mimo-v2-5-tts

Name: mimo-v2-5-tts
Author: XiaomiMiMo

84stars10forks

How to install mimo-v2-5-tts?

xiaomimimo/mimo-skills/mimo-v2-5-tts

$npx -y skills add XiaomiMiMo/MiMo-Skills --skill mimo-v2-5-tts

Installs into the current project.

Summary

MiMo V2.5 TTS 语音合成。使用小米 MiMo V2.5 TTS 系列模型生成语音。当需要将文字转为语音、发送语音消息、朗读内容、或用户要求「说出来」「语音回复」时激活此 skill。支持预置音色、音色设计、音色克隆三种模式，支持自然语言控制、导演模式，支持语气、情绪、方言的风格标签控制，预置音色支持唱歌。

Files · 1

View on GitHub

SKILL.md

1	# MiMo V2.5 TTS
2
3	使用小米 MiMo V2.5 TTS 系列模型生成语音。支持中英文、预置音色、音色设计、音色克隆、情绪风格、方言、唱歌。
4
5	脚本目录：`$SKILLS_PATH/mimo-v2-5-tts/scripts/`
6
7	> `$SKILLS_PATH` 说明： skills 目录路径，因部署环境而异。
8
9	## 模型选择
10
11	V2.5 系列提供三种模型，根据使用场景选择：
12
13	\| 模型 ID \| 用途 \| 音色来源 \| 特殊能力 \|
14	\| --------------------------- \| ---------------- \| ------------ \| -------- \|
15	\| `mimo-v2.5-tts` \| 预置音色语音合成 \| 内置精品音色 \| 支持唱歌 \|
16	\| `mimo-v2.5-tts-voicedesign` \| 文本描述定制音色 \| 文本描述生成 \| — \|
17	\| `mimo-v2.5-tts-voiceclone` \| 音频样本复刻音色 \| 音频样本 \| — \|
18
19	选择建议：
20
21	- 需要快速生成语音、需要唱歌功能 → `mimo-v2.5-tts`（预置音色）
22	- 需要独特音色 → `mimo-v2.5-tts-voicedesign`（文本描述生成）
23	- 需要模仿特定声音 → `mimo-v2.5-tts-voiceclone`（音频样本复刻）
24
25	> 注意： TTS 有随机性，同样输入的效果可能不同，用户有需要时可以多生成几次以供挑选。
26
27	## 环境依赖
28
29	\| 环境变量 \| 说明 \| 必需 \|
30	\| -------------- \| ---------------------------------- \| ---- \|
31	\| `MIMO_API_KEY` \| MiMo API 密钥（MiMo 开放平台获取） \| 是 \|
32
33	\| 依赖 \| 说明 \| 必需 \|
34	\| --------- \| ------------------------ \| -------------------- \|
35	\| `python3` \| 运行脚本 \| 是 \|
36	\| `openai` \| `pip install openai` \| 是 \|
37	\| `ffmpeg` \| 转换格式、长文本分段拼接 \| 仅转换、拼接场景使用 \|
38	\| `curl` \| 调用飞书 API \| 仅飞书发送使用 \|
39
40	## 预置音色
41
42	使用 `mimo-v2.5-tts` 模型时必须明确指定音色，你可以提醒用户有哪些音色可选，或根据内容语言和风格选择合适音色。
43
44	\| 音色名 \| Voice ID \| 语言 \| 性别 \| 风格 \|
45	\| ------ \| -------- \| ------- \| ------ \| ------------- \|
46	\| 冰糖 \| `冰糖` \| 中文 \| 女性 \| 活泼少女 \|
47	\| 茉莉 \| `茉莉` \| 中文 \| 女性 \| 知性女声 \|
48	\| 苏打 \| `苏打` \| 中文 \| 男性 \| 阳光少年 \|
49	\| 白桦 \| `白桦` \| 中文 \| 男性 \| 成熟男声 \|
50	\| Mia \| `Mia` \| English \| Female \| Lively girl \|
51	\| Chloe \| `Chloe` \| English \| Female \| Sweet Dreamy \|
52	\| Milo \| `Milo` \| English \| Male \| Sunny boy \|
53	\| Dean \| `Dean` \| English \| Male \| Steady Gentle \|
54
55	## 自然语言控制
56
57	所有模型都支持自然语言控制。
58
59	通过自然语言描述让模型理解并生成对应风格的语音。所有模型均可通过 `--context` 参数传入自然语言控制指令：`mimo-v2.5-tts` 和 `mimo-v2.5-tts-voiceclone` 可用于调整指定音色下的语气情绪等风格；`mimo-v2.5-tts-voicedesign` 则通过这个选项同时控制音色和风格。
60
61	能力特点：
62
63	- 多风格切换：同一段语音内完成播报 → 低语 → 嘶吼的风格转场
64	- 多情绪混合：支持"压抑的愤怒"、"带着哽咽的笑意"等复合情绪
65	- 多粒度控制：段落级 → 句子级 → 词级 → 字粒度都可指定
66
67	示例：
68
69	```
70	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。
71
72	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。
73	```
74
75	### 导演模式
