罗福莉又上分了，小米连甩4款模型，让AI超逼真配音
智东西4月24日报道，今日，小米MiMo-V2.5家族语音模型系列正式发布：MiMo-V2.5-TTS Series、MiMo-V2.5-ASR，前者可免费体验，后者发布即开源。其中TTS Series包括语音、语音设计、语音克隆模型三款。
就在昨天，小米MiMo官宣MiMo-V2.5中旗舰推理模型MiMo-V2.5、全模态Agent模型V2.5-Pro开启公测、即将开源，再加上今天的4款语音模型，该系列共计6款模型。
MiMo-V2.5-TTS Series包含的三款模型为：语音模型MiMo-V2.5-TTS、语音设计模型MiMo-V2.5-TTS-VoiceDesign、语音克隆模型MiMo-V2.5-TTS-VoiceClone。MiMo-V2.5-ASR是这些语音模型的听觉基座，发布即开源。
MiMo-V2.5-TTS的模型集成多款音色、支持一句话复刻音色、定制全新音色等。MiMo-V2.5-ASR则支持中英双语、中文方言、强噪音、多说话人等复杂场景的语音识别。
小米此次发布的几大模型，均为智能体场景打造，其在官方文章里透露了几大模型可以搭配使用的智能体式创作链路：用MiMo-V2.5-Pro作为规划与编剧，拆任务、写剧本、排节奏、决定剪辑顺序；用MiMo-V2.5-TTS Series提供音色与素材，VoiceDesign生成音色、VoiceClone合成内容；MiMo-V2.5扮演裁判，听反馈的音频中角色一不一致、节奏对不对、有没有跟用户初衷偏离。
其放出了一条经这一套链路生成的音频：
不过音频中，有出现主人公边说边自己旁白的情况，且爷爷的声音特点并没有在整个说话环节都保持一致，中间会突然背离需求的“嗓门哑、拖长音”，语气突然变快等。
小米MiMo大模型负责人是原DeepSeek核心成员、被业内称为“天才少女”的罗福莉，今天凌晨，她在社交平台转发了大语言模型智能体端到端透明基准测试框架Claw-Eval、香港应用科技大学博士生Lei Li的帖子，其帖子提到，MiMo V2.5 Pro目前在Claw-Eval排名第3，MiMo V2.5排5，接下来是DeepSeek V4吗？
小米创始人、CEO雷军昨日转发了小米-V2.5系列发布微博，并配文“继续进步！”
语音模型均可以在MiMo-Studio免费体验，面向开发者，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone均在Xiaomi MiMo API开放平台限时免费提供。
在开源方面，MiMo-V2.5-ASR目前已开源模型权重和代码，MiMo-V2.5-TTS相关模型的接入Skill全面开源。
MiMo-Studio快速体验地址：
https://aistudio.xiaomimimo.com/#/c
MiMo-V2.5-ASR开源地址：
https://github.com/XiaomiMiMo/MiMo-V2.5-ASR
MiMo-V2.5-TTS模型的接入Skill开源地址：
https://github.com/XiaomiMiMo/MiMo-Skills
01.三款语音模型+一款听觉模型，小米为通用语音智能放大招
MiMo-V2.5-TTS Series包含三款模型，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone。
三款模型的相同之处在于，其拥有统一的风格指令遵循、音频标签控制与文本理解能力。
不同之处在于针对的创作需求：
MiMo-V2.5-TTS内置多款音色，支持语速、情绪、语气等精细化控制，开箱即用，能满足多场景表达；MiMo-V2.5-TTS-VoiceDesign支持一句话快速定义并生成全新音色；MiMo-V2.5-TTS-VoiceClone能通过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-V2.5-ASR发布即开源。根据小米官方信息，该模型在中英双语、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。
小米官方总结了这一模型的八大特点：
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。
其提到，对于智能体应用、内容创作工具、会议系统、语音交互产品而言，MiMo-V2.5-ASR已经在复杂真实世界语音中经过验证。
02.导演剧本、音频标签都能看懂，没需求只看音频文本也能传达情绪
智东西实际体验了MiMo-V2.5-TTS系列几款模型的效果。
MiMo-V2.5-TTS，根据官方信息，该模型从情绪、语气、语速、发声方式到语言风格等多个维度，都能理解并遵循，其还可以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。
