Xiaomi MiMo-V2-TTS是小米於2026年3月19日推出的語音合成大模型，為小米同期發布的三款自研大模型之一，旨在為智慧型體提供語音生成能力。MiMo-V2-Pro已開放API服務。
該模型基於自研Audio Tokenizer及多碼本語音-文本聯合建模架構，通過大規模預訓練實現參數調節，具備單句內語氣調節能力，支持自然韻律及歌聲合成。技術層面引入多維度強化學習，可識別文本信號。此外，支持包括東北話、四川話、河南話、粵語及台灣腔在內的多種方言及角色化演繹。未來計畫拓展多語種覆蓋，並融合MiMo-V2-Omni的多模態理解能力。
基本介紹
- 軟體名稱：Xiaomi MiMo-V2-TTS
- 上線時間：2026年3月19日
- 開發商：小米
發展歷程,主要功能,技術特點,
發展歷程
該模型基於自研Audio Tokenizer及多碼本語音-文本聯合建模架構，通過大規模預訓練實現從巨觀風格到微觀特徵的調節，具備單句內語氣轉折與情感遞變、還原自然韻律、支持歌聲合成等能力。模型支持多種方言如東北話、四川話、河南話、粵語及台灣腔等，並能進行角色化演繹。該模型計畫拓展多語種覆蓋並與多模態理解能力融合。
主要功能
語音合成
技術特點
Xiaomi MiMo-V2-TTS基於自研Audio Tokenizer及多碼本語音-文本聯合建模架構，通過上億小時語音數據的大規模預訓練，實現了從巨觀風格定調到局部微觀情緒的精準調節。該模型具備在單句內完成語氣轉折與情感遞變的能力，能高度還原人類說話的自然韻律，並支持具備音高與節奏準確度的歌聲合成。此外，該模型支持細粒度控制的情感表達引擎，讓Agent具備了更接近人類的表達能力。
技術層面，小米引入了多維度強化學習以兼顧生成的穩定性與表現力。模型可智慧型識別標點、語氣詞及強調標記等文本信號，無需人工額外標註即可轉化為恰當的語音表達。
此外，該模型展現了極強的跨地域適應性，支持包括東北話、四川話、河南話、粵語及台灣腔在內的多種方言，並能進行角色化演繹。
未來，MiMo-V2-TTS將進一步拓展多語種覆蓋，並深度融合MiMo-V2-Omni的多模態理解能力，以提升智慧型座艙及智慧型家居等場景的用戶體驗。
