智东西4月24日报道，今天，小米MiMo-V2.5家族语音模型系列正式发布：MiMo-V2.5-TTS Series、MiMo-V2.5-ASR，前者可免费体验，后者发布即开源。其中TTS Series包括语音、语音设计、语音克隆模型三款。

就在昨天，小米MiMo官宣MiMo-V2.5中旗舰推理模型MiMo-V2.5、全模态Agent模型V2.5-Pro开启公测、即将开源，再加上今天的4款语音模型，该系列共计6款模型。
MiMo-V2.5-TTS Series包含三款模型：语音模型MiMo-V2.5-TTS、语音设计模型MiMo-V2.5-TTS-VoiceDesign、语音克隆模型MiMo-V2.5-TTS-VoiceClone，MiMo-V2.5-ASR是这些语音模型的听觉基座，发布即开源。
MiMo-V2.5-TTS的模型集成多款音色、支持一句话复刻音色、定制全新音色等。MiMo-V2.5-ASR则支持中英双语、中文方言、强噪音、多说话人等复杂场景的语音识别。
小米此次发布的几大模型，均为智能体场景打造，其在官方文章里透露了几大模型可以搭配使用的智能体式创作链路：用MiMo-V2.5-Pro作为规划与编剧，拆任务、写剧本、排节奏、决定剪辑顺序；用MiMo-V2.5-TTS Series提供音色与素材，VoiceDesign生成音色、VoiceClone合成内容；MiMo-V2.5扮演裁判，听反馈的音频中角色一不一致、节奏对不对、有没有跟用户初衷偏离。
其放出了一条经这一套链路生成的音频：
https://oss.zhidx.com/a822c879ad9f1d0badd8feed435c50af/69ece500/uploads/2026/04/69eb083e59674_69eb083e538e7_69eb083e538a1_Agent%E8%87%AA%E5%B7%B1%E5%81%9A%E9%9F%B3%E9%A2%91.mp3
不过音频中，有出现主人公边说边自己旁白的情况，且爷爷的声音特点并没有在整个说话环节都保持一致，中间会突然背离需求的“嗓门哑、拖长音”，语气突然变快等。
小米MiMo大模型负责人是原DeepSeek核心成员、被业内称为“天才少女”的罗福莉，今天凌晨，她在社交平台转发了大语言模型智能体端到端透明基准测试框架Claw-Eval、香港应用科技大学博士生Lei Li的帖子，其帖子提到，MiMo V2.5 Pro目前在Claw-Eval排名第3，MiMo V2.5排5，接下来是DeepSeek V4吗？

雷军昨日转发了小米-V2.5系列发布微博，并配文“继续进步！”

语音模型均可以在MiMo-Studio免费体验，面向开发者，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone均在Xiaomi MiMo API开放平台限时免费提供。
在开源方面，MiMo-V2.5-ASR目前已开源模型权重和代码，MiMo-V2.5-TTS相关模型的接入Skill全面开源。
MiMo-Studio 快速体验地址：https://aistudio.xiaomimimo.com/#/c
MiMo-V2.5-ASR开源地址：https://github.com/XiaomiMiMo/MiMo-V2.5-ASR
MiMo-V2.5-TTS模型的接入Skill开源地址：https://github.com/XiaomiMiMo/MiMo-Skills
一、三款语音模型+一款听觉模型，小米为通用语音智能放大招

MiMo-V2.5-TTS Series包含三款模型，MiMo-V2.5-TTS、MiMo-V2.5-TTS-VoiceDesign、MiMo-V2.5-TTS-VoiceClone。
三款模型的相同之处在于，其拥有统一的风格指令遵循、音频标签控制与文本理解能力。
不同之处在于针对的创作需求：
MiMo-V2.5-TTS内置多款音色，支持语速、情绪、语气等精细化控制，开箱即用，能满足多场景表达；MiMo-V2.5-TTS-VoiceDesign支持一句话快速定义并生成全新音色；MiMo-V2.5-TTS-VoiceClone能通过少量样本高保真复刻目标音色，同时保持稳定的风格指令遵循与音频标签控制能力。
MiMo-V2.5-ASR发布即开源。根据小米官方信息，该模型在中英双语、中文方言、Code-Switch、强噪音、多说话人等复杂真实场景下的语音识别性能达到业界领先水平。

