Xiaomi MiMo TTS

使用小米 MiMo TTS (mimo-v2-tts) 生成语音。 支持多种音色、风格控制、情感标签和方言。 需要 MIMO_API_KEY。

Xiaoma MiMo TTS

📁 目录结构

text

scripts/
├── mimo-tts.sh           # 基础版本统一入口
├── mimo-tts-smart.sh     # 智能版本统一入口
├── base/                 # 基础版本实现
│   ├── mimo-tts.sh       # Shell 基础版
│   ├── mimo_tts.js       # NodeJS 基础版
│   └── mimo_tts.py       # Python 基础版
├── smart/                # 智能版本实现
│   ├── mimo_tts_smart.js    # NodeJS 智能版
│   ├── mimo_tts_smart.py    # Python 智能版
│   └── mimo_tts_smart.sh    # Shell 智能版
├── utils/                # 工具脚本
│   └── test.sh           # 测试脚本
└── examples/             # 示例脚本
    └── demo.sh           # 演示脚本

✨ 核心能力

根据对话场景，智能选择最合适的语音风格！

作为 Agent，你应该主动理解对话内容，选择合适的：

• 情感：开心、悲伤、紧张、愤怒、惊讶、温柔...
• 方言：东北话、四川话、台湾腔、粤语...
• 效果：悄悄话、夹子音、唱歌...
• 语速：快、慢、正常

使用方式

基础用法

bash

./scripts/mimo-tts.sh "文本" [输出文件]

带风格标签

bash

# 在文本前加 <style> 标签
"<style>开心</style>今天真是太棒了！"
"<style>东北话</style>老铁，咋整啊？"
"<style>悄悄话</style>这是秘密哦..."

可用风格

类型	示例
情感	开心、悲伤、紧张、愤怒、惊讶、温柔
方言	东北话、四川话、台湾腔、粤语、河南话
效果	悄悄话、夹子音、唱歌
语速	变快、变慢

情感标签（细粒度控制）

在文本中使用 () 添加情感：

text

"（紧张，深呼吸）呼……冷静，冷静"
"（咳嗽）咳咳，不好意思"
"（沉默片刻）……然后呢？"

Agent 职责

你应该主动判断对话场景，选择合适的风格！

判断原则

1. 默认使用普通话，除非用户明显使用方言或有特别要求
2. 根据内容选择情感：
   • 好消息 → 开心
   • 坏消息/安慰 → 温柔、悲伤
   • 紧急情况 → 紧张、急促
   • 正式通知 → 严肃
3. 根据场景选择效果：
   • 私密内容 → 悄悄话
   • 朗读诗词 → 温柔、慢
   • 讲故事 → 根据角色变化

示例

用户说："给我读首李白的诗" → 判断：诗词应温柔、舒缓 → 生成："<style>温柔</style>床前明月光..."

用户说："用东北话给我讲个笑话" → 判断：明确要求方言 → 生成："<style>东北话</style>那个啥..."

用户说："宝宝晚安" → 判断：亲密、温柔场景 → 生成："<style>温柔</style>晚安，好梦哦～"

可用语音

语音	参数
默认	mimo_default
中文女声	default_zh
英文女声	default_eh

智能模式（说明与使用建议）

本项目提供“智能模式”（位于 scripts/mimo-tts-smart.sh 与 scripts/smart/ 下），它使用轻量的启发式与关键词检测来自动为文本选择合适的风格、方言与情感。该模式设计用于快速试验与交互式体验，而非对每种语境都保证高精度。

建议与行为：

• 默认不在自动化流水线中启用智能模式。将其视为可选的便捷工具，需由 agent 或用户显式调用。
• 若对输出准确性有较高要求，请在输入文本最前面使用 <style>...</style> 明确指定风格与方言。
• 智能模式适合快速原型、演示与人机协作场景；不适合替代人工细致调整或用于对准确性敏感的生产流程。

调用示例：

bash

# 显式启用智能模式（agent 或用户调用）
./scripts/mimo-tts-smart.sh "宝宝晚安，爱你哦～" output.ogg

# 若要手动覆盖智能判断，直接在文本前使用 style 标签
./scripts/mimo-tts.sh "<style>温柔</style>床前明月光..." out.ogg

使用方式

基础用法

bash

./scripts/mimo-tts.sh "文本" [输出文件]

带风格标签

bash

# 在文本前加 <style> 标签
"<style>开心</style>今天真是太棒了！"
"<style>东北话</style>老铁，咋整啊？"
"<style>悄悄话</style>这是秘密哦..."

可用风格

类型	示例
情感	开心、悲伤、紧张、愤怒、惊讶、温柔
方言	东北话、四川话、台湾腔、粤语、河南话
效果	悄悄话、夹子音、唱歌
语速	变快、变慢

情感标签（细粒度控制）

在文本中使用 () 添加情感：

text

"（紧张，深呼吸）呼……冷静，冷静"
"（咳嗽）咳咳，不好意思"
"（沉默片刻）……然后呢？"

Agent 职责

你应该主动判断对话场景，选择合适的风格！

判断原则

1. 默认使用普通话，除非用户明显使用方言或有特别要求
2. 根据内容选择情感：
   • 好消息 → 开心
   • 坏消息/安慰 → 温柔、悲伤
   • 紧急情况 → 紧张、急促
   • 正式通知 → 严肃
3. 根据场景选择效果：
   • 私密内容 → 悄悄话
   • 朗读诗词 → 温柔、慢
   • 讲故事 → 根据角色变化

示例

用户说："给我读首李白的诗" → 判断：诗词应温柔、舒缓 → 生成："<style>温柔</style>床前明月光..."

用户说："用东北话给我讲个笑话" → 判断：明确要求方言 → 生成："<style>东北话</style>那个啥..."

用户说："宝宝晚安" → 判断：亲密、温柔场景 → 生成："<style>温柔</style>晚安，好梦哦～"

可用语音

语音	参数
默认	mimo_default
中文女声	default_zh
英文女声	default_eh

🤖 智能版本 (多语言支持)

我们提供了多种智能脚本实现，可以自动分析文本内容并选择合适的风格：

🎯 实现支持

版本	文件	特点
统一入口	mimo-tts-smart.sh	自动选择最佳实现，优先NodeJS→Python→Shell
NodeJS 版	mimo_tts_smart.js	功能最完善，智能分析最准确
Python 版	mimo_tts_smart.py	功能完整，备用方案
Shell 版	mimo_tts_smart.sh	简化版，兼容性好

功能特点

自动分析：

• 检测情感关键词（开心、悲伤、紧张、愤怒、惊讶、温柔）
• 识别方言特征（东北话、四川话、台湾腔、粤语）
• 判断特殊效果（悄悄话、夹子音、唱歌）
• 检测诗词格式（多行短句自动识别）