ITCOW牛新网 4月24日消息，小米今日正式推出 MiMo-V2.5 全链路语音模型系列，包含 MiMo-V2.5-TTS Series（语音合成）与 MiMo-V2.5-ASR（语音识别）。该系列主打“用自然语言调度声音”，旨在为 Agent（智能体）提供从输入到输出的完整语音交互能力。在商业化策略上，小米采取了激进的开源与免费策略：TTS 系列在 MiMo 开放平台限时免费，ASR 模型则直接开源了权重与代码。
语音合成（TTS）：像导演一样控制声音
MiMo-V2.5-TTS 系列包含三款模型，均支持通过自然语言指令（如“语速加快、带点悲伤情绪”）或音频标签来精细控制声音输出，无需依赖传统的结构化参数。
- MiMo-V2.5-TTS（基础版）：内置多款精品音色，开箱即用，适合通用场景。
- MiMo-V2.5-TTS-VoiceDesign（音色设计）：通过一句话描述（如“元气少女音”或“低沉老年音”）从零生成全新音色，无需参考音频。
- MiMo-V2.5-TTS-VoiceClone（音色克隆）：仅需数秒至 30 秒的参考音频，即可高保真复刻真人音色，并保留语速、情绪等控制能力。
语音识别（ASR）：复杂场景的听觉基座
MiMo-V2.5-ASR 作为听觉基座正式开源，其核心优势在于对复杂真实场景的鲁棒性，解决了中英混杂、方言、噪音等传统痛点。
- 多语种与方言：支持中英双语、吴语、粤语、闽南语、四川话等，中英混说（Code-Switch）无需预设语种标签。
- 抗噪与多场景：在强噪音、远场拾音、多人会议及带伴奏的歌曲歌词识别场景下表现领先。
- 智能后处理：结合韵律与语义原生输出标点符号，转写结果无需二次加工即可直接使用。
开发者现可通过 Xiaomi MiMo Studio 体验 TTS 效果，或直接获取 ASR 开源代码进行二次开发。