MiMo-V2-TTS

小米MiMo-V2-TTS官网:卓越的情感表达能力与多粒度风格控制功能

什么是MiMo-V2-TTS?

MiMo-V2-TTS最显著的特色在于其卓越的情感表达能力与多粒度风格控制功能。不同于以往只能设定单一情绪的TTS系统，MiMo-V2-TTS支持从整体风格定调到局部情绪微调的精准调节。它具备惊人的叙事感知力，能够在一句话内实现自然的语气转折和情感递变，例如从平静的陈述过渡到惊喜的感叹，且衔接处毫无人工痕迹。这种“能说会演”的特性，使其在有声书阅读、角色扮演交互及智能客服领域展现出巨大优势。模型能够精准捕捉文本中的深层含义，自动匹配最合适的呼吸停顿、语速起伏和重音分布，真实还原人类说话时的自然韵律。此外，通过多层码本建模，它完美保留了原始语音中的丰富情感信息，使得生成的每一句对白都充满了生命力，真正实现了从“冷冰冰的播报”到“温情脉脉的对话”的跨越。

MiMo-V2-TTS官网: https://mimo.xiaomi.com/mimo-v2-tts

信息已经足够充分，现在开始写作这篇4500字专业博客文章。

---

小米 MiMo-V2-TTS 深度评测：让 AI 开口说话，也让它开口唱歌

2026年3月19日凌晨，在同一次深夜发布中，小米悄然推出了三款自研大模型，MiMo-V2-TTS 是其中最容易被忽视的那一个——夹在旗舰推理模型 Pro 和全模态基座 Omni 的光芒之下，它显得低调。但如果你仔细阅读技术细节，会发现这恰恰是一款破坏性创新意味最浓的产品：世界上第一款将「说话」与「唱歌」原生统一在同一套商业 TTS API 之内的语音合成大模型。

机器能说话，这件事已经实现了很久。机器能唱歌，已经有专门的歌声合成工具。但同一套模型、同一个 API、同一段权重，既能讲一段有情绪的故事，接着无缝切换唱出歌词——这件事，在 MiMo-V2-TTS 之前，没有任何一家厂商把它做成了现成可用的商业服务。

---

它从何而来

MiMo-V2-TTS 的出生背景是小米整个 AI Agent 战略的一部分。

小米将 MiMo-V2 系列设计为三位一体的 Agent 全栈：MiMo-V2-Pro 负责深度推理与判断，MiMo-V2-Omni 负责多模态感知与行动，MiMo-V2-TTS 则是最后一块拼图——让 Agent 开口说话，且说出来的话要「有温度、有情感、有灵魂」。

没有一个好的声音输出层，前面两块积木搭得再精妙，用户体验也会在第一声机械播报中崩塌。这是小米在产品设计上的清醒认知。

从技术谱系来看，MiMo-V2-TTS 的前身是 MiMo-V1 时期小米在语音合成领域的内部积累。这一次的 V2 版本采用了全新的自研 Audio Tokenizer（音频分词器）和多码本语音-文本联合建模架构，经过超过亿小时语音数据的大规模预训练，再叠加多维度强化学习，完成了从底层基础设施到上层表达能力的系统性重构。

---

核心技术：多码本联合建模是什么

理解 MiMo-V2-TTS 的独特性，绕不开它的架构核心——多码本语音-文本联合建模（Multi-Codebook Speech-Text Joint Modeling）。

传统的 TTS 系统通常分为两个独立阶段：首先将文本转换为声学特征（声谱图），再将声学特征合成为语音波形。这种两阶段管线的问题在于：两个模块是分开训练的，彼此之间的信息流动是单向的，后级模块无法「理解」语义，只能机械地「翻译」特征。

而多码本架构的核心思路是：将语音信号用多组离散的「码本」（codebook）同时编码，每组码本捕捉不同粒度的语音信息——有的码本专注音色特征，有的专注韵律节奏，有的捕捉情绪状态，有的处理音高变化。在这个架构中，文本语义信息与这些多层次语音码本是联合训练的，不是分开学习再事后对齐，而是从预训练阶段就相互影响、深度融合。

这带来的直接结果是：模型对语言中的情感、语气、重音、停顿的感知，是从语义层面发生的，而不是从规则层面硬编码的。当你输入一句「他笑着说，没事的」，模型理解的不只是字面意思，而是这句话在什么语境下、以什么语气说出来才最自然——轻描淡写、带着一丝苦涩的安慰，还是真诚而温暖的宽慰？这种微妙的区别，传统 TTS 无从处理，而 MiMo-V2-TTS 的联合建模架构给了它「感受语义」的基础能力。

