羅福莉又上分了！小米連甩4款模型，讓AI超逼真配音

智東西
作者 程茜
編輯 心緣

智東西4月24日報道，今天，小米MiMo-V2.5家族語音模型系列正式發(fā)布：MiMo-V2.5-TTS Series、MiMo-V2.5-ASR，前者可免費體驗，后者發(fā)布即開源。其中TTS Series包括語音、語音設(shè)計、語音克隆模型三款。

就在昨天，小米MiMo官宣MiMo-V2.5中旗艦推理模型MiMo-V2.5、全模態(tài)Agent模型V2.5-Pro開啟公測、即將開源，再加上今天的4款語音模型，該系列共計6款模型。

MiMo-V2.5-TTS Series包含三款模型：語音模型MiMo-V2.5-TTS、語音設(shè)計模型MiMo-V2.5-TTS-VoiceDesign、語音克隆模型MiMo-V2.5-TTS-VoiceClone，MiMo-V2.5-ASR是這些語音模型的聽覺基座，發(fā)布即開源。

MiMo-V2.5-TTS的模型集成多款音色、支持一句話復刻音色、定制全新音色等。MiMo-V2.5-ASR則支持中英雙語、中文方言、強噪音、多說話人等復雜場景的語音識別。

小米此次發(fā)布的幾大模型，均為智能體場景打造，其在官方文章里透露了幾大模型可以搭配使用的智能體式創(chuàng)作鏈路：用MiMo-V2.5-Pro作為規(guī)劃與編劇，拆任務(wù)、寫劇本、排節(jié)奏、決定剪輯順序；用MiMo-V2.5-TTS Series提供音色與素材，VoiceDesign生成音色、VoiceClone合成內(nèi)容；MiMo-V2.5扮演裁判，聽反饋的音頻中角色一不一致、節(jié)奏對不對、有沒有跟用戶初衷偏離。

其放出了一條經(jīng)這一套鏈路生成的音頻：

https://oss.zhidx.com/39b5545ddd0d31e4ca8895613acdeb2a/69ea4200/uploads/2026/04/69eb083e59674_69eb083e538e7_69eb083e538a1_Agent%E8%87%AA%E5%B7%B1%E5%81%9A%E9%9F%B3%E9%A2%91.mp3

不過音頻中，有出現(xiàn)主人公邊說邊自己旁白的情況，且爺爺?shù)穆曇籼攸c并沒有在整個說話環(huán)節(jié)都保持一致，中間會突然背離需求的“嗓門啞、拖長音”，語氣突然變快等。

小米MiMo大模型負責人是原DeepSeek核心成員、被業(yè)內(nèi)稱為“天才少女”的羅福莉，今天凌晨，她在社交平臺轉(zhuǎn)發(fā)了大語言模型智能體端到端透明基準測試框架Claw-Eval、香港應用科技大學博士生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，接下來是DeepSeek V4嗎？

雷軍昨日轉(zhuǎn)發(fā)了小米-V2.5系列發(fā)布微博，并配文“繼續(xù)進步！”

語音模型均可以在MiMo-Studio免費體驗，面向開發(fā)者，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone均在Xiaomi MiMo API開放平臺限時免費提供。

在開源方面，MiMo-V2.5-ASR目前已開源模型權(quán)重和代碼，MiMo-V2.5-TTS相關(guān)模型的接入Skill全面開源。

MiMo-Studio 快速體驗地址：https://aistudio.xiaomimimo.com/#/c

MiMo-V2.5-ASR開源地址：https://github.com/XiaomiMiMo/MiMo-V2.5-ASR

MiMo-V2.5-TTS模型的接入Skill開源地址：https://github.com/XiaomiMiMo/MiMo-Skills

一、三款語音模型+一款聽覺模型，小米為通用語音智能放大招

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。

三款模型的相同之處在于，其擁有統(tǒng)一的風格指令遵循、音頻標簽控制與文本理解能力。

不同之處在于針對的創(chuàng)作需求：

MiMo-V2.5-TTS內(nèi)置多款音色，支持語速、情緒、語氣等精細化控制，開箱即用，能滿足多場景表達；MiMo-V2.5-TTS-VoiceDesign支持一句話快速定義并生成全新音色；MiMo-V2.5-TTS-VoiceClone能通過少量樣本高保真復刻目標音色，同時保持穩(wěn)定的風格指令遵循與音頻標簽控制能力。

MiMo-V2.5-ASR發(fā)布即開源。根據(jù)小米官方信息，該模型在中英雙語、中文方言、Code-Switch、強噪音、多說話人等復雜真實場景下的語音識別性能達到業(yè)界領(lǐng)先水平。

