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。

Security Scan

The skill's code and docs clearly require an XIAOMI_API_KEY / MIMO_API_KEY and perform network calls to api.xiaomimimo.com (consistent with a TTS integration), but the registry metadata omits the required credential and other small metadata inconsistencies exist — functional but metadata and dependency declarations are inconsistent.

Purpose & Capability

The skill's name/description and code implement Xiaomi MiMo TTS and legitimately need an API key and tools like ffmpeg/curl/node/python for full functionality. However the registry metadata claims no required environment variables or primary credential while SKILL.md and scripts explicitly require XIAOMI_API_KEY or MIMO_API_KEY. That metadata omission is an incoherence that can mislead users/agents about what secrets will be used.

Instruction Scope

SKILL.md and scripts instruct the agent to analyze conversation context and call local scripts which then POST to the MiMo API and decode returned base64 audio. This stays within the declared purpose (TTS). The agent will be asked to run shell/node/python code and write audio files to SKILL_OUT or /tmp; there is no instruction to read unrelated system files or exfiltrate arbitrary data beyond the MiMo API. The 'smart' mode heuristics let the agent choose styles automatically — this is scope-appropriate but gives the agent broad discretion over output style selection (documented as optional).

Install Mechanism

No install spec is provided (instruction-only from registry perspective), and the bundle includes plain scripts. There are no external downloads or URL-based installs in the package. Risk from install mechanism is low, though installing the skill will place these scripts on disk and they will be executable.

Credentials

The code requires one credential (XIAOMI_API_KEY, with backward-compat MIMO_API_KEY) to call the MiMo API — that is proportionate. The problem: the registry metadata declares no required env vars or primary credential. Additionally README and scripts mention dependencies (curl, ffmpeg, node, python3, jq usage in shell) but the registry does not list required binaries. The missing metadata could cause an agent to run the skill without knowing a secret is needed or where network calls go.

Persistence & Privilege

The skill does not request 'always:true' or attempt to modify other skills or system-wide configs. It creates outputs under SKILL_OUT or /tmp and sources a local _env.sh; nothing indicates elevated or permanent privileges.

What to consider before installing

This skill's code appears to do exactly what it claims: call Xiaomi MiMo's TTS API and save audio. However the registry metadata omits the fact that an API key (XIAOMI_API_KEY or MIMO_API_KEY) is required and does not list required binaries (curl/ffmpeg/node/python). Before installing: 1) Verify the skill source / owner and prefer skills with a public homepage or repo. 2) Do not provide your production API key until you trust the owner — test with mock mode or a throwaway key first (scripts support mock behavior when the key is absent). 3) Expect the skill to make HTTPS POSTs to api.xiaomimimo.com and write audio files under SKILL_OUT or /tmp; ensure that is acceptable. 4) Consider running the scripts in a restricted environment (container) and inspect network traffic if you need higher assurance. 5) If you maintain the registry entry, update metadata to declare XIAOMI_API_KEY / MIMO_API_KEY and required binaries so agents/users are correctly informed.

Xiaoma MiMo TTS

📁 目录结构

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

./scripts/mimo-tts.sh "文本" [输出文件]

带风格标签

# 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：

"（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：

# 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

./scripts/mimo-tts.sh "文本" [输出文件]

带风格标签

# 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：

"（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）