自研 Audio Tokenizer 的引入同样关键。它负责将输入的音频信号转化为模型可以处理的离散 token 序列，是整个系统的「耳朵」。与使用第三方音频编码器的方案相比，自研分词器允许小米针对中文语音的音韵特性、声调系统和方言差异进行深度优化，这在后续的方言支持和情感控制上都有具体体现。

---

五大核心能力详解

多粒度情感控制：从整体风格到句内切换

MiMo-V2-TTS 的情感控制能力分为两个层次，在业内是极少见的设计。

第一层是整体风格定调：你可以在调用 API 时指定一段语音的整体情感基调，比如「专业严肃」「温暖关怀」「轻松幽默」，模型会在语速、音调起伏、气息处理等维度上整体调整，确保整段输出风格统一。

第二层是句内情感递变：这才是真正的突破。传统 TTS 一旦确定情感风格，从第一个字到最后一个字是一以贯之的。而 MiMo-V2-TTS 支持在同一句话内完成语气转折——开头是客观陈述的平静语气，到句尾的感叹词时切换为惊讶，全程自然流畅，没有机械的过渡痕迹。

实际使用场景举例：一段客服对话中，同一条回复可能需要先客观说明政策（中性语气），再表达对用户遭遇的理解（共情语气），最后给出解决方案时带着鼓励（积极语气）——三种情绪的过渡，在同一段几十个字的文本里完成。过去这需要分三段合成再拼接，而现在一次 API 调用就能得到浑然一体的结果。

此外，模型还能智能识别文本中的标点符号、语气词和强调标记，自动将它们转化为对应的语音表达，无需用户额外标注。这意味着你只需要把正常写的文字丢进去，不需要用 XML 标签或特殊符号来手动指定哪里停顿、哪里加重，模型自己会判断。

方言支持：东北话到粤语，不是玩票

MiMo-V2-TTS 支持的方言列表包括：东北话、四川话、河南话、粤语、台湾腔。

这不是过去 TTS 系统那种「带一点口音」的方言模拟。支持方言与「带方言腔调」是两件完全不同的事——前者意味着模型能够准确处理方言特有的声调系统、词汇变化和句式节奏，后者只是在普通话语音上叠加了一层声学滤镜。

以粤语为例，粤语拥有九个声调（普通话四个），很多同形汉字在粤语中的发音与普通话完全无关，语法结构也有显著差异。一个真正支持粤语的 TTS 系统，必须在预训练阶段就学习粤语语料，而不是在普通话模型上打补丁。MiMo-V2-TTS 的预训练语料据称涵盖了上述方言的原生数据，这是它能够「说粤语」而不只是「普通话带粤语腔」的根本原因。

四川话和河南话同理，这两种方言在中国用户群体中拥有庞大的受众，对于地方性内容创作平台、区域化语音助手、方言配音等场景有直接的商业价值。

角色扮演：给历史人物配音

方言之外，MiMo-V2-TTS 支持「角色扮演式的风格化演绎」。官方给出的示例包括孙悟空和林黛玉的声音风格——前者活泼张扬、语速偏快、带着戏谑；后者柔弱婉转、气息浅薄、语调多婉转上扬。

这种能力的底层逻辑是：模型从训练数据中归纳了大量不同角色、不同性格类型、不同戏剧风格的声音特征，将它们作为可调用的「风格向量」存储在参数空间中。当你指定「孙悟空风格」时，模型激活对应的风格向量，在不改变音色（声纹）的前提下，调整韵律、语气、节奏和情感，使输出具有对应角色的表演质感。

这对于有声书、短剧、游戏 NPC 配音等内容创作场景意义明显——你可以用同一套系统、同一个 API，完成一个故事中多个角色的声音创作，无需为每个角色单独训练或购买声音包。

歌声合成：真正的跨界

MiMo-V2-TTS 最令人惊讶的能力，是同一模型原生支持歌声合成。

「歌声合成」和「语音合成」在技术上是两个完全不同的方向。说话时，音高在一定范围内自然浮动，节奏由语义和停顿决定；唱歌时，音高必须精确落在乐谱规定的频率上，时值需要严格对齐节拍，气息控制、颤音、强弱处理都遵从音乐规律而非语言规律。