小米官方总结了这一模型的八大特点：
中文方言：支持吴语、粤语、闽南语、四川话等方言；
英文复杂场景：在AMI等复杂英文场景Open ASR Leaderboard上达到领先水平；
Code-Switch：中英Code-Switch语音转录自由流畅，无需预设语种标签；
歌曲识别：中英文歌曲歌词识别，在伴奏与人声混合场景下保持高精度；
强噪音场景：在高噪音、远场拾音等复杂声学环境中保持鲁棒识别；
多说话人：支持多人交叉对话场景的准确转录，如会议场景；
强知识关联：古诗词、专业术语、人名、地名等知识密集型内容的精准识别；
原生标点：结合语音韵律与语义原生输出标点，转写结果即拿即用，无需后处理。
其提到，对于智能体应用、内容创作工具、会议系统、语音交互产品而言，MiMo-V2.5-ASR已经在复杂真实世界语音中经过验证。
二、导演剧本、音频标签都能看懂，没需求只看音频文本也能传达情绪

智东西实际体验了MiMo-V2.5-TTS系列几款模型的效果。
首先是MiMo-V2.5-TTS，根据官方信息，该模型从情绪、语气、语速、发声方式到语言风格等多个维度，都能理解并遵循，其还可以支持导演剧本级的结构化输入：把人物、场景、详细指导分层描述，各层按自己的节奏独立更新、自由组合。
智东西选择了知性女声，上传的指令是“声音轻柔舒缓，语速很慢，带着安抚人心的温度，说话时像在给客人递一杯热咖啡，语气温柔又有耐心，像开了几十年书店的老板娘。”
https://oss.zhidx.com/7a1638b15803b15f63c9aff8246ff364/69ece500/uploads/2026/04/69eaca3a40aab_69eaca3a383b4_69eaca3a3836e_%E8%80%81%E6%9D%BF%E5%A8%98.wav
生成的音频中，老板娘说话整体语速偏慢、换气舒缓，没有急促感，字句之间留白自然，整体符合语言生成的需求。
其次，除了自然语言指令，该模型还支持行内音频标签，用于在文本特定位置精准控制情绪、状态或风格。标签支持中英双语和开放文本描述，允许在同一段文本中灵活混用。
智东西上传了一段茶馆说书人的音频标签文本，提示词为
（洪亮，开场）话说那江湖之上，有位少年侠客，仗剑走天涯。
（压低声音，神秘）可谁也不知道，他腰间那把剑，藏着一段血海深仇。
（拔高声调，激昂）今日，他终于要回来了！
https://oss.zhidx.com/8eb0dc1fc8fdc92ea75202c3912806b3/69ece500/uploads/2026/04/69eac916bcd9c_69eac916b13ce_69eac916b138a_%E8%AF%B4%E4%B9%A6.wav
整体来看，音频中的三句话都符合前面的音频标签特征，但每一句之间的衔接仍有优化的空间，会出现声音突然从高变低，又突然拔高的情况。
最后是文本理解能力，即使用户没有上传具体需求，模型也能根据文本判断其中的韵律与情感，在音频中表现出标点的停顿、句式的起伏等。
官方提示词为“Ten… nine… eight… seven… six… five… four… three… TWO… ONE… ZERO! LAUNCH! LAUNCH! WE HAVE LIFTOFF! GO GO GO! SHE’S CLIMBING! ALTITUDE 1,000… 5,000… 10,000 FEET AND CLIMBING! BEAUTIFUL! AB-SO-LUTE-LY BEAUTIFUL!”
https://oss.zhidx.com/7b2f8e042f73512d65b9227f8935fa8e/69ece500/uploads/2026/04/69eb087415165_69eb087411e7a_69eb087411e40_%E5%80%92%E6%95%B0.mp3
如上面这段提示词，模型感知到文本的节奏逐渐加快，从倒计时阶段的专业、冷静到最后情绪爬升与赞叹时，还原出了人物的情绪变化。
三、无需参考音频生成全新音色，还支持一句话复刻

另外两个是音色设计和克隆模型。
音色设计模型MiMo-V2.5-TTS-VoiceDesign无需任何参考音频，支持用户通过自然语言描述从零生成一款全新音色。其可以自由使用年龄、性别、口音、音质、发声方式、性格气质等维度进行描述，模型即可合成对应的角色音色