2.5 KiB
2.5 KiB
MiMo-V2.5-TTS Series 官方文档摘要
来源：https://platform.xiaomimimo.com/docs/zh-CN/news/v2.5-tts-release
三款模型
| 模型 | 用途 | 特点 |
|---|---|---|
| MiMo-V2.5-TTS | 内置精品音色 | 开箱即用，支持语速、情绪、语气精细控制 |
| MiMo-V2.5-TTS-VoiceDesign | 音色设计 | 一句话定义全新音色，无需参考音频 |
| MiMo-V2.5-TTS-VoiceClone | 音色克隆 | 少量样本高保真复刻，支持风格叠加 |
核心能力
1. 精准风格指令遵循
- 从简短单句指令到整份导演笔记都能稳定理解
- 支持情绪、语气、语速、发声方式、语言风格等多维度
- 像给演员说戏一样描述，模型会落到对应演绎
2. 灵活音频标签控制
- 行内标签控制情绪、状态、风格
- 支持中英双语和开放文本描述
- 支持多标签叠加（用
｜分隔）
3. 丰富文本理解
- 无 prompt 也能自动捕捉情感弧线
- 自动识别说话人身份（年龄、气质、角色类型）
VoiceDesign 详情
适用场景：游戏NPC、动画角色、虚拟主播、品牌IP、有声剧的非典型嗓音
描述维度：
- 年龄、性别、口音、音质、发声方式、性格气质
- 支持复杂、模糊、甚至相互矛盾的描述
- 不局限于"男/女/青年/老年"粗粒度标签
案例：
- "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"
- "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"
VoiceClone 详情
特点：
- 短至数秒参考音频，无需训练/标注/微调
- 保留音色身份 + 气息、节奏、习惯性停顿
- 复用全部控制能力（指令、标签、导演剧本）
案例：
- 参考音频 → 克隆音色 → 叠加风格指令（"用尖锐刻薄的嗓音，带着狐假虎威的得意感"）
导演剧本级输入
支持 CHARACTER/SCENE/DIRECTION 分层：
- CHARACTER：人物身份、背景、性格
- SCENE：场景环境、情境
- DIRECTION：详细发声指导（共鸣、语调、气声、咬字）