mimo-tts-asr

name

mimo-tts-asr

description

Xiaomi MiMo V2.5 TTS + ASR 全能语音技能。支持高质量中英文语音合成（TTS）和语音识别（ASR）。 TTS: 三款模型（精品音色 / VoiceDesign 音色设计 / VoiceClone 音色克隆）、方言支持、情感控制、多格式输出。 ASR: 音频转文字、多语言识别、方言、Code-Switch、强噪音场景。支持 API 调用和开源模型本地部署。 触发词: 语音合成 / 文字转语音 / TTS / 朗读 / 说话 / 唱歌 / 语音识别 / 转文字 / 听写 / ASR / 音色设计 / 音色克隆 / 声音克隆 / voice design / voice clone / voice / speech / read aloud / transcribe / speech-to-text / 语音转文字 / 音频转文字。 Use when: 用户要求将文字转为语音、朗读文本、生成音频、识别音频内容、将音频转为文字、设计音色、克隆音色。

Xiaomi MiMo-V2.5-TTS-Series + ASR — 你的声音，随心所"驭"

v2.5.4 · 面向 Agent 时代的全链路语音模型系列

官方资源 / Official Links

资源	链接
📖 发布公告	MiMo-V2.5-TTS-Series + ASR 正式发布
📚 TTS API 文档	语音合成（MiMo-V2.5-TTS 系列）
📚 ASR API 文档	音频理解
🎮 MiMo Studio 体验	aistudio.xiaomimimo.com/#/c
🔧 官方 Skill 仓库	github.com/XiaomiMiMo/MiMo-Skills
🤗 ASR 开源代码	github.com/XiaomiMiMo/MiMo-V2.5-ASR
🤗 ASR 模型权重	huggingface.co/XiaomiMiMo/MiMo-V2.5-ASR
🤗 ASR Demo	huggingface.co/spaces/XiaomiMiMo/MiMo-V2.5-ASR
📋 定价与限速	定价说明
🌐 MiMo 开放平台	platform.xiaomimimo.com

功能概览 / Overview

TTS — 三款模型

模型	能力	场景
🎙️ MiMo-V2.5-TTS	内置精品音色，语速/情绪/语气精细控制	通用语音合成
🎨 MiMo-V2.5-TTS-VoiceDesign	自然语言描述从零生成新音色（无需参考音频）	游戏NPC/虚拟主播/品牌IP
🔁 MiMo-V2.5-TTS-VoiceClone	短音频高保真克隆音色（数秒即可）	播客克隆/配音复刻

⭐ 三款模型均已限时免费

ASR — 语音识别

能力	说明
🌍 中英双语	自由切换，无需预设语种
🗣️ 中文方言	吴语/粤语/闽南语/四川话
🔀 Code-Switch	中英混杂自然转录
🎵 歌曲识别	中英文歌词，伴奏场景高精度
🔊 强噪音	高噪音/远场拾音鲁棒识别
👥 多说话人	会议等多人交叉对话
📝 原生标点	结合韵律与语义自动标点

🆓 ASR 已开源 — GitHub / HuggingFace

---

⚙️ 配置 / Setup

环境变量

# TTS API Key（独立于模型推理 Key）
export MIMO_API_KEY="your-tts-api-key"

# ASR API Key（如与 TTS 相同可复用）
export MIMO_ASR_KEY="your-asr-api-key"

或通过 OpenClaw 配置：

openclaw config set skills.entries.mimo-tts-asr.apiKey "your-key"

⚠️ TTS/ASR 的 API Key 独立于模型推理 Key，需前往 platform.xiaomimimo.com 申请。

---

🎙️ TTS — 语音合成

基础用法

python3 "{baseDir}/scripts/tts.py" "要合成的文本" -o output.wav

参数说明

参数	默认值	说明
text	(必填)	要合成的文本
-o	output.wav	输出文件路径
-m	tts	模型：tts / voice-design / voice-clone
-v	mimo_default	音色（见音色列表）
-s	无	风格标签
-f	wav	音频格式：wav / mp3 / ogg
--voice-desc	无	VoiceDesign：音色描述文本
--ref-audio	无	VoiceClone：参考音频路径
--user-msg	无	用户角色上下文（调整语气）
--api-key	环境变量	API Key 覆盖
--max-retries	3	最大重试次数
--list-voices	—	列出可用音色
--list-formats	—	列出可用格式

音色列表（MiMo-V2.5-TTS）

名称	voice 参数	说明
MiMo-默认	mimo_default	通用女声
MiMo-中文	default_zh	中文女声
MiMo-英文	default_en	英文女声
MiMo-男声	mimo_male	男声
MiMo-童声	mimo_child	童声
MiMo-粤语	mimo_cantonese	粤语
MiMo-四川话	mimo_sichuan	四川话

🎧 试听音色：MiMo Studio

风格标签

风格	场景	风格	场景
可爱	撒娇、软萌	悲伤	悲伤、失落
开心	欢快、兴奋	愤怒	愤怒、激动
东北话	方言、搞笑	平静	平静、舒缓
悄悄话	神秘、低语	惊讶	惊讶、意外
孙悟空	角色扮演	变快/变慢	语速控制
唱歌	儿歌、旋律

可组合：-s "开心 变快" / -s "可爱 悄悄话" / -s "悲伤 变慢"

行内音频标签

在文本中插入精细控制： (停顿) (叹气) (笑声) (清嗓子) (耳语) (紧张) (小声) (语速加快) (深呼吸) (沉默片刻)