小米官方總結(jié)了這一模型的八大特點：

中文方言：支持吳語、粵語、閩南語、四川話等方言；

英文復雜場景：在AMI等復雜英文場景Open ASR Leaderboard上達到領(lǐng)先水平；

Code-Switch：中英Code-Switch語音轉(zhuǎn)錄自由流暢，無需預設(shè)語種標簽；

歌曲識別：中英文歌曲歌詞識別，在伴奏與人聲混合場景下保持高精度；

強噪音場景：在高噪音、遠場拾音等復雜聲學環(huán)境中保持魯棒識別；

多說話人：支持多人交叉對話場景的準確轉(zhuǎn)錄，如會議場景；

強知識關(guān)聯(lián)：古詩詞、專業(yè)術(shù)語、人名、地名等知識密集型內(nèi)容的精準識別；

原生標點：結(jié)合語音韻律與語義原生輸出標點，轉(zhuǎn)寫結(jié)果即拿即用，無需后處理。

其提到，對于智能體應用、內(nèi)容創(chuàng)作工具、會議系統(tǒng)、語音交互產(chǎn)品而言，MiMo-V2.5-ASR已經(jīng)在復雜真實世界語音中經(jīng)過驗證。

二、導演劇本、音頻標簽都能看懂，沒需求只看音頻文本也能傳達情緒

智東西實際體驗了MiMo-V2.5-TTS系列幾款模型的效果。

首先是MiMo-V2.5-TTS，根據(jù)官方信息，該模型從情緒、語氣、語速、發(fā)聲方式到語言風格等多個維度，都能理解并遵循，其還可以支持導演劇本級的結(jié)構(gòu)化輸入：把人物、場景、詳細指導分層描述，各層按自己的節(jié)奏獨立更新、自由組合。

智東西選擇了知性女聲，上傳的指令是“聲音輕柔舒緩，語速很慢，帶著安撫人心的溫度，說話時像在給客人遞一杯熱咖啡，語氣溫柔又有耐心，像開了幾十年書店的老板娘。”

https://oss.zhidx.com/a5306e8f9755591888fa2c00afd53a59/69ea4200/uploads/2026/04/69eaca3a40aab_69eaca3a383b4_69eaca3a3836e_%E8%80%81%E6%9D%BF%E5%A8%98.wav

生成的音頻中，老板娘說話整體語速偏慢、換氣舒緩，沒有急促感，字句之間留白自然，整體符合語言生成的需求。

其次，除了自然語言指令，該模型還支持行內(nèi)音頻標簽，用于在文本特定位置精準控制情緒、狀態(tài)或風格。標簽支持中英雙語和開放文本描述，允許在同一段文本中靈活混用。

智東西上傳了一段茶館說書人的音頻標簽文本，提示詞為

（洪亮，開場）話說那江湖之上，有位少年俠客，仗劍走天涯。

（壓低聲音，神秘）可誰也不知道，他腰間那把劍，藏著一段血海深仇。

（拔高聲調(diào)，激昂）今日，他終于要回來了！

https://oss.zhidx.com/cd74afb87029babda1c37e2698debad5/69ea4200/uploads/2026/04/69eac916bcd9c_69eac916b13ce_69eac916b138a_%E8%AF%B4%E4%B9%A6.wav

整體來看，音頻中的三句話都符合前面的音頻標簽特征，但每一句之間的銜接仍有優(yōu)化的空間，會出現(xiàn)聲音突然從高變低，又突然拔高的情況。

最后是文本理解能力，即使用戶沒有上傳具體需求，模型也能根據(jù)文本判斷其中的韻律與情感，在音頻中表現(xiàn)出標點的停頓、句式的起伏等。

官方提示詞為“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!”

https://oss.zhidx.com/7200e145ca4c8a5e3dcd73cbf057b3d1/69ea4200/uploads/2026/04/69eb087415165_69eb087411e7a_69eb087411e40_%E5%80%92%E6%95%B0.mp3

如上面這段提示詞，模型感知到文本的節(jié)奏逐漸加快，從倒計時階段的專業(yè)、冷靜到最后情緒爬升與贊嘆時，還原出了人物的情緒變化。

三、無需參考音頻生成全新音色，還支持一句話復刻

另外兩個是音色設(shè)計和克隆模型。

音色設(shè)計模型MiMo-V2.5-TTS-VoiceDesign無需任何參考音頻，支持用戶通過自然語言描述從零生成一款全新音色。其可以自由使用年齡、性別、口音、音質(zhì)、發(fā)聲方式、性格氣質(zhì)等維度進行描述，模型即可合成對應的角色音色。

