小米MiMo TTS：情感控制让AI配音更有灵魂

三大情感控制方式 · 四个精品音色 · 完整API支持

执行摘要

本报告记录了小米MiMo TTS的学习和实践过程，包括Skill文档创建、API配置、音频生成和对比测试。

🎭
3种
情感控制方式
🎙️
4个
精品音色
📦
1.3M
生成音频大小
✅
公测免费
当前成本

核心优势

🎭 精细情感控制

支持自然语言、导演模式、标签控制三种方式，可精确控制语音的情感、语气、节奏

🎙️ 四个精品音色

Chloe（女声）、Milo（男声）、Dean（低沉男声）、mimo_default，覆盖常见场景

🔧 音色定制能力

VoiceDesign文本描述设计 + VoiceClone音频复刻，可创建专属音色

🌐 方言支持

支持东北话、四川话、粤语等多种方言，满足地域化需求

🎵 唱歌模式

支持语音唱歌，可用于音乐内容生成，独特功能

🔗 OpenAI兼容API

API格式兼容OpenAI，易于集成，降低学习成本

三大情感控制方式

💬

方式1：自然语言控制

在 user message 中描述风格，AI自动理解并应用。最简单直观的方式。

"用悲伤、低沉的语气，带着一丝哽咽，说：这么多年过去了，你终于回来了。"

特点：简单直观，适合快速测试。AI会自动理解情感描述并应用到语音中。

🎬

方式2：导演模式

推荐

角色+场景+指导三维描述，适合复杂角色配音，控制最精细。

【角色】百年门阀岑家的现任大当家，深不可测的修炼者 【场景】在祠堂的阴影里，烛火摇曳 【指导】冰冷、慵懒却极具威压的低音御姐，语速缓慢，每个字都像刀子

特点：控制最精细，适合有声剧、广播剧等复杂场景。可定义角色的性格、背景、情感状态。

🏷️

方式3：标签控制

在文本中嵌入标签，精确控制局部情感，适合混合情感场景。

(悲伤，哽咽)这么多年过去了... （紧张，深呼吸）呼……冷静，冷静... [愤怒]你竟然敢背叛我！ (平静，冷漠)我早就知道了。

特点：精确控制局部情感，适合同一句话中有多种情感变化的场景。

四个精品音色

音色 类型 特点 适合场景
Chloe 女声 温柔、专业、略带机械感 AI助手、医生、客服、旁白（女）
Milo 男声 沉稳、有磁性、专业 旁白、工程师、解说、播客
Dean 低沉男声 威严、有气场、低沉 舰长、将军、领导、科学家
mimo_default 默认 平衡、中性 通用场景
选择建议：
  • 旁白：Milo（男）或 Chloe（女），根据内容风格选择
  • 角色配音：根据角色性格选择 Dean（威严）或 Chloe（温柔）
  • 需要定制：使用 VoiceDesign 或 VoiceClone 创建专属音色

MiMo TTS vs edge-tts 对比

特性 小米 MiMo TTS edge-tts
情感控制 ✅ 精细控制（3种方式） ❌ 无
导演模式 ✅ 支持 ❌ 无
音色定制 ✅ VoiceDesign ❌ 无
音色复刻 ✅ VoiceClone ❌ 无
方言支持 ✅ 东北/四川/粤语 ❌ 无
唱歌模式 ✅ 支持 ❌ 无
中文音色 4个精品音色 多个Azure音色
API认证 需要API Key 免费无需Key
成本 公测免费 免费
音质对比：
  • MiMo TTS：音频文件更大（Episode1: 1.3M），音质更好，情感表现力强
  • edge-tts：音频文件较小（Episode1: 777K），标准音质，无情感控制

示例音频文件

生成的音频文件

文件 大小 说明
episode1_v2.mp3 1.3M 第1集 - MiMo TTS版
episode2_v2.mp3 1.2M 第2集 - MiMo TTS版

保存路径：/var/www/craylab/demo/tts/mvp/audio/

对比页面：
  • 路径：/var/www/craylab/demo/tts/mvp/fake-door2.html
  • 访问URL：http://175.24.178.116:8089/fake-door2.html
  • 功能：可对比 MiMo TTS 和 edge-tts 的音频效果

角色音色分配示例

角色 MiMo音色 风格描述
旁白 Milo 沉稳专业，语速适中，声音清晰有磁性
舰长 Dean 沉稳威严，声音低沉有磁性，领导者气场
AI助手 Chloe 冷静理性，声音清晰专业，略带机械感
工程师 Milo 急躁焦虑，语速偏快，带着紧张感
医生 Chloe 温柔关切，声音柔和有同理心
科学家 Dean 冷静理性，声音低沉冷漠，学术气息
分配原则：
  • 根据角色性格选择合适的音色
  • 通过情感控制调整语气、语速、情感
  • 主要角色使用不同音色，避免混淆
  • 次要角色可复用音色，用情感控制区分

三个核心模型

🎙️ mimo-v2.5-tts

主模型
基础TTS模型，支持情感控制、多音色、方言、唱歌

🎨 voicedesign

音色设计
通过文本描述设计新音色，无需参考音频

🔄 voiceclone

音色复刻
上传音频样本，克隆音色，支持跨语言

API调用示例

from openai import OpenAI client = OpenAI( api_key="your-api-key", base_url="https://api.mimo.ai/v1" ) response = client.audio.speech.create( model="mimo-v2.5-tts", voice="Chloe", input="用悲伤、低沉的语气说：这么多年过去了..." ) response.stream_to_file("output.mp3")

推荐场景

📚 多角色有声剧/广播剧

导演模式适合复杂角色配音，情感控制精细

✅ 强烈推荐

🎮 角色配音/游戏配音

VoiceDesign可创建游戏角色专属音色

✅ 强烈推荐

💬 情感化语音内容

情感控制能力强，适合情感类内容

✅ 强烈推荐

🌍 方言/特色语音

支持多种方言，满足地域化需求

✅ 推荐

edge-tts 适用场景：
  • 简单朗读/播报（无需情感控制）
  • 快速原型验证（免费无需API Key）
  • 批量处理（稳定性好）

💡 总结

小米MiMo TTS相比edge-tts具有显著优势：精细情感控制、角色演绎能力、音色定制、方言支持、唱歌模式。特别适合多角色有声剧、情感化语音内容、角色配音等场景。

当前公测免费，建议抓紧试用，体验情感控制带来的差异。