76
77	自然语言控制的一种特殊用法是「导演模式」，即从角色、场景、指导三个维度全方位刻画人物与声线：
78
79	- 【角色】人物身份、性格底色、外形气质与说话习惯
80	- 【场景】此刻发生了什么、和谁说话、情绪位置
81	- 【指导】语速、气息、停顿、重音、共鸣位置、音色质感、情绪起伏
82
83	导演模式示例：
84
85	```
86	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。
87
88	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。
89
90	指导：
91	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。
92
93	- 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。
94	- 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（如“真心”），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。
95	- 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（如“冲撞”“廉价”），显得既清雅又锋利，刀刀见血。
96	```
97
98	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。
99
100	## 音频标签控制
101
102	`mimo-v2.5-tts` 和 `mimo-v2.5-tts-voiceclone` 支持音频标签控制。`mimo-v2.5-tts-voicedesign` 暂不支持，如需控制风格请通过 `--context` 写更详细的描述。
103
104	在文本任意位置用括号描述语气、情绪或能发出声音的动作，实现句内切换。括号内必须是声音相关内容（如语气、情绪、叹气、打哈欠、咳嗽），不能是身体动作（如转身、坐下、挥手）。
105
106	中文支持全角 `（）`、半角 `()`、方括号 `[]` 三种括号，英文支持半角 `()`、方括号 `[]` 两种括号。
107
108	```
109	（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？
110	（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。
111	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。
112	（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。
113	（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？！
114
115	Achoo! Ahem. I—I really (cough) think I am coming down with a terrible (cough) terrible cold.
116	(heavy breathing) Just... give me... a second. I ran... all the way... from the station.
117	I just feel... long sigh... like I'm constantly treading water, you know?
118	It's just so stupid! (sobbing) We spent all that money on the cake and the dog just... (sudden laugh) he just ate the whole thing in one bite!
119	```
120
121	括号可以放在文本任意位置（开头、中间、结尾都行），可描述：语气、情绪、呼吸、笑声、哭声、喘息、咳嗽、打哈欠、叹气等能发出声音的内容。注意不能写身体动作（如转身、坐下、挥手）。
122
123	### 整体风格标签
124
125	整体风格标签是音频标签控制的一种情况，在目标文本开头添加 `(风格)` 标签，指定整段语音的发音风格。
126
127	格式示例：`(风格1 风格2)待合成内容`
128
129	唱歌：必须在最开头添加 `(唱歌)` 标签，格式为：`(唱歌)歌词`。标签内标识支持：`唱歌`、`sing`、`singing`。
130
131	\| 类别 \| 常用风格 \|
132	\| --- \| --- \|
133	\| 基础情绪 \| `开心` `悲伤` `愤怒` `恐惧` `惊讶` `兴奋` `委屈` `平静` `冷漠` \|
134	\| 复合情绪 \| `怅然` `欣慰` `无奈` `愧疚` `释然` `嫉妒` `厌倦` `忐忑` `动情` \|
135	\| 整体语调 \| `温柔` `高冷` `活泼` `严肃` `慵懒` `俏皮` `深沉` `干练` `凌厉` \|
136	\| 音色定位 \| `磁性` `醇厚` `清亮` `空灵` `稚嫩` `苍老` `甜美` `沙哑` `醇雅` \|
137	\| 人设腔调 \| `夹子音` `御姐音` `正太音` `大叔音` `台湾腔` \|
138	\| 方言 \| `东北话` `四川话` `河南话` `粤语` \|
139	\| 角色扮演 \| `孙悟空` `林黛玉` \|
140	\| 唱歌 \| `唱歌` \|
141
142	经典组合： `(怅然) 这么多年过去了...`、`(慵懒) 再让我睡五分钟...`、`(磁性) 夜已经深了...`、`(东北话) 哎呀妈呀...`、`(粤语) 呢个真係好正啊...`
143
144	## 音色描述编写
145
146	当使用 `mimo-v2.5-tts-voicedesign` 进行文本描述定制音色时，需要编写一段简短的音色描述，指导模型生成符合预期特质的声音，和自然语言控制共用 `--context` 参数输入。音色描述的写作要求如下：

