66 lines
2.5 KiB
Markdown
66 lines
2.5 KiB
Markdown
# 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）
|
||
|
||
## 相关资源
|
||
|
||
- MiMo Studio：https://aistudio.xiaomimimo.com/#/c
|
||
- 使用指南：https://platform.xiaomimimo.com/docs/usage-guide/speech-synthesis-v2.5
|
||
- Skills 开源：https://github.com/XiaomiMiMo/MiMo-Skills
|
||
- ASR 开源：https://github.com/XiaomiMiMo/MiMo-V2.5-ASR
|
||
- 更多案例：https://mimo.xiaomi.com/mimo-v2-5-tts
|