xiaomi-tts

name	xiaomi-tts
description	小米 MiMo 语音合成工具，支持 MiMo-V2.5-TTS 系列模型的语音合成。 功能包括：预置音色合成、音色设计、音色克隆、风格控制（情绪/方言/角色扮演/唱歌）、 音频标签精细控制、自然语言指令控制、导演模式等。 当用户需要：(1) 使用小米语音合成生成音频 (2) 配置 TTS 参数 (3) 控制语音风格/情绪/音色 (4) 集成 MiMo TTS 到项目中 (5) 合成唱歌音频时使用此 Skill。 触发关键词：小米语音、MiMo、TTS、语音合成、文字转语音、音色设计、音色克隆、mimo-v2.5-tts。

小米 MiMo 语音合成

将文本转换为自然流畅的语音，支持预置音色、音色设计、音色克隆及丰富的风格控制。

API Key 配置

支持三种配置方式（按优先级）：

方式 1: 环境变量（推荐用于生产环境）

export MIMO_API_KEY="your-api-key"

方式 2: .env 配置文件（推荐用于开发）

# 复制模板并编辑
cp .env.example .env
# 编辑 .env 文件，填写 MIMO_API_KEY=your-api-key

方式 3: 交互式配置（首次使用）

# 运行配置向导
python xiaomi_tts.py --setup

脚本运行时如果未检测到 API Key，会自动提示用户输入。

前置条件

1. 获取 API Key: https://platform.xiaomimimo.com
2. 配置 API Key（见上方三种方式）
3. 安装依赖: pip install openai
   • 流式调用还需: pip install numpy soundfile

快速开始

基础合成

python xiaomi_tts.py -t "你好世界" -o output.wav
python xiaomi_tts.py -t "你好世界" -o output.wav -v "冰糖"

使用风格

# 使用风格标签 (自动添加前缀)
python xiaomi_tts.py -t "今天天气真好" -o out.wav -v "冰糖" -s "开心" "活泼"

# 使用自然语言指令
python xiaomi_tts.py -t "你好" -o out.wav -u "用轻快上扬的语调，语速稍快"

# 唱歌模式
python xiaomi_tts.py -t "原谅我这一生不羁放纵爱自由" -o song.wav --singing

音色设计

python xiaomi_tts.py --model voicedesign \
  -vd "温暖的中年女性声音，语速缓慢" \
  -t "你好" -o output.wav

核心概念

模型选择

模型 ID	参数值	功能	注意事项
mimo-v2.5-tts	tts	预置音色	支持唱歌模式
mimo-v2.5-tts-voicedesign	voicedesign	文本设计音色	不支持预置音色/唱歌
mimo-v2.5-tts-voiceclone	voiceclone	音频克隆音色	需要音频样本

预置音色

音色	语言	性别
冰糖 (默认中文)	中文	女性
茉莉	中文	女性
苏打	中文	男性
白桦	中文	男性
Mia (默认英文)	英文	女性
Chloe	英文	女性
Milo	英文	男性
Dean	英文	男性

查看全部音色: python xiaomi_tts.py --list-voices

风格控制

两种方式可组合使用：

1. 自然语言控制 → 放入 user role 的 content (-u 参数)
2. 音频标签 → 嵌入 assistant role 的 content

自然语言控制（推荐）

直接用自然语言描述风格，支持：

• 基础风格描述: "用轻快上扬的语调向领导报喜，语速稍快"
• 多风格切换: "播报 → 低语 → 嘶吼 的风格转场"
• 多情绪混合: "压抑的愤怒"、"带着哽咽的笑意"
• 导演模式: 从角色、场景、指导三维度刻画人物

导演模式示例：

角色：百年门阀岑家的现任大当家。自出生便被过继给祖庙的守门老人抚养。

场景：在祠堂的阴影里，看着那个不顾一切冲破保安防线来找她、企图带她私奔的男人。

指导：
冰冷、慵懒却极具威压的低音御姐。发声通道非常松弛。
- 语速与顿挫：极慢，每个字都像是在舌尖滚过才吐出来。
- 气声与实声：实音重且硬，在尾音处加入极其轻微的气音收束。
- 咬字肌理：唇齿音发得极轻但极清晰。

