基本介紹
- 外文名：MiMo-V2-TTS
- 發布時間：2026年3月
- 產品類型：大模型
- 所屬企業：小米
產品簡介,發展歷史,生態套用,
產品簡介
Xiaomi MiMo-V2-TTS基於自研Audio Tokenizer和多碼本語音-文本聯合建模架構，經過大規模語音數據的預訓練與強化學習，實現了多粒度的語音風格控制。該模型基於小米的相關產品系列架構，其基礎模型採用混合注意力機制，支持1M上下文視窗，並通過MTP推理技術實現較低延遲和成本控制。MiMo-V2-TTS支持從整體風格到局部情緒的調節，能在同一句話內完成語氣轉折和情感變化；能夠模擬人類說話時的韻律特徵；在合成歌聲時，也能處理音高和節奏信息，具有一定的表現力。
該模型支持包括四川話、東北話、河南話、粵語、台灣腔在內的多種方言的語音合成，並能套用於AI代理，為其賦予有溫度、有情感的聲音表達能力。
發展歷史
此前，一個代號“Hunter Alpha”的神秘模型匿名上線，引發全球開發者關注與猜測，被普遍誤認為是即將發布的DeepSeek V4。2026年3月19日，小米大模型（Xiaomi MiMo）團隊發文，正式發布MiMo-V2-Pro&Omni&TTS三款大模型。小米MiMo大模型負責人羅福莉表示，MiMo-V2系列模型將在足夠穩定後開源。
生態套用
語音合成大模型Xiaomi MiMo-V2-TTS旨在使智慧型體能夠生成具備多種聲音特徵的語音與人對話，其支持多方言、多角色、多語氣生成，並能識別文本中的停頓、語氣詞及強調標記等格式信號。
在訓練過程中，MiMo-V2-TTS首先通過超大規模語音-文本混合預訓練，在海量數據中習得了跨模態對齊與理解生成的統一能力；在此基礎上，通過少量高質量監督數據的微調，模型獲得了可泛化的多粒度與多風格指令控制能力。
可泛化的語音風格指令控制：該模型支持從整體到局部的多層次語音風格控制。用戶可通過自然語言指令設定整體語音基調，同時對句內局部片段進行細粒度的調節，實現同一語句中語氣與情感的自然過渡。
文本理解：該模型在預訓練階段通過大量文本-語音對齊數據，習得了書面語與口語表達之間的映射關係，能夠識別文本中的停頓、語氣詞、強調標記等格式信號，並將其轉化為相應的語音表達。
方言、角色、歌聲：該模型支持多種方言的發音，可進行角色扮演式的風格化演繹，並能實現歌聲合成。其方言支持包括東北話、四川話、河南話、粵語、台灣腔等。
MiMo-V2-TTS已集成到小米的“人車家全生態”場景中，支持跨設備的自然語言互動。