智東西上傳的提示詞是“一位20多歲的女性，說南方軟語，聲線慵懶松弛，帶一點點剛睡醒的鼻音，她是深夜電臺主播念稿時尾音輕放，讀聽眾留言時會放柔語氣。”

https://oss.zhidx.com/f227d7880cbaf01f32aad6d846507b03/69ea4200/uploads/2026/04/69eacc29cbba2_69eacc29bf53b_69eacc29bf501_1337854033_2ced17b706eea30cc90849ab71b278f3838974723809309239.wav

生成的音頻確實聲線慵懶，聽起來是一位年輕女氣，但說話時仍然是普通話，沒有南方軟語的特征。其聲音為了刻意保持慵懶松弛，會在尾音時可以壓低聲音，會減弱松弛感。

此外，小米官方給出了一段示例，其提示次是“一位年邁的老先生，說帶北方口音的普通話，語速緩慢而沉穩(wěn)，嗓音略帶沙啞和滄桑感，仿佛一位飽經(jīng)風霜的老爺爺在講故事，充滿歲月的智慧”。

https://oss.zhidx.com/c1310d41bf52d4015d21a4d3eaa5026e/69ea4200/uploads/2026/04/69eb08880113a_69eb0887f1a75_69eb0887f1a2c_getvoice.mp3

音色克隆模型MiMo-V2.5-TTS-VoiceClone，用戶可以讓其復刻一位真人播客、配音演員、品牌代言人，或者用戶本人的聲音。

其只需提供一段數(shù)秒的參考音頻，無需額外的訓練、標注或微調(diào)過程，復刻后的聲音可以保留原始說話人的音色身份，以及氣息、節(jié)奏、習慣性停頓等個人特征。

小米放出的官方案例，用嚴肅、字正腔圓的新聞播報聲線，復刻了《康熙微服私訪記》中的一段經(jīng)典臺詞，極具反差感。

https://oss.zhidx.com/491757d8d821845f15efc628eded3744/69ea4200/uploads/2026/04/69eb08a5eaa5a_69eb08a5e7519_69eb08a5e74df_getvoice-1.mp3

其新音色的提示詞為“用尖銳刻薄的嗓音，帶著狐假虎威的得意感說話，在提到大人物的身份時故意放慢語速并加重語氣，營造壓迫感。”

文本為“你以為我是誰，也敢在這兒跟我耍橫？我告訴你，站在我身后的那個人，說出來嚇死你——是當今的——萬歲爺！你今天要是不給我個說法，我讓你這鋪子明天就開不了門。”

https://oss.zhidx.com/312f7cd291cf015feb9ca2caf4cd39ba/69ea4200/uploads/2026/04/69eb08b31a62a_69eb08b31714f_69eb08b317110_getvoice-2.mp3

音頻中，音色與新聞播報的聲線保持一致，在說“萬歲爺”、“開不了門”等重點內(nèi)容時，還可以拉長聲線、加重語氣。

結(jié)語：語音AI四大研發(fā)路線，打造真正通用語音智能

小米公布了其下一步研發(fā)方向：

1、更大規(guī)模的語音預訓練與強化學習后訓練：MiMo-V2.5-TTS-Series 證明了大規(guī)模預訓練與后訓練的巨大收益，擴大這兩者的規(guī)模：通過更多的數(shù)據(jù)、更大的模型、更強的算力，讓更強大的語音智能從規(guī)模中涌現(xiàn)；更加精細的獎勵建模與強化學習算法，推動模型邁向更高階的語音表達智能。

2、通用音頻生成：語音只是第一步，他們正在將能力擴展到更廣義的音頻生成：環(huán)境音效、動作聲、氛圍鋪底，乃至短樂句與旋律片段，逐步建模出一個完整的聲音世界。他們認為真正的通用音頻模型，不是把語音、音效、音樂簡單拼在一起，而是讓它們在同一套空間里彼此理解、協(xié)同創(chuàng)作。

3、上下文理解能力：上下文理解意味著模型不再只是一個“逐句執(zhí)行的工具”，而是一個懂得故事語境的表達者。這是其邁向真正通用語音智能的關(guān)鍵一步。

4、通用語音理解能力：他們的目標是，讓方言、噪音、中英混雜這些“真實世界的常態(tài)”不再成為語音識別的短板。未來，他們將持續(xù)擴展更多方言覆蓋、并深化上下文感知能力。