Mimo TTS ASR 2.59 FREE — 你的声音，随心所"驭" 🆓限时免费

v2.5.9 · 面向 Agent 时代的全链路语音模型系列 · 三款 TTS 模型 + ASR 全部限时免费

官方资源 / Official Links

| 资源 | 链接 | |------|------| | 📖 发布公告 | MiMo-V2.5-TTS-Series + ASR 正式发布 | | 📚 TTS API 文档 | 语音合成（MiMo-V2.5-TTS 系列） | | 📚 ASR API 文档 | 音频理解 | | 🎮 MiMo Studio 体验 | aistudio.xiaomimimo.com/#/c | | 🔧 官方 Skill 仓库 | github.com/XiaomiMiMo/MiMo-Skills | | 🤗 ASR 开源代码 | github.com/XiaomiMiMo/MiMo-V2.5-ASR | | 🤗 ASR 模型权重 | huggingface.co/XiaomiMiMo/MiMo-V2.5-ASR | | 🤗 ASR Demo | huggingface.co/spaces/XiaomiMiMo/MiMo-V2.5-ASR | | 📋 定价与限速 | 定价说明 | | 🌐 MiMo 开放平台 | platform.xiaomimimo.com |

功能概览 / Overview

TTS — 三款模型

| 模型 | 能力 | 场景 | |------|------|------| | 🎙️ MiMo-V2.5-TTS | 内置精品音色，语速/情绪/语气精细控制 | 通用语音合成 | | 🎨 MiMo-V2.5-TTS-VoiceDesign | 自然语言描述从零生成新音色（无需参考音频） | 游戏NPC/虚拟主播/品牌IP | | 🔁 MiMo-V2.5-TTS-VoiceClone | 短音频高保真克隆音色（数秒即可） | 播客克隆/配音复刻 |

⭐ 三款模型均已限时免费

ASR — 语音识别

| 能力 | 说明 | |------|------| | 🌍 中英双语 | 自由切换，无需预设语种 | | 🗣️ 中文方言 | 吴语/粤语/闽南语/四川话 | | 🔀 Code-Switch | 中英混杂自然转录 | | 🎵 歌曲识别 | 中英文歌词，伴奏场景高精度 | | 🔊 强噪音 | 高噪音/远场拾音鲁棒识别 | | 👥 多说话人 | 会议等多人交叉对话 | | 📝 原生标点 | 结合韵律与语义自动标点 |

🆓 ASR 已开源 — GitHub / HuggingFace

---

⚙️ 配置 / Setup

环境变量

# TTS API Key（独立于模型推理 Key）
export MIMO_API_KEY="your-tts-api-key"

# ASR API Key（如与 TTS 相同可复用）
export MIMO_ASR_KEY="your-asr-api-key"

或通过 OpenClaw 配置：

openclaw config set skills.entries.mimo-tts-asr.apiKey "your-key"

⚠️ TTS/ASR 的 API Key 独立于模型推理 Key，需前往 platform.xiaomimimo.com 申请。

---

🎙️ TTS — 语音合成

基础用法

python3 "{baseDir}/scripts/tts.py" "要合成的文本" -o output.wav

参数说明

| 参数 | 默认值 | 说明 | |------|--------|------| | text | (必填) | 要合成的文本 | | -o | output.wav | 输出文件路径 | | -m | tts | 模型：tts / voice-design / voice-clone | | -v | mimo_default | 音色（见音色列表） | | -s | 无 | 风格标签 | | -f | wav | 音频格式：wav / mp3 / ogg | | --voice-desc | 无 | VoiceDesign：音色描述文本 | | --ref-audio | 无 | VoiceClone：参考音频路径 | | --user-msg | 无 | 用户角色上下文（调整语气） | | --api-key | 环境变量 | API Key 覆盖 | | --max-retries | 3 | 最大重试次数 | | --list-voices | — | 列出可用音色 | | --list-formats | — | 列出可用格式 |

音色列表（MiMo-V2.5-TTS）

| 名称 | voice 参数 | 说明 | |------|-----------|------| | MiMo-默认 | mimo_default | 通用女声 | | MiMo-中文 | default_zh | 中文女声 | | MiMo-英文 | default_en | 英文女声 | | MiMo-男声 | mimo_male | 男声 | | MiMo-童声 | mimo_child | 童声 | | MiMo-粤语 | mimo_cantonese | 粤语 | | MiMo-四川话 | mimo_sichuan | 四川话 |

🎧 试听音色：MiMo Studio

风格标签

| 风格 | 场景 | 风格 | 场景 | |------|------|------|------| | 可爱 | 撒娇、软萌 | 悲伤 | 悲伤、失落 | | 开心 | 欢快、兴奋 | 愤怒 | 愤怒、激动 | | 东北话 | 方言、搞笑 | 平静 | 平静、舒缓 | | 悄悄话 | 神秘、低语 | 惊讶 | 惊讶、意外 | | 孙悟空 | 角色扮演 | 变快/变慢 | 语速控制 | | 唱歌 | 儿歌、旋律 | | |

