在大模型从文本向多模态交互演进的关键节点，语音能力的“情感化”与“可控性”正成为区分产品体验的核心分水岭。以往的行业方案往往侧重于识别准确率或合成自然度，却忽略了声音作为情感载体的深层价值。小米此次发布的新一代语音模型，正是试图解决这一痛点，将语音交互从简单的指令执行提升至角色化演绎的层面，为 Agent 时代的交互形态提供了新的技术底座。
当 AI 语音不再仅仅“能听会说”，而是能像导演一样精确编排情感、语调甚至角色身份时，人机交互的自然度正迈入一个新纪元。小米正式推出了 MiMo-V2.5 全栈语音模型系列，包含三个 TTS（文本转语音）模型和一个开源 ASR（自动语音识别）模型，全面覆盖 Agent 时代的语音输入输出需求，让声音真正成为可编程、可创作、可复制的智能介质。
🎙️ 三款 TTS 模型：声音从此“听你指挥”
小米此次发布的 MiMo-V2.5-TTS 系列，首次在语音生成领域实现了“语言即控制”的范式：
-
MiMo-V2.5-TTS：内置多种高保真 premium 音色，支持通过自然语言指令对语速、情感和语调进行精细控制。用户无需填写参数，只需像指导演员一样描述：“用温柔但坚定的语气说，稍微慢一点，带一点疲惫感”，模型即可准确演绎。
-
MiMo-V2.5-TTS-VoiceDesign：一句话生成新音色——输入“一个 30 岁的知性女性声音，略带南方口音，适合财经新闻播报”，系统将立即创建个性化音色，大幅降低了声音创作的门槛。
-
MiMo-V2.5-TTS-VoiceClone：仅需少量样本（如 30 秒音频），即可高保真复刻目标声音，同时保留响应风格指令和音频标签的能力，适用于虚拟主播、个性化助手等场景。
更具突破性的是其 分层剧本机制：在有声书或游戏 NPC 等需要高一致性的场景中，开发者可以分别定义“角色身份”、“场景氛围”和“单句表演指导”。每一层可独立更新又能协同工作，确保角色声音全程一致，同时每句对话也展现出变化。
此外，模型支持 行内音频标签（如 [emotion: excited]），可插入文本任意位置并组合多个标签，实现复杂的情感编排；即使输入是纯文本无任何提示，模型也能自动解析标点、句结构和隐含情感，产出“生动”的语音。
🎧 开源 ASR：嘈杂现实场景中的“全能耳”
同步开源的 MiMo-V2.5-ASR 专注于“听得清、听得准”：
- 支持吴语、粤语、闽南语、四川话等主要中方言；
- 在混合语言（Code-Switch）场景下无需预设语言即可流畅转写；
- 在强噪声、远场拾音、多人交叉对话（如会议）等复杂环境中保持高鲁棒性；
- 准确识别 古诗词、专业术语及歌词（包括背景音乐干扰）；
- 原生输出标点，转写结果可直接用于下游任务，无需后处理。
在多项权威评测中，该模型在通用中英文、方言、语码切换及歌词识别等维度均达到行业领先性能。
🚀 免费访问 + 开源，加速 Agent 生态发展
目前，三款 TTS 模型可在 小米 MiMo 开放平台限时免费访问，开发者可通过 API 调用或 MiMo Studio 快速体验；而 MiMo-V2.5-ASR 模型权重和代码已完全开源，支持社区二次开发。
从产业视角观察，小米选择将 ASR 模型权重与代码完全开源，这一策略颇具深意。在当前开发者生态争夺激烈的背景下，降低语音输入的门槛有助于加速 Agent 应用的落地。而 TTS 模型的精细化控制能力，则为虚拟人、智能陪伴等场景提供了更丰富的想象力。随着语音交互逐渐具备“导演级”的调度能力，人机交互的自然度将迎来质的飞跃，这也将倒逼整个行业在情感计算与语义理解层面投入更多研发资源，推动智能硬件从“工具”向“伙伴”的本质转变。