示例

# 基础合成
python3 "{baseDir}/scripts/tts.py" "你好，今天天气真好" -o hello.wav

# 方言
python3 "{baseDir}/scripts/tts.py" "哎呀妈呀，这天儿也忒冷了吧" -s "东北话" -o dongbei.wav

# 英文
python3 "{baseDir}/scripts/tts.py" "Hello, how are you?" -v default_en -o hello_en.wav

# 情感
python3 "{baseDir}/scripts/tts.py" "明天就是周五了，真开心！" -s "开心 变快" -o happy.wav

# 唱歌
python3 "{baseDir}/scripts/tts.py" "一闪一闪亮晶晶" -s "唱歌" -o sing.wav

# 男声 / 童声 / 方言
python3 "{baseDir}/scripts/tts.py" "大家好" -v mimo_male -o male.wav
python3 "{baseDir}/scripts/tts.py" "妈妈我要吃糖" -v mimo_child -o child.wav
python3 "{baseDir}/scripts/tts.py" "你好，今日天气好好" -v mimo_cantonese -o cantonese.wav
python3 "{baseDir}/scripts/tts.py" "这个火锅巴适得很" -v mimo_sichuan -o sichuan.wav

# MP3 / OGG
python3 "{baseDir}/scripts/tts.py" "测试" -f mp3 -o output.mp3
python3 "{baseDir}/scripts/tts.py" "测试" -f ogg -o output.ogg

# 🎨 VoiceDesign — 从描述生成新音色
python3 "{baseDir}/scripts/tts.py" "你好，欢迎来到我的世界" \
  -m voice-design \
  --voice-desc "一位年迈的东欧裔学者，低沉、略带嘶哑，说话节奏缓慢" \
  -o scholar.wav

python3 "{baseDir}/scripts/tts.py" "元气满满的一天开始啦！" \
  -m voice-design \
  --voice-desc "元气满满的少女，声线清脆，语尾带一点上扬" \
  -o genki.wav

# 🔁 VoiceClone — 用参考音频克隆音色
python3 "{baseDir}/scripts/tts.py" "这是克隆后的声音" \
  -m voice-clone \
  --ref-audio reference.wav \
  -o cloned.wav

---

🎧 ASR — 语音识别

API 调用

python3 "{baseDir}/scripts/asr.py" audio.wav
python3 "{baseDir}/scripts/asr.py" audio.mp3 -o transcript.txt
python3 "{baseDir}/scripts/asr.py" audio.wav --lang zh --format json

参数说明

参数	默认值	说明
audio	(必填)	音频文件路径（wav/mp3/ogg/m4a/flac）
-o	stdout	输出文件路径（默认打印到终端）
--lang	auto	语言：auto / zh / en / ja / ko
--format	text	输出格式：text / json / srt
--api-key	环境变量	API Key 覆盖
--max-retries	3	最大重试次数

输出格式

格式	说明	适用场景
text	纯文本	快速查看
json	带时间戳和置信度	程序处理
srt	SRT 字幕格式	视频字幕

本地部署（开源模型）

ASR 已开源，支持本地部署：

# 克隆仓库
git clone https://github.com/XiaomiMiMo/MiMo-V2.5-ASR.git
cd MiMo-V2.5-ASR

# 安装依赖
pip install -r requirements.txt

# 使用 HuggingFace 权重
python inference.py --audio audio.wav --output result.txt

📖 详细文档：github.com/XiaomiMiMo/MiMo-V2.5-ASR 🤗 在线体验：huggingface.co/spaces/XiaomiMiMo/MiMo-V2.5-ASR

示例

# 基础转录
python3 "{baseDir}/scripts/asr.py" recording.wav

# 保存到文件
python3 "{baseDir}/scripts/asr.py" meeting.mp3 -o meeting.txt

# 指定语言
python3 "{baseDir}/scripts/asr.py" english.mp3 --lang en

# JSON 格式（带时间戳）
python3 "{baseDir}/scripts/asr.py" audio.wav --format json

# SRT 字幕
python3 "{baseDir}/scripts/asr.py" video_audio.wav --format srt -o subtitles.srt

---

🔗 TTS + ASR 联合工作流

# 1. 先识别一段音频
python3 "{baseDir}/scripts/asr.py" input.wav -o transcript.txt

# 2. 修改文本后重新合成（用不同音色）
python3 "{baseDir}/scripts/tts.py" "$(cat transcript.txt)" -v mimo_male -o output.wav

# 3. 克隆音色后重新演绎
python3 "{baseDir}/scripts/tts.py" "$(cat transcript.txt)" \
  -m voice-clone --ref-audio original.wav -o cloned.wav

---

📋 交付

TTS 输出

MEDIA:output.wav

ASR 输出

直接回复转录文本，或保存到文件后回复路径。

---

故障排查

错误	原因	解决
401 Invalid API Key	Key 未配置或格式错误	确认已配置 TTS/ASR 专用 Key
429 Too Many Requests	触发限流	等几秒后重试（脚本自动重试）
500 Server Error	服务端异常	稍后重试
文件不存在	音频路径错误	检查文件路径

---

📋 版本历史

v2.5.4 (2026-04-24)

• ✨ 新增 VoiceDesign（音色设计）模型支持
• ✨ 新增 VoiceClone（音色克隆）模型支持
• ✨ 新增官方资源链接汇总
• ✨ ASR 新增本地部署文档（开源模型）
• 📚 文档优化：对齐官方发布说明

v2.5.2 (2026-04-24)

• ✨ TTS + ASR 一体化
• ✨ 7 种 TTS 音色 + 方言 + 情感控制
• ✨ ASR 支持 auto/zh/en/ja/ko 多语言
• ✨ ASR 输出格式：text / json / srt
• ✨ 行内音频标签精细控制
• ✨ MP3/OGG/WAV 多格式支持
• ✨ 自动重试 + 限流处理