历史上，这两个领域有各自专门的技术路线——TTS 有 FastSpeech、VITS、CosyVoice 等；歌声合成有 Diff-SVC、So-VITS、ACE-Studio 等。从没有一家厂商把两者做进了同一套商业 API。

MiMo-V2-TTS 在架构层面的解法，是将音高精确性约束和节奏对齐机制作为独立的控制维度，通过多码本中专门处理音乐性特征的码本来承载歌唱模式下的特殊需求。当输入切换为歌词+旋律信息时，模型在语义码本层面保持语义理解能力，在音乐码本层面激活音高和节拍约束，两套机制并行工作、协调输出。

官方演示中，给模型输入歌词文本和基本旋律参数，它能够以自然、有感情的音色演唱，音高准确落点，节奏紧贴节拍，换气处理也符合歌唱习惯，而不是机械的逐字发音。

值得特别注意的是：从「讲一段故事」过渡到「唱出其中的歌词」，中间不需要切换 API、不需要换模型、不需要重新配置——同一个调用会话，说完接着唱，如同一名真正的全能配音演员。

音色克隆：三十秒变声

音色克隆（Voice Cloning）功能允许用户提供一段约 30 秒的参考音频，模型从中提取声音特征，此后生成的语音会模仿参考音频的音色特征——包括嗓音的高低厚薄、共鸣位置、气息特点等。

官方给出了一个生动的演示场景：「用刘德华的声音来叫我起床」。在获得授权的前提下，提供一段参考音频，模型便能用那个音色读任意文本，兼具情感控制和方言切换能力。

这个功能的商业价值显而易见：有声书平台可以用作者真实声音录制整套书；品牌可以用代言人音色制作语音广告而无需每次安排录音棚；个人用户可以制作专属 AI 语音助手。音色克隆能力叠加情感控制和歌声合成，使得 MiMo-V2-TTS 在内容创作的应用宽度上远超绝大多数现有竞品。

---

技术架构的深层逻辑

MiMo-V2-TTS 之所以能在这么多维度上同时发力，本质上依赖两个设计决策：

第一，大规模预训练优先。超亿小时的语音数据预训练，让模型在接受微调之前就已经对人类语音的多样性有了深度理解——不同说话人、不同情绪状态、不同语言方言、不同说话场景（朗读、闲聊、演讲、演唱）的特征，都被编码进了模型的基础权重中。这使得它对各种语音风格的建模是「理解」层面的，而非「记忆」层面的。

第二，多维度强化学习。预训练之后，小米用强化学习对模型进行了多维度对齐——不只针对自然度（MOS 分数），还针对情感一致性、方言准确性、音高精确度等多个独立维度进行优化。强化学习的引入使模型能够在这些有时相互冲突的目标之间找到动态平衡，而不是只针对单一指标做到最优。

这两点放在一起，解释了为什么 MiMo-V2-TTS 不是「功能叠加」，而是「能力涌现」：它不是把五个模块拼在一起，而是训练出了一个对「声音表达」有内在理解的统一模型。

---

同类产品横向对比

当前语音合成赛道的竞争者众多，但能和 MiMo-V2-TTS 同台比较的产品，大致可以分为以下几类：

ElevenLabs（顶尖商业 TTS 平台）

ElevenLabs 是目前全球口碑最高的商业 TTS 服务，在独立盲听测试中连续多次拿下第一，支持超过 1200 种声音，语音克隆从 30 秒音频开始，发音准确率达 81.97%，幻读率控制在 5%。它的 Flash v2.5 版本延迟低至 75-150ms，非常适合实时对话场景。

然而，ElevenLabs 的核心优势建立在英语上。它的多语言支持虽然覆盖 32 种语言，但在中文方言处理、汉语情感韵律还原上与 MiMo-V2-TTS 存在明显差距。更关键的是，ElevenLabs 不支持歌声合成，歌声生产需要依赖单独的工具。定价方面，ElevenLabs 的主力套餐每百万字符约 $30-60，对于大规模中文语音生产场景来说成本偏高。

OpenAI TTS（gpt-4o-mini-tts）

OpenAI 的 TTS 服务以「集成方便、定价低廉」著称，是已经在使用 OpenAI API 的开发者的天然选择。gpt-4o-mini-tts 支持自然语言风格指令（「慢慢地、温柔地说」），是一种创新的控制方式。发音准确率 77.30%，幻读率 10%，仅提供 13 种内置声音，不具备声音克隆能力（Voice Engine 未公开发布）。

