今天，小米发布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

核心能力

  • 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。

  • 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。

  • 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。

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。

  • 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。

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 Series 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 Series —— 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离。

Next step

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。

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。

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。

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”。