可组合：-s "开心 变快" / -s "可爱 悄悄话" / -s "悲伤 变慢"

行内音频标签

在文本中插入精细控制： (停顿) (叹气) (笑声) (清嗓子) (耳语) (紧张) (小声) (语速加快) (深呼吸) (沉默片刻)

示例

# 基础合成
python3 "{baseDir}/scripts/tts.py" "你好，今天天气真好" -o hello.wav

# 方言
python3 "{baseDir}/scripts/tts.py" "哎呀妈呀，这天儿也忒冷了吧" -s "东北话" -o dongbei.wav

# 英文
python3 "{baseDir}/scripts/tts.py" "Hello, how are you?" -v default_en -o hello_en.wav

# 情感
python3 "{baseDir}/scripts/tts.py" "明天就是周五了，真开心！" -s "开心 变快" -o happy.wav

# 唱歌
python3 "{baseDir}/scripts/tts.py" "一闪一闪亮晶晶" -s "唱歌" -o sing.wav

# 男声 / 童声 / 方言
python3 "{baseDir}/scripts/tts.py" "大家好" -v mimo_male -o male.wav
python3 "{baseDir}/scripts/tts.py" "妈妈我要吃糖" -v mimo_child -o child.wav
python3 "{baseDir}/scripts/tts.py" "你好，今日天气好好" -v mimo_cantonese -o cantonese.wav
python3 "{baseDir}/scripts/tts.py" "这个火锅巴适得很" -v mimo_sichuan -o sichuan.wav

# MP3 / OGG
python3 "{baseDir}/scripts/tts.py" "测试" -f mp3 -o output.mp3
python3 "{baseDir}/scripts/tts.py" "测试" -f ogg -o output.ogg

# 🎨 VoiceDesign — 从描述生成新音色
python3 "{baseDir}/scripts/tts.py" "你好，欢迎来到我的世界" \
  -m voice-design \
  --voice-desc "一位年迈的东欧裔学者，低沉、略带嘶哑，说话节奏缓慢" \
  -o scholar.wav

python3 "{baseDir}/scripts/tts.py" "元气满满的一天开始啦！" \
  -m voice-design \
  --voice-desc "元气满满的少女，声线清脆，语尾带一点上扬" \
  -o genki.wav

# 🔁 VoiceClone — 用参考音频克隆音色
python3 "{baseDir}/scripts/tts.py" "这是克隆后的声音" \
  -m voice-clone \
  --ref-audio reference.wav \
  -o cloned.wav

---

🎧 ASR — 语音识别

API 调用

python3 "{baseDir}/scripts/asr.py" audio.wav
python3 "{baseDir}/scripts/asr.py" audio.mp3 -o transcript.txt
python3 "{baseDir}/scripts/asr.py" audio.wav --lang zh --format json

参数说明

| 参数 | 默认值 | 说明 | |------|--------|------| | audio | (必填) | 音频文件路径（wav/mp3/ogg/m4a/flac） | | -o | stdout | 输出文件路径（默认打印到终端） | | --lang | auto | 语言：auto / zh / en / ja / ko | | --format | text | 输出格式：text / json / srt | | --api-key | 环境变量 | API Key 覆盖 | | --max-retries | 3 | 最大重试次数 |

输出格式

| 格式 | 说明 | 适用场景 | |------|------|----------| | text | 纯文本 | 快速查看 | | json | 带时间戳和置信度 | 程序处理 | | srt | SRT 字幕格式 | 视频字幕 |

本地部署（开源模型）

ASR 已开源，支持本地部署：

# 克隆仓库
git clone https://github.com/XiaomiMiMo/MiMo-V2.5-ASR.git
cd MiMo-V2.5-ASR

# 安装依赖
pip install -r requirements.txt

# 使用 HuggingFace 权重
python inference.py --audio audio.wav --output result.txt

📖 详细文档：github.com/XiaomiMiMo/MiMo-V2.5-ASR 🤗 在线体验：huggingface.co/spaces/XiaomiMiMo/MiMo-V2.5-ASR

示例

# 基础转录
python3 "{baseDir}/scripts/asr.py" recording.wav

# 保存到文件
python3 "{baseDir}/scripts/asr.py" meeting.mp3 -o meeting.txt

# 指定语言
python3 "{baseDir}/scripts/asr.py" english.mp3 --lang en

# JSON 格式（带时间戳）
python3 "{baseDir}/scripts/asr.py" audio.wav --format json

# SRT 字幕
python3 "{baseDir}/scripts/asr.py" video_audio.wav --format srt -o subtitles.srt

---

🔗 TTS + ASR 联合工作流

# 1. 先识别一段音频
python3 "{baseDir}/scripts/asr.py" input.wav -o transcript.txt

# 2. 修改文本后重新合成（用不同音色）
python3 "{baseDir}/scripts/tts.py" "$(cat transcript.txt)" -v mimo_male -o output.wav

# 3. 克隆音色后重新演绎
python3 "{baseDir}/scripts/tts.py" "$(cat transcript.txt)" \
  -m voice-clone --ref-audio original.wav -o cloned.wav

