4月24日消息,小米正式推出 MiMo-V2.5 语音大模型套件,包含三款闭源 TTS 模型和一款开源 ASR 模型,补齐昨日公测的 MiMo-V2.5 主力模型家族在语音输入输出侧的能力,将语音链路绑定到其 Agent 产品路线上。TTS 限时免费、ASR 权重代码同步开源是本次发布的两个关键策略差异点。
三款 TTS 走"自然语言即控制"路线,对标 VoxCPM 2 的 Voice Design
MiMo-V2.5-TTS 系列由三款模型组成,分别对应不同的音色创作场景。MiMo-V2.5-TTS 基础版内置多款精品音色,开箱即用;MiMo-V2.5-TTS-VoiceDesign 支持一句话描述生成新音色,例如输入"30 岁知性女声,带轻微南方口音,适合播讲财经新闻",模型即可生成对应声线;MiMo-V2.5-TTS-VoiceClone 则走少样本高保真复刻路线,给少量目标样本即可克隆音色,同时保留风格指令遵循能力。
三款模型共享同一套风格指令控制能力,支持用自然语言调度语速、情绪、语气、发声方式等维度,不需要填写结构化参数。从宣传口径看,小米强调的是"像对演员说戏一样"的指令方式,和参数化控制形成区隔。
ASR 开源,方言覆盖吴语、粤语、闽南语、四川话
MiMo-V2.5-ASR 作为听觉基座模型,今日同步在 GitHub 和 HuggingFace 开源了权重和代码。能力覆盖中英双语、中文方言(吴语、粤语、闽南语、四川话等)、Code-Switch(中英混说)、强噪音、多说话人、高知识密度、歌词识别等复杂真实场景,原生输出标点符号。
官方给出的卖点是"转写结果即拿即用",即无需后处理即可直接投入下游 NLU 流程。不过小米未公布具体的 WER/CER 数值和对比实测,这在当前语音模型发布中是比较少见的处理方式。
发布时点:昨日 MiMo-V2.5 主模型公测,今日补齐语音链路
本次语音发布紧接 4 月 23 日的 MiMo-V2.5 系列主模型公测。MiMo-V2.5-Pro 被小米定位为对标 Claude Opus 4.6 和 GPT-5.4 的旗舰 Agent 模型,主打百万 Token 长程任务执行。语音模型的发布意图明确:为 Agent 场景补齐声音输入输出环节,让语音成为可被大模型自由调度的一个模态。 小米同时预告,下一步将向通用音频生成(音效、音乐)以及更强的上下文音频理解能力扩展,意味着 MiMo 的音频线还会继续延展。
竞品对比:TTS 开源生态已相当拥挤
在 TTS 赛道,小米面对的是一个已经非常饱和的市场。阿里 CosyVoice 3 已迭代到 v3-plus,开源且支持 3 秒克隆、150ms 首包延迟,方言覆盖粤语、四川话、上海话、天津话、武汉话等;阿里 Qwen3-TTS 支持 17 种音色、10 种语言(含 9 种汉语方言),开源。字节 Seed-TTS 闭源,中文 CER 1.12%,支持 5 秒克隆,商用 300+ 音色。MiniMax Speech 2.5 在粤语自然度上被多篇评测视为国内优选。VoxCPM 2(面壁智能)2B 参数开源,支持 9 种中国方言,已经实现"Voice Design 纯文字描述生成音色"能力;IndexTTS2(B 站)开源,主打情感解耦。
小米 MiMo-V2.5-TTS 的 VoiceDesign 与 VoxCPM 2 的同名功能在定位上高度重合,但小米选择闭源+限免策略,而 VoxCPM 2 是开源免费商用。ASR 端开源的选择则更接近阿里 FunASR 路线,与字节、MiniMax 的闭源 API 模式拉开身位。
局限与风险
未公布关键指标:与 VoxCPM 2 公开 WER/CER/SIM 四项指标的做法不同,MiMo-V2.5 系列未给出具体的词错率、字错率、音色相似度等量化数据,也未明确模型参数量、首包延迟、实时率(RTF)等部署关键参数,外部难以直接对齐 CosyVoice 3、Seed-TTS 等主流模型的性能水位。
限时免费不等于持续免费:TTS 三款仅在 MiMo API 开放平台"限时免费",未披露后续定价机制和免费窗口期,中长期成本仍是未知数。
开源不对称:ASR 开源、TTS 闭源的组合对开发者吸引力有限。对需要私有化部署完整语音链路的客户,仍需自行补齐 TTS 侧;而对只需调 API 的用户,MiMo 开放平台的生态规模与阿里百炼、火山方舟存在数量级差距。
小米本体生态尚需证明承接能力:MiMo 能否借小米手机、汽车、IoT 生态形成与其他厂商差异化的数据回流闭环,还需要后续产品落地验证。目前发布未披露任何与小米硬件深度集成的落地方案。