People who liked this also viewed

6 picks

Type

mimo-v2-5-tts

84stars10forks

View on GitHub

How to install mimo-v2-5-tts?

xiaomimimo/mimo-skills/mimo-v2-5-tts

$npx -y skills add XiaomiMiMo/MiMo-Skills --skill mimo-v2-5-tts

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	# MiMo V2.5 TTS
2
3	使用小米 MiMo V2.5 TTS 系列模型生成语音。支持中英文、预置音色、音色设计、音色克隆、情绪风格、方言、唱歌。
4
5	脚本目录：`$SKILLS_PATH/mimo-v2-5-tts/scripts/`
6
7	> `$SKILLS_PATH` 说明： skills 目录路径，因部署环境而异。
8
9	## 模型选择
10
11	V2.5 系列提供三种模型，根据使用场景选择：
12
13	\| 模型 ID \| 用途 \| 音色来源 \| 特殊能力 \|
14	\| --------------------------- \| ---------------- \| ------------ \| -------- \|
15	\| `mimo-v2.5-tts` \| 预置音色语音合成 \| 内置精品音色 \| 支持唱歌 \|
16	\| `mimo-v2.5-tts-voicedesign` \| 文本描述定制音色 \| 文本描述生成 \| — \|
17	\| `mimo-v2.5-tts-voiceclone` \| 音频样本复刻音色 \| 音频样本 \| — \|
18
19	选择建议：
20
21	- 需要快速生成语音、需要唱歌功能 → `mimo-v2.5-tts`（预置音色）
22	- 需要独特音色 → `mimo-v2.5-tts-voicedesign`（文本描述生成）
23	- 需要模仿特定声音 → `mimo-v2.5-tts-voiceclone`（音频样本复刻）
24
25	> 注意： TTS 有随机性，同样输入的效果可能不同，用户有需要时可以多生成几次以供挑选。
26
27	## 环境依赖
28
29	\| 环境变量 \| 说明 \| 必需 \|
30	\| -------------- \| ---------------------------------- \| ---- \|
31	\| `MIMO_API_KEY` \| MiMo API 密钥（MiMo 开放平台获取） \| 是 \|
32
33	\| 依赖 \| 说明 \| 必需 \|
34	\| --------- \| ------------------------ \| -------------------- \|
35	\| `python3` \| 运行脚本 \| 是 \|
36	\| `openai` \| `pip install openai` \| 是 \|
37	\| `ffmpeg` \| 转换格式、长文本分段拼接 \| 仅转换、拼接场景使用 \|
38	\| `curl` \| 调用飞书 API \| 仅飞书发送使用 \|
39
40	## 预置音色
41
42	使用 `mimo-v2.5-tts` 模型时必须明确指定音色，你可以提醒用户有哪些音色可选，或根据内容语言和风格选择合适音色。
43
44	\| 音色名 \| Voice ID \| 语言 \| 性别 \| 风格 \|
45	\| ------ \| -------- \| ------- \| ------ \| ------------- \|
46	\| 冰糖 \| `冰糖` \| 中文 \| 女性 \| 活泼少女 \|
47	\| 茉莉 \| `茉莉` \| 中文 \| 女性 \| 知性女声 \|
48	\| 苏打 \| `苏打` \| 中文 \| 男性 \| 阳光少年 \|
49	\| 白桦 \| `白桦` \| 中文 \| 男性 \| 成熟男声 \|
50	\| Mia \| `Mia` \| English \| Female \| Lively girl \|
51	\| Chloe \| `Chloe` \| English \| Female \| Sweet Dreamy \|
52	\| Milo \| `Milo` \| English \| Male \| Sunny boy \|
53	\| Dean \| `Dean` \| English \| Male \| Steady Gentle \|
54
55	## 自然语言控制
56
57	所有模型都支持自然语言控制。
58
59	通过自然语言描述让模型理解并生成对应风格的语音。所有模型均可通过 `--context` 参数传入自然语言控制指令：`mimo-v2.5-tts` 和 `mimo-v2.5-tts-voiceclone` 可用于调整指定音色下的语气情绪等风格；`mimo-v2.5-tts-voicedesign` 则通过这个选项同时控制音色和风格。
60
61	能力特点：
62
63	- 多风格切换：同一段语音内完成播报 → 低语 → 嘶吼的风格转场
64	- 多情绪混合：支持"压抑的愤怒"、"带着哽咽的笑意"等复合情绪
65	- 多粒度控制：段落级 → 句子级 → 词级 → 字粒度都可指定
66
67	示例：
68
69	```
70	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。
71
72	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。
73	```
74
75	### 导演模式
76
77	自然语言控制的一种特殊用法是「导演模式」，即从角色、场景、指导三个维度全方位刻画人物与声线：
78
79	- 【角色】人物身份、性格底色、外形气质与说话习惯
80	- 【场景】此刻发生了什么、和谁说话、情绪位置
