小米MiMo-V2.5语音大模型：自然语言调度声音，ASR开源方言识别领先

📰 概要

2026年4月24日，小米发布MiMo-V2.5语音大模型系列，覆盖TTS合成和ASR识别两大能力。核心卖点：用自然语言调度声音表现。

TTS系列包含三款模型：基础版（多音色精细控制）、VoiceDesign（一句话生成新音色）、VoiceClone（少量样本复刻）。

已上线MiMo开放平台，限时免费。

MiMo-V2.5-ASR正式开源。中英双语、方言、噪音场景识别性能业界领先，支持粤语、吴语、闽南语、四川话等。

「自然语言调度声音」是这次的核心创新。过去调TTS要写参数（语速0.8、情绪悲伤），现在直接说「像演员读独白那样缓慢低沉」，模型就能理解。

这对非技术用户是大利好。但精细控制的稳定性还需要实测验证——自然语言的歧义性可能导致输出波动，批量生产时一致性是个问题。

ASR开源值得注意。语音识别在方言、噪音等真实场景下一直有瓶颈，小米敢开源说明对自己模型有信心。

来看TTS三款模型的定位差异：

三个模型共享底层能力，但各有侧重。通用场景用基础版，定制需求用Design或Clone。

TTS的技术亮点在「导演剧本级输入」。把角色、场景、指导分层描述，各层独立更新、自由组合。这解决了一个痛点：长文本合成时风格飘移。

ASR的方言支持是差异化优势。粤语、吴语、闽南语、四川话，这些方言场景的公开数据集极少，小米有手机终端的用户数据做训练基础。

开源ASR的竞争格局：Whisper仍是基准，但中文方言场景Whisper表现一般。MiMo如果在这方面确实领先，对做语音交互的开发者有吸引力。

对开发者来说，TTS限时免费是试水的好时机。VoiceClone的复刻能力可快速验证——用你自己的几段录音，看克隆效果是否满足产品需求。

什么情况不建议用：对音色一致性要求极高的商业项目（如有声书批量生产），TTS指令遵循稳定性还没被大规模验证。

需要实时低延迟的场景（如游戏语音交互），大模型TTS推理速度可能不够。