mimotts25-plus（米莫茨 25 加）

MiMo TTS 2.5 Plus — 语音合成

小米大模型 MiMo TTS 2.5 Plus，基于原版 mimotts25 深度优化增强。 完全兼容官方 XiaomiMiMo/MiMo-Skills CLI 接口。

⭐ 核心原则（决定声音情感质量）： TTS 合成时，情感/语气/氛围的指令放在 user 消息中，要念的文字放在 assistant 消息中。user 消息的指令越具体、越有画面感，生成的声音越自然生动。这是获得高质量情感表现的关键。

🎯 用户自然语言控制指南

当用户说"帮我说句话/念段文字"时，自动处理：

从用户的话中提取：

1. 要念的文字 → --text
2. 情感/风格描述 → --context（越具体越好！）
3. 音色 → 中文默认 冰糖，英文默认 Chloe

模型选择规则：

• 用户描述音色形象（"像20岁少女"）→ voicedesign
• 用户给音频文件要模仿 → voiceclone
• 用户只说要念什么或有情感要求 → 预置音色 (mimo_tts.py)
• 复杂情感/角色扮演 → 用导演模式放 --context 里

关键规则：

1. 用户没提情感时，根据文字内容自动推断补全
2. 合成文本必须贴合音色描述（治愈系配晚安，元气系配早安）
3. 生成后用 MEDIA 或 message 交付

模型选择

V2.5 系列提供三种模型，根据使用场景选择：

选择建议：

• 需要快速生成语音、需要唱歌功能 → mimo-v2.5-tts（预置音色）
• 需要独特音色 → mimo-v2.5-tts-voicedesign（文本描述生成）
• 需要模仿特定声音 → mimo-v2.5-tts-voiceclone（音频样本复刻）

环境变量

脚本使用

官方兼容脚本 + 增强统一入口，共四个脚本：

官方兼容模式

# 预置音色
python3 scripts/mimo_tts.py --text "你好" --voice "冰糖"

# 自然语言风格控制
python3 scripts/mimo_tts.py --text "没关系" --voice "冰糖" --context "温柔，语速稍慢"

# 声音设计
python3 scripts/mimo_tts_voicedesign.py --context "青年女性，活泼元气" --text "你好呀！"

# 声音克隆
python3 scripts/mimo_tts_voiceclone.py --voice-file sample.mp3 --text "你好"

增强统一入口

# 基础合成
python3 scripts/tts.py "你好" -o hello.mp3

# 指定音色和风格
python3 scripts/tts.py "今天天气真不错" -v 茉莉 -s "开心 变慢"

# 声音设计快捷模式
python3 scripts/tts.py "你好呀" --design "22岁女性，活泼少女，声音明亮甜美"

# 声音克隆快捷模式
python3 scripts/tts.py "模仿他的声音说话" --clone sample.mp3

# 导演模式
python3 scripts/tts.py "你终于来了" --user-msg "角色：22岁活泼少女..."

核心原则：两条消息的分工

TTS 的 API 调用中有两条消息，分工完全不同：

⚠️ 两条消息的内容不会叠加！ user 消息中的文字不会出现在语音中，它只是告诉模型"用这种语气".

好的 user 指令示例：

用轻快上扬的语调向领导报喜，语速稍快，带着查到成绩后压抑不住的激动与小骄傲，声音明亮有活力。

差的 user 指令（太模糊，效果差）：

请用开心的语气念。

音频标签控制（放在 assistant 消息中）

在文本任意位置用括号描述语气/情绪/声音，实现句内切换。

中文支持全角 （）、半角 ()、方括号 []。 英文支持半角 ()、方括号 []。

整体风格标签

在文本开头加 (风格1 风格2) 指定整段发音风格：

经典组合：

(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。

精细音频标签（行内嵌入）

支持在文本任意位置插入标签，实现词级/字级的精细控制：

样例：

（紧张，深呼吸）呼……冷静，冷静。不就是一个面试吗……（语速加快，碎碎念）自我介绍已经背了五十遍了，应该没问题的。加油，你可以的……（小声）哎呀，领带歪没歪？

（极其疲惫，有气无力）师傅……到地方了叫我一声……（长叹一口气）我先眯一会儿，这班加得我魂儿都要散了。

如果我当时……（沉默片刻）哪怕再坚持一秒钟，结果是不是就不一样了？（苦笑）呵，没如果了。

（寒冷导致的急促呼吸）呼——呼——这、这大兴安岭的雪……（咳嗽）简直能把人骨头冻透了……别、别停下，走，快走。

（提高音量喊话）大姐！这鱼新鲜着呢！早上刚捞上来的！哎！那个谁，别乱翻，压坏了你赔啊？！

自然语言控制（放在 user 消息中）

通过自然语言描述，让模型理解并生成对应风格的语音。这是获得高质量情感表现的最重要手段。

能力特点：

• 多风格切换：同一段语音内完成播报 → 低语 → 嘶吼的风格转场，过渡自然不突兀
• 多情绪混合：支持"压抑的愤怒"、"带着哽咽的笑意"、"温柔但疲惫"、"狂躁中的温柔"等复合情绪，而非只能选单一情绪
• 多粒度控制：段落级（整体基调）→ 句子级（节奏）→ 词级（重音）→ 字粒度（某一个字的哽咽、拖音、气音），都可在指令中指定

自然语言控制示例

用轻快上扬的语调向领导报喜，语速稍快，带着查到成绩后压抑不住的激动与小骄傲，声音明亮有活力。

看着刚解决的难题成果忍不住得意忘形地惊呼，声音高亢明亮，语速偏快，语气中带着满满的自信与难以置信。

用明亮活泼的青少年嗓音，带着恶作剧得逞后的得意与戏谑，语速偏快且咬字轻巧，在强调赌注时语气微微上扬。

Bright, bouncy, slightly sing-song tone — like you're bursting with good news you can barely hold in. Fast pace, rising pitch at the end.

