，音频创作会变成什么样？

答案是：一条完整、可闭环的 Agent 式创作链路。

• mimo-v2.5-pro —— 规划与编剧，拆任务、写剧本、排节奏、决定剪辑顺序。

• MiMo-V2.5-TTS 系列 —— 音色与素材，Voice Design 生成音色、Voice Clone 合成内容。

• mimo-v2.5 —— 听回与评价，听角色一不一致、节奏对不对、有没有跟用户初衷偏。

一个例子：

做一段 2 分钟左右的夏日午后场景。爷爷（70 多岁，北京胡同味儿，嗓门哑、说话拖长音、下棋专注时压低声、笑起来哈哈一声拍桌）在槐树下对弈。5 岁小孙子蹲旁边看蚂蚁，不时冒出奶气问题打断（清脆、尾音上扬、兴奋时拔高、咬字偶尔不清）。爷爷动真格时语气沉、被孙子打断时立刻松下来笑骂。

用户只给一句话，成品自己出来：

会说是门槛，会听、会想、会协作才是价值。

Next step

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。我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。我们相信，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。

3. 上下文理解能力： 语音表达从来不是孤立的句子游戏。人之所以能“读对”，是因为理解上下文——知道前面发生了什么，明白当前这句话在整个叙事中处于什么位置。上下文理解意味着模型不再只是一个“逐句执行的工具”，而是一个懂得故事语境的表达者。这是我们迈向真正通用语音智能的关键一步。

4. 通用语音理解能力： 我们的目标是，让方言、噪音、中英混杂这些“真实世界的常态”不再成为语音识别的短板。未来，我们将持续扩展更多方言覆盖、并深化上下文感知能力，让语音识别从“转写”走向“理解”。