81	- 【指导】语速、气息、停顿、重音、共鸣位置、音色质感、情绪起伏
82
83	导演模式示例：
84
85	```
86	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。
87
88	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。
89
90	指导：
91	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。
92
93	- 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。
94	- 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（如“真心”），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。
95	- 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（如“冲撞”“廉价”），显得既清雅又锋利，刀刀见血。
96	```
97
98	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。
99
100	## 音频标签控制
101
102	`mimo-v2.5-tts` 和 `mimo-v2.5-tts-voiceclone` 支持音频标签控制。`mimo-v2.5-tts-voicedesign` 暂不支持，如需控制风格请通过 `--context` 写更详细的描述。
103
104	在文本任意位置用括号描述语气、情绪或能发出声音的动作，实现句内切换。括号内必须是声音相关内容（如语气、情绪、叹气、打哈欠、咳嗽），不能是身体动作（如转身、坐下、挥手）。
105
106	中文支持全角 `（）`、半角 `()`、方括号 `[]` 三种括号，英文支持半角 `()`、方括号 `[]` 两种括号。
107
108	```
109	（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？
110	（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。
111	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。
112	（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。
113	（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？！
114
115	Achoo! Ahem. I—I really (cough) think I am coming down with a terrible (cough) terrible cold.
116	(heavy breathing) Just... give me... a second. I ran... all the way... from the station.
117	I just feel... long sigh... like I'm constantly treading water, you know?
118	It's just so stupid! (sobbing) We spent all that money on the cake and the dog just... (sudden laugh) he just ate the whole thing in one bite!
119	```
120
121	括号可以放在文本任意位置（开头、中间、结尾都行），可描述：语气、情绪、呼吸、笑声、哭声、喘息、咳嗽、打哈欠、叹气等能发出声音的内容。注意不能写身体动作（如转身、坐下、挥手）。
122
123	### 整体风格标签
124
125	整体风格标签是音频标签控制的一种情况，在目标文本开头添加 `(风格)` 标签，指定整段语音的发音风格。
126
127	格式示例：`(风格1 风格2)待合成内容`
128
129	唱歌：必须在最开头添加 `(唱歌)` 标签，格式为：`(唱歌)歌词`。标签内标识支持：`唱歌`、`sing`、`singing`。
130
131	\| 类别 \| 常用风格 \|
132	\| --- \| --- \|
133	\| 基础情绪 \| `开心` `悲伤` `愤怒` `恐惧` `惊讶` `兴奋` `委屈` `平静` `冷漠` \|
134	\| 复合情绪 \| `怅然` `欣慰` `无奈` `愧疚` `释然` `嫉妒` `厌倦` `忐忑` `动情` \|
135	\| 整体语调 \| `温柔` `高冷` `活泼` `严肃` `慵懒` `俏皮` `深沉` `干练` `凌厉` \|
136	\| 音色定位 \| `磁性` `醇厚` `清亮` `空灵` `稚嫩` `苍老` `甜美` `沙哑` `醇雅` \|
137	\| 人设腔调 \| `夹子音` `御姐音` `正太音` `大叔音` `台湾腔` \|
138	\| 方言 \| `东北话` `四川话` `河南话` `粤语` \|
139	\| 角色扮演 \| `孙悟空` `林黛玉` \|
140	\| 唱歌 \| `唱歌` \|
141
142	经典组合： `(怅然) 这么多年过去了...`、`(慵懒) 再让我睡五分钟...`、`(磁性) 夜已经深了...`、`(东北话) 哎呀妈呀...`、`(粤语) 呢个真係好正啊...`
143
144	## 音色描述编写
145
146	当使用 `mimo-v2.5-tts-voicedesign` 进行文本描述定制音色时，需要编写一段简短的音色描述，指导模型生成符合预期特质的声音，和自然语言控制共用 `--context` 参数输入。音色描述的写作要求如下：

People who liked this also viewed

6 picks

Type