智东西选择了知性女声，上传的指令是“声音轻柔舒缓，语速很慢，带着安抚人心的温度，说话时像在给客人递一杯热咖啡，语气温柔又有耐心，像开了几十年书店的老板娘。”
生成的音频中，老板娘说话整体语速偏慢、换气舒缓，没有急促感，字句之间留白自然，整体符合语言生成的需求。
其次，除了自然语言指令，该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。
智东西上传了一段茶馆说书人的音频标签文本，提示词为（洪亮，开场）话说那江湖之上，有位少年侠客，仗剑走天涯。（压低声音，神秘）可谁也不知道，他腰间那把剑，藏着一段血海深仇。（拔高声调，激昂）今日，他终于要回来了！
整体来看，音频中的三句话都符合前面的音频标签特征，但每一句之间的衔接仍有优化的空间，会出现声音突然从高变低，又突然拔高的情况。
最后是文本理解能力，即使用户没有上传具体需求，模型也能根据文本判断其中的韵律与情感，在音频中表现出标点的停顿、句式的起伏等。
官方提示词为“Ten... nine... eight... seven... six... five... four... three... TWO... ONE... ZERO! LAUNCH! LAUNCH! WE HAVE LIFTOFF! GO GO GO! SHE'S CLIMBING! ALTITUDE 1,000... 5,000... 10,000 FEET AND CLIMBING! BEAUTIFUL! AB-SO-LUTE-LY BEAUTIFUL!”
如上面这段提示词，模型感知到文本的节奏逐渐加快，从倒计时阶段的专业、冷静到最后情绪爬升与赞叹时，还原出了人物的情绪变化。
03.无需参考音频生成全新音色，还支持一句话复刻
另外两个是音色设计和克隆模型。
音色设计模型MiMo-V2.5-TTS-VoiceDesign无需任何参考音频，支持用户通过自然语言描述从零生成一款全新音色。其可以自由使用年龄、性别、口音、音质、发声方式、性格气质等维度进行描述，模型即可合成对应的角色音色。
智东西上传的提示词是“一位20多岁的女性，说南方软语，声线慵懒松弛，带一点点刚睡醒的鼻音，她是深夜电台主播念稿时尾音轻放，读听众留言时会放柔语气。”
生成的音频确实声线慵懒，听起来是一位年轻女气，但说话时仍然是普通话，没有南方软语的特征。其声音为了刻意保持慵懒松弛，会在尾音时可以压低声音，会减弱松弛感。
此外，小米官方给出了一段示例，其提示词是“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，仿佛一位饱经风霜的老爷爷在讲故事，充满岁月的智慧”。
音色克隆模型MiMo-V2.5-TTS-VoiceClone，用户可以让其复刻一位真人播客、配音演员、品牌代言人，或者用户本人的声音。
其只需提供一段数秒的参考音频，无需额外的训练、标注或微调过程，复刻后的声音可以保留原始说话人的音色身份，以及气息、节奏、习惯性停顿等个人特征。
小米放出的官方案例，用严肃、字正腔圆的新闻播报声线，复刻了《康熙微服私访记》中的一段经典台词，极具反差感。
其新音色的提示词为“用尖锐刻薄的嗓音，带着狐假虎威的得意感说话，在提到大人物的身份时故意放慢语速并加重语气，营造压迫感。”
文本为“你以为我是谁，也敢在这儿跟我耍横？我告诉你，站在我身后的那个人，说出来吓死你——是当今的——万岁爷！你今天要是不给我个说法，我让你这铺子明天就开不了门。”
音频中，音色与新闻播报的声线保持一致，在说“万岁爷”、“开不了门”等重点内容时，还可以拉长声线、加重语气。
04.结语：语音AI四大研发路线，打造真正通用语音智能
小米公布了其下一步研发方向：
1、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。
2、通用音频生成：语音只是第一步，他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。他们认为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。
3、上下文理解能力：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。这是其迈向真正通用语音智能的关键一步。
4、通用语音理解能力：他们的目标是，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，他们将持续扩展更多方言覆盖、并深化上下文感知能力。
本文来自微信公众号“智东西”（ID：zhidxcom），作者：程茜，编辑：心缘，36氪经授权发布。