对比 MiMo-V2-TTS，OpenAI TTS 的最大短板是：无方言支持、无歌声合成、情感深度有限。它的定位是「够用」，而不是「出色」。对于中文创作场景，OpenAI TTS 的中文处理能力属于勉强及格水平，方言则完全不支持。

CosyVoice 2（阿里云 / FunAudioLLM）

CosyVoice 2 是目前在开源 TTS 赛道上综合表现最强的中文语音合成模型之一，0.5B 参数的轻量版延迟低至 150ms，支持流式输出，声音克隆的说话人相似度表现出色，是独立评测中排名靠前的开源方案。

与 MiMo-V2-TTS 相比，CosyVoice 2 的优势在于开源可本地部署，有隐私合规需求的企业可以把它跑在自己的服务器上，不依赖任何外部 API。它在中文上的优化深度也很扎实。但 CosyVoice 2 目前不具备歌声合成能力，情感控制的精度和「句内情感切换」的流畅度与 MiMo-V2-TTS 有差距，方言覆盖范围也较窄。

MiniMax Speech-02-HD

MiniMax 的语音合成服务在国内开发者圈子里有一定知名度，Speech-02-HD 支持 40 种以上语言、零样本克隆，在第三方评测 Elo 排名约 1543，与 ElevenLabs Flash v2.5 的 1548 接近。响应延迟在 400ms 以上，属于质量优先型产品。

它的核心优势是多语言广度和成熟的商业 API 生态。然而，MiniMax Speech-02-HD 同样不具备歌声合成能力，情感控制相较于 MiMo-V2-TTS 更偏向整体风格定调，缺少句内精细切换的能力。对于中文方言，MiniMax 的支持深度也逊于 MiMo-V2-TTS 的原生方言训练。

Fish Speech 1.5（fishaudio）

Fish Speech 是开源社区里最受关注的多语言 TTS 模型，在第三方评测中以多语言准确性见长，位居开源 Elo 榜首。它支持约 30 种语言，声音克隆质量出色，代码完全开源，允许本地部署和商业化二次开发。

但 Fish Speech 的问题在于工程化成熟度：流式输出支持有限，延迟偏高（某些测试中超过 100 秒），在生产环境高并发下稳定性尚待考验。此外，它同样不具备歌声合成功能，情感控制粒度相对粗糙。对于需要可靠商业 API 的开发者，Fish Speech 更适合作为本地部署选项而非线上生产服务。

综合对比一览

维度	MiMo-V2-TTS	ElevenLabs	OpenAI TTS	CosyVoice 2	MiniMax Speech-02-HD
中文方言支持	★★★★★	★★☆☆☆	★★☆☆☆	★★★★☆	★★★☆☆
情感控制精度	★★★★★	★★★★☆	★★★☆☆	★★★☆☆	★★★☆☆
句内情感切换	✅ 支持	❌ 不支持	❌ 不支持	❌ 不支持	❌ 不支持
歌声合成	✅ 原生支持	❌ 不支持	❌ 不支持	❌ 不支持	❌ 不支持
音色克隆	✅ 支持	✅ 支持	❌ 未公开	✅ 支持	✅ 支持
角色扮演风格	✅ 支持	❌ 无此设计	❌ 不支持	❌ 不支持	❌ 不支持
开源/部署方式	商业 API	商业 API	商业 API	开源可自部署	商业 API
定价竞争力	待公布	$30-60/M字符	低	$7.15/M bytes	$50/M字符
英语综合质量	未知	★★★★★	★★★★☆	★★★☆☆	★★★★☆

---

当前状态与 API 开放时间线

值得特别说明的是：截至目前，MiMo-V2-TTS 尚未像 MiMo-V2-Pro 和 MiMo-V2-Omni 那样正式开放 API 服务。

MiMo-V2-Pro 和 Omni 在发布时即宣布开放 API，开发者可前往 platform.xiaomimimo.com 申请接入，还有限时免费试用窗口。TTS 则未同步宣布 API 上线时间，目前处于「已发布、待开放」状态，据官方信息，API 服务将在近期正式推出。

这一时间差背后有其技术合理性：语音合成 API 的生产化部署远比文本模型复杂——实时流式输出、多模态输入解析（如歌声合成需要输入旋律参数）、并发下的延迟控制，每一个工程问题都需要比纯文本 API 更多的优化工作。小米选择先发布演示能力、后稳定开放 API，是工程务实的表现。

