首页 > 热点
小米发布全链路语音大模型 MiMo-V2.5,TTS 可“一句话生成新音色”,ASR 开源支持方言与多语混说
发布日期:2026-11-17
浏览次数:{固定数字3}

当 AI 语音不再只是“能听会说”,而是能像导演一样精准调度情绪、语气甚至角色身份,人机交互的自然度正迈入新纪元。小米今日正式推出MiMo-V2.5全链路语音模型系小米列,包含三款 TTS(语音合成)模型与一款开源 ASR(语音识别)模型,全面覆盖 Agent 时代的语音输入与输出需求,让声音真正成为可编程、可创作、可复刻的智能媒介。

️ T发布TS 三大模型:声音从此“听你指挥”

小米此次发布的MiMo-V2.5-TTS 系列首次实现“语言即控制”的语音生成范式:

更突破性的是其分层导演剧本机制:在有声剧或游戏 NPC 等高一致性要求场景中,开发者可分别定义“角色身份”“场景氛围”“单句表演指导”,各层独立 M更新却协同输出,确保角色声音贯穿始终,每句台词又富有变化。

此外,模型支持行内音频标签(如[emotion: excited]),可在文本任意位置插入多标签组合,实现复杂情感iM编排;即便输入纯文本无任何提示,模型也能自动解析标点、句式与隐含情感,输出“有血有肉”的语音。

ASR 开源:嘈杂真实场景下的“全能耳朵”

同步开源的MiMo-V2.5o--ASR则聚焦“听得清、听得准”:

在多项权威评测中,.5该模型在中英文通用、方言、混说及歌词识别等维度均达业界领先水平。

免费开放 + 开源,加速 Agent 生态落地

目前,三款 TTS 模型已在小米 MiMo 开放平台限时免费,开发,T者可通过 API 调用或 MiMo Studio 快速体验;而 MiMo-V2.5-ASR模型权重与代码已完全开源,支持社区二次开发。

这一全栈语音能力的释放,标志着小米正从终端厂商向TS AI 基础设施提供者延伸。当每个开发者都能低成本构建具备“导演级语音表现力”的智能体,下一代人机交互的想象空间,才真正被打开——未来,你的 AI 助手不仅能理解你的话,更能用 可你想要的声音,说出打动人心的回答。

上一篇:标签: 谷歌 Nano Banana 2 Gemini 3.1 Flash Image 图像生成模型
下一篇:Shopify 总裁:AI 是互联网以来的最大变革!流量激增 7 倍,订单飙升 11 倍,全力铺设“AI 代理商业”轨道!
相关文章