---

📋 交付

TTS 输出

MEDIA:output.wav

ASR 输出

直接回复转录文本，或保存到文件后回复路径。

---

故障排查

| 错误 | 原因 | 解决 | |------|------|------| | 401 Invalid API Key | Key 未配置或格式错误 | 确认已配置 TTS/ASR 专用 Key | | 429 Too Many Requests | 触发限流 | 等几秒后重试（脚本自动重试） | | 500 Server Error | 服务端异常 | 稍后重试 | | 文件不存在 | 音频路径错误 | 检查文件路径 |

---

⚡ 推理性能优化 / Inference Optimization

GPU 专属优化（效果最大）

1. 开启半精度推理

加载模型添加 torch.float16，显存减半、速度翻倍：

model = AutoModelForCausalLM.from_pretrained(
    "XiaomiMiMo/MiMo-V2.5-TTS",
    torch_dtype=torch.float16,  # 半精度
    device_map="auto"
)

2. 开启 CUDA 流 + 异步推理

避免单线程串行阻塞，适合连续 TTS/ASR 请求：

stream = torch.cuda.Stream()
with torch.cuda.stream(stream):
    output = model.generate(input_ids, **kwargs)
stream.synchronize()

3. 关闭梯度计算

推理固定加上下文，减少运算开销：

with torch.no_grad():
    output = model.generate(input_ids, **kwargs)

CPU 弱机优化（无独显必用）

1. 启用 ONNX Runtime 量化

将精简模型转为 ONNX + INT8 量化，CPU 速度提升 40%~60%：

import onnxruntime as ort
session = ort.InferenceSession(
    "model_quant.onnx",
    providers=["CPUExecutionProvider"]
)

2. 设置 CPU 核心绑定 + 推理线程数

import os
os.environ["OMP_NUM_THREADS"] = "4"        # 推理线程数
os.environ["MKL_NUM_THREADS"] = "4"        # MKL 线程数
os.environ["KMP_AFFINITY"] = "granularity=fine,compact,1,0"  # CPU 核心绑定

3. 禁用 MKL 冗余加速 + 限制内存

防止老旧设备闪退：

os.environ["MKL_ENABLE_INSTRUCTIONS"] = "AVX2"  # 指令集
os.environ["MALLOC_TRIM_THRESHOLD_"] = "0"       # 及时释放内存

模型推理参数调优

1. 调低采样步数 + 精简降噪系数

精简模型不需要超高降噪：

output = model.generate(
    input_ids,
    num_inference_steps=20,      # 默认50→20，速度提升2.5x
    denoising_strength=0.5,      # 默认0.7→0.5
)

2. 关闭不必要的情感/风格分支

只保留基础人声输出，减少计算：

output = model.generate(
    input_ids,
    emotion_prediction=False,    # 关闭情感预测
    style_branch=False,          # 关闭风格冗余分支
)

快速配置脚本

使用 --optimize 参数自动应用优化：

# GPU 半精度 + 异步
python3 "{baseDir}/scripts/tts.py" "你好" --optimize gpu -o output.wav

# CPU ONNX 量化
python3 "{baseDir}/scripts/tts.py" "你好" --optimize cpu -o output.wav

# 轻量模式（关闭情感/风格分支）
python3 "{baseDir}/scripts/tts.py" "你好" --optimize lite -o output.wav

---

📋 版本历史

v2.5.9 (2026-04-24)

• ⚡ 新增推理性能优化指南（GPU/CPU 双适配）
• ⚡ GPU：半精度推理、CUDA 流异步、关闭梯度计算
• ⚡ CPU：ONNX 量化、线程绑定、内存限制
• ⚡ 参数调优：采样步数、降噪系数、关闭冗余分支
• ✨ 新增 --optimize 快速配置参数（gpu/cpu/lite）

v2.5.5 (2026-04-24)

• 🏷️ 改名：Mimo TTS ASR 2.55 FREE
• ⭐ 限时免费：三款 TTS 模型 + ASR 全部免费使用
• 📚 文档链接优化

v2.5.4 (2026-04-24)

• ✨ 新增 VoiceDesign（音色设计）模型支持
• ✨ 新增 VoiceClone（音色克隆）模型支持
• ✨ 新增官方资源链接汇总
• ✨ ASR 新增本地部署文档（开源模型）
• 📚 文档优化：对齐官方发布说明

v2.5.2 (2026-04-24)

• ✨ TTS + ASR 一体化
• ✨ 7 种 TTS 音色 + 方言 + 情感控制
• ✨ ASR 支持 auto/zh/en/ja/ko 多语言
• ✨ ASR 输出格式：text / json / srt
• ✨ 行内音频标签精细控制
• ✨ MP3/OGG/WAV 多格式支持
• ✨ 自动重试 + 限流处理