对于迫切想体验的开发者，目前可以通过小米官方 AI Studio（aistudio.xiaomimimo.com）在网页端进行初步体验，感受模型的基础能力。

---

应用场景展望

智能助手与 AI Agent：这是 MiMo-V2-TTS 最直接的应用场景，也是小米发布它的核心动机。当 MiMo-V2-Pro 完成推理、MiMo-V2-Omni 完成感知，MiMo-V2-TTS 负责把结果用有温度的声音传递给用户。一个语音助手若能根据用户的情绪状态调整自己的说话方式——当用户焦虑时用平稳安慰的语气，当用户高兴时用轻快活泼的节奏——这种体验才是真正接近人际交流的。

有声内容与播客创作：长文有声化是内容平台的持续需求。MiMo-V2-TTS 的情感控制能力意味着同一段文章中的不同段落可以有不同的情感温度，小说中的对话可以用不同的角色声音演绎，无需录音棚也能产出专业品质的有声内容。

游戏与虚拟现实 NPC：游戏中的 NPC 对话向来是产能瓶颈——每个角色都需要录音演员，成本高、周期长。有了 MiMo-V2-TTS 的角色风格化演绎和音色克隆能力，游戏制作方可以以低得多的成本为每个 NPC 创造独特的声音人格，还能根据情节动态生成没有预录过的对话内容。

AIGC 音乐与虚拟偶像：歌声合成功能直接打开了 AIGC 音乐创作的新入口。虚拟偶像可以用同一套 API 完成日常对话和演唱，个人创作者可以在没有演唱能力的情况下实现完整的歌曲制作，短视频内容中的人声背景可以按需生成。

企业客服与电话机器人：传统电话客服机器人的「机械感」是用户体验的最大痛点之一。句内情感切换能力使得机器人在表达同理心时听起来真的像在关心，而不是在用平板语气朗读关怀脚本。方言支持则让企业能够向不同地区用户提供更有亲切感的本地化服务体验。

教育与培训内容：语言学习软件、知识付费平台、在线课程等场景下，有情感、有节奏感的语音讲解远比机械朗读更有助于听众保持注意力和理解内容。MiMo-V2-TTS 的多粒度情感控制能力，恰好适合制作「像老师在讲课」而不是「像机器在播报」的音频内容。

---

几个值得深想的问题

关于定价策略：目前 TTS API 尚未公布定价，从 MiMo-V2 系列整体价格策略（Pro 和 Omni 的定价均显著低于同级竞品）来推断，MiMo-V2-TTS 的定价大概率也会采用「以低价换生态」的策略。如果最终定价能做到 CosyVoice 2 在硅基流动平台上 $7.15/M bytes 的水平，对 ElevenLabs 和 MiniMax 的冲击将会相当直接。

关于歌声合成的边界：目前已知 MiMo-V2-TTS 支持「准确表达音高和节奏」的歌声合成，但输入格式（是否需要 MIDI 文件、是否接受旋律哼唱、是否支持多声部）尚未完整公开。这些细节将决定它在 AIGC 音乐创作场景的实际可用深度。

关于版权与音色克隆的伦理边界：音色克隆功能在技术上极具吸引力，但在商业使用中涉及复杂的法律问题——使用他人声音特征需要明确的授权，否则面临肖像权和人格权方面的法律风险。小米在正式开放 API 时，需要在使用条款层面建立清晰的边界约束，否则可能引发与 ElevenLabs 早期同样的滥用担忧。

---

它意味着什么

MiMo-V2-TTS 的发布，是语音合成行业一个小而重要的分水岭。

「说话」和「唱歌」的统一，不是技术上的小修小补，而是对「声音表达能力」的重新定义——机器的声音不应该只是文字的载体，它应该是情感的出口、角色的灵魂、音乐的演绎。从这个角度看，MiMo-V2-TTS 更像一个「全能配音演员」，而不只是一个「文本转语音引擎」。

对于整个 AI Agent 生态来说，声音输出层的质量往往是最被低估的用户体验因素。当你和一个 AI 助手交谈，它的声音是否有温度、是否会随着话题变换语气，决定了你是否感觉在和一个「人」说话，还是在和一台机器交互。小米用 MiMo-V2-TTS 给出的答案，是把这个层面的能力做到与它的推理能力和感知能力同等的高度。

这三块拼图合在一起，才是小米真正想说的话：在 Agent 时代，我们要做的不只是把 AI 做进手机，而是给 AI 装上一颗会思考、会感知、会说话的完整灵魂。