mimotts25-plus (TTS增强版)

小米 MiMo TTS 2.5 Plus — 增强版语音合成。兼容官方接口，支持预置音色/声音设计/克隆/导演模式。

MiMo TTS 2.5 Plus

核心原则： 情感/语气指令放 user 消息（--context），要念的文字放 assistant 消息（--text）。指令越具体越有画面感，声音越自然。

铁律：--context 永远不留空

没有情感指令 = 机器人朗读。哪怕用户只说"念一句你好"，也必须推断情感写进 --context。

推断方法： 想象真人在什么场景说这句话，用画面感描述（情绪底色 + 语速节奏 + 声音质感，至少两项）：

• "说早上好" → --context "刚睡醒的慵懒带元气，语速偏慢，声音柔和温暖"
• "念：对不起" → --context "真诚道歉，声音低沉柔和，语速放慢，尾音下沉"
• 长文本（超2句）→ 描述段落内的情绪变化走向

文本增强： 在 --text 合适位置插入音频标签（每2-3句一个，不过度）： 对不起，我来晚了 → （歉意）对不起……[轻叹]我来晚了

完整示例：

python3 scripts/mimo_tts.py \
  --text "（温柔）晚安……[轻声]今天辛苦了，好好休息。" \
  --voice "冰糖" \
  --context "深夜安慰，像在耳边轻声说话，语速很慢，声音轻柔绵软，带一丝让人安心的倦意"

环境变量

变量	说明	必需
MIMO_API_KEY	API 密钥	是
MIMO_API_BASE	API 端点（默认 https://token-plan-cn.xiaomimimo.com/v1）	可选
MIMO_OUTPUT	默认输出路径	可选

已知集群：中国 https://token-plan-cn.xiaomimimo.com/v1（默认）、公网 https://api.xiaomimimo.com/v1、海外以官方公布为准。可通过环境变量或 tts.py --base-url 切换。

模型与脚本

模型	脚本	用途
mimo-v2.5-tts	mimo_tts.py	预置音色（支持唱歌）
mimo-v2.5-tts-voicedesign	mimo_tts_voicedesign.py	文本描述定制音色
mimo-v2.5-tts-voiceclone	mimo_tts_voiceclone.py	音频样本复刻音色
统一入口	tts.py	增强快捷模式（--design / --clone / --base-url）

选择：描述音色形象→voicedesign，给音频文件→voiceclone，其他→预置音色，复杂角色→导演模式。

用法

# 预置音色
python3 scripts/mimo_tts.py --text "你好" --voice "冰糖" --context "温柔，语速稍慢"
# 声音设计
python3 scripts/mimo_tts_voicedesign.py --context "青年女性，活泼元气" --text "你好呀！"
# 声音克隆
python3 scripts/mimo_tts_voiceclone.py --voice-file sample.mp3 --text "你好"
# 统一入口
python3 scripts/tts.py "你好" -v 冰糖
python3 scripts/tts.py "你好呀" --design "22岁女性，声音甜美"
python3 scripts/tts.py "你好" --clone sample.mp3
python3 scripts/tts.py "你终于来了" --user-msg "角色：22岁活泼少女..."

预置音色

Voice ID	语言/性别	风格
冰糖（默认）	中文女	活泼少女
茉莉	中文女	知性女声
苏打	中文男	阳光少年
白桦	中文男	成熟男声
Mia	EN Female	Lively
Chloe	EN Female	Sweet Dreamy
Milo	EN Male	Sunny
Dean	EN Male	Steady Gentle

音频标签（放在 --text 中）

整体风格（文本开头 (风格)）：开心 悲伤 愤怒 温柔 慵懒 磁性 高冷 活泼 东北话 粤语 唱歌 夹子音 御姐音 正太音

行内标签 [标签]：[停顿] [长停顿] [语速加快] [语速放缓] [轻声] [低语] [叹气] [深呼吸] [哽咽] [笑] [大笑] [抽泣] [颤抖] [气声] [激动] [疲惫] [撒娇]

示例：（紧张）呼……冷静。[深呼吸]不就是面试吗……[语速加快]自我介绍背了五十遍了。

导演模式（高级）

在 --context 中写角色、场景、指导三要素，用于复杂情感/角色配音：

• 角色：身份、性格、说话习惯
• 场景：发生了什么、和谁说话、情绪位置
• 指导：语速、气息、停顿、重音、音色质感、情绪起伏

音色描述（Voicedesign）

--context 必写四维度：性别+年龄、声音质感、情绪底色、语速节奏。可选：角色人设、说话风格、场景。1-4句即可。 注意：避免矛盾特征、音质效果词（混响/EQ）、模糊词（普通的/正常的）。合成文本要贴合音色。

交付

生成后：MEDIA:output.mp3

配置

1. 获取密钥：小米 MiMo 开放平台
2. export MIMO_API_KEY=your-key 或 openclaw config set skills.entries.mimotts25-plus.apiKey "your-key"