音频标签控制

类型	示例
基础情绪	开心/悲伤/愤怒/恐惧/惊讶/兴奋/委屈/平静/冷漠
复合情绪	怅然/欣慰/无奈/愧疚/释然/嫉妒/厌倦/忐忑/动情
整体语调	温柔/高冷/活泼/严肃/慵懒/俏皮/深沉/干练/凌厉
音色定位	磁性/醇厚/清亮/空灵/稚嫩/苍老/甜美/沙哑/醇雅
人设腔调	夹子音/御姐音/正太音/大叔音/台湾腔
方言	东北话/四川话/河南话/粤语
角色扮演	孙悟空/林黛玉
唱歌	唱歌/sing/singing
语速与节奏	吸气/深呼吸/叹气/长叹一口气/喘息/屏息
情绪状态	紧张/害怕/激动/疲惫/委屈/撒娇/心虚/震惊/不耐烦
语音特征	颤抖/声音颤抖/变调/破音/鼻音/气声/沙哑
哭笑表达	笑/轻笑/大笑/冷笑/抽泣/呜咽/哽咽/嚎啕大哭

格式:

• 整体风格: (风格)待合成内容
• 细粒度: 前文[深呼吸]中间[叹气]后文

样例

(怅然)这么多年过去了，再走过那条街，心里一下子空了一块。
(慵懒)再让我睡五分钟……就五分钟，真的，最后一次。
(磁性)夜已经深了，城市还在呼吸。我是今晚陪你的人，欢迎收听《午夜电台》。
(东北话)哎呀妈呀，这天儿也忒冷了吧！
(粤语)呢个真係好正啊！食过一次就唔会忘记！
(唱歌)原谅我这一生不羁放纵爱自由，也会怕有一天会跌倒。
（紧张，深呼吸）呼……冷静，冷静。不就是一个面试吗……

脚本使用

详细参数:

python xiaomi_tts.py --help

参数	说明
-t, --text	要合成的文本 (必填)
-o, --output	输出路径 (默认: output.wav)
-m, --model	tts/voicedesign/voiceclone (默认: tts)
-v, --voice	预置音色名称
-vd, --voice-description	音色描述 (仅 voicedesign 需要)
-s, --styles	风格标签列表
-at, --audio-tags	音频标签列表
-u, --user-instruction	自然语言风格指令
--audio-format	wav/pcm16 (默认: wav)
--stream	使用流式调用
--singing	启用唱歌模式
--optimize-text	智能润色文本 (仅 voicedesign)
--list-voices	列出所有预置音色
--setup	配置 API Key 向导

API 集成

在 Python 项目中直接集成:

from scripts.xiaomi_tts import synthesize

# 基础合成
synthesize(
    text="你好世界",
    output_path="output.wav",
    voice="冰糖"
)

# 带风格
synthesize(
    text="今天天气真好",
    output_path="output.wav",
    voice="冰糖",
    styles=["开心", "活泼"],
    user_instruction="用轻快上扬的语调"
)

# 音色设计
synthesize(
    text="你好",
    output_path="output.wav",
    model="voicedesign",
    voice_description="温暖治愈的女声，语速缓慢",
    optimize_text_preview=True
)

# 唱歌
synthesize(
    text="(唱歌)原谅我这一生不羁放纵爱自由",
    output_path="song.wav",
    voice="白桦"
)

注意事项

• assistant role 包含合成文本，user role 包含风格指令
• 唱歌模式仅 mimo-v2.5-tts 模型支持
• 流式调用时音频格式必须为 pcm16
• voicedesign 模型必须提供 voice_description
• 音色描述 1-4 句即可，避免矛盾和模糊词
• 获取 API Key: https://platform.xiaomimimo.com
• 完整 API 文档: https://platform.xiaomimimo.com/docs/zh-CN/usage-guide/speech-synthesis-v2.5