🎬 导演模式（高级情感控制）

自然语言控制的最高级形式。从角色、场景、指导三个维度全方位刻画，模型会像演员一样根据"剧本指示"生成富有层次感的语音表演。

三要素

【角色】人物身份、性格底色、外形气质与说话习惯。越具体越好。

【场景】此刻发生了什么、和谁说话、情绪位置。时间、地点、事件、对方反应都可写。

【指导】像导演给演员下达演绎要领：语速、气息、停顿、重音、共鸣位置、音色质感、情绪起伏。可以写得极细腻。

完整示例

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，被塑造成一尊完美无瑕、绝情断欲的家族图腾。常年深居简出，对人有着极强的阶级疏离感。

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。她要用最冷硬的阶级壁垒，绞杀对方，也绞杀自己刚刚萌芽、却足以燎原的感情。

指导：
冰冷、慵懒却极具威压的低音御姐。发声通道非常松弛，没有任何剑拔弩张，却有着让人骨里生寒的压迫感。
- 语速与顿挫：极慢，每个字都像是在舌尖滚过才吐出来，带着上位者漫不经心的傲慢。句与句之间留下极长的、令人不安的空白。
- 气声与实声：大部分时间，她的声音没有明显的声调起伏，实音重且硬，像是一条平缓却冰冷的暗河。但一定要在某些尾音处，加入极其轻微的气音收束，透出一丝连她自己都没察觉到的疲惫与渴望。
- 咬字肌理：文白杂糅的用词带着旧时代的痕迹，唇齿音发得极轻但极清晰，显得既清雅又锋利。

导演模式适合对语音表演要求较高的场景，例如角色配音、影视级内容生成等。

音色描述编写（Voicedesign 专用）

使用 mimo-v2.5-tts-voicedesign 模型时，user 消息中的文本就是音色设计描述。描述越具体、越生动，生成的音色越贴近预期。

关键维度

可选项（增加丰富度）

• 角色/人设： narrator, podcast host, 评书先生, 深夜电台DJ
• 说话风格： casual and colloquial, 一本正经地, 压低嗓音像在密谋
• 场景描写： narrating a nature documentary, 在给投资人路演
• 年代参照： 1940s film noir, 八十年代译制片配音

写法建议

简洁描述型 — 用关键词或一句话快速勾勒声音轮廓：

Heavy Russian accent, gruff middle-aged male, blunt and matter-of-fact.

专业描述型 — 通过场景、人设或多维度细节立体刻画声音：

Young female, extreme close-up with a binaural, ear-to-ear ASMR feel. Audible breathing, subtle swallowing, and soft natural lip sounds. She speaks very slowly, creating a deeply relaxing and immersive experience.

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。

注意事项

• 长度：1-4 句即可，不需要写长文
• 避免冲突：不要同时要求矛盾的特征（如"稚嫩的童声 + CEO气场"）
• 避免音质效果词：不要写混响、回声、EQ、压缩等后期处理相关描述
• 避免模糊词：不要用"普通的""正常的""外国的"等缺乏具体指向的描述
• 中英文均可：模型同时支持中英文音色描述
• 合成文本要贴合音色： assistant 消息中的合成文本应与音色描述相匹配，才能获得最佳效果。例如为"温柔治愈系女声"搭配一段晚安独白，而非一段激烈的体育解说。

音色描述编写

使用声音设计（voicedesign）时，音色描述的写作要求：

必写项：

1. 身份锚点：年龄段 + 性别
2. 声音质感：气息走向、共鸣位置、吐字与音色底色
3. 语速节奏：稳/快/慢/忽快忽慢
4. 情绪底色：嗓子默认状态

可选项：

1. 风格/身份标签：拍卖师风格 / 美食评论家风格 / 播音员风格
2. 辨识度小癖好：字尾带颤音、笑起来是胸腔闷笑

音色描述样例：

中年男性，节奏极快，情绪高亢，拍卖师风格。吐字连珠，带抑扬顿挫与紧迫感。

青年女性，电竞解说风格，语速极快且连贯，带明显气口和爆发性强调。

预置音色

可用模型

增强功能对比

交付

生成音频后：

MEDIA:output.mp3

首次配置

1. 获取 API Key：前往 小米 MiMo 开放平台
2. 设置环境变量：export MIMO_API_KEY=your-key-here
3. 或通过 OpenClaw 配置：openclaw config set skills.entries.mimotts25.apiKey "your-key"
4. 重启会话

📋 版本历史

Plus 1.1.0 (2026-04-26)

• ✨ 完全兼容官方 MiMo-Skills — 新增三个独立脚本

- mimo_tts.py：预置音色（--text --voice --context） - mimo_tts_voicedesign.py：声音设计（--text --context） - mimo_tts_voiceclone.py：声音克隆（--text --voice-file --context）

• ✨ 融合官方 SKILL.md — 导演模式、音色描述编写、自然语言控制示例
• ✨ 三个脚本均支持 openai 库（首选）和 urllib（备选）两种调用方式
• ✨ 支持 MIMO_API_BASE 环境变量切换 API 端点
• ✨ 保留 tts.py 统一入口的所有增强功能

Plus 1.0.4 (2026-04-25)

• 🐛 修复 <style> 标签被 API 当成文字读出来的 bug

Plus 1.0.0 (2026-04-24)

• ✨ 升级默认模型为 mimo-v2.5-tts
• ✨ 新增声音设计、声音克隆、导演模式
• ✨ 默认音色冰糖，默认格式 mp3