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：

bash

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_KEYAPI 密钥是MIMO_API_BASEAPI 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#

bash

# 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MiaEN FemaleLivelyChloeEN FemaleSweet DreamyMiloEN MaleSunnyDeanEN MaleSteady 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"