小米公司今日宣布推出面向智能体时代的全链路语音模型系列——MiMo-V2.5-TTS Series与MiMo-V2.5-ASR。该系列模型突破传统语音技术局限，通过整合语音合成与识别两大核心能力，构建起覆盖输入输出全流程的智能化语音交互体系，为智能设备赋予更自然的人机对话能力。
在语音合成领域，MiMo-V2.5-TTS Series包含三款创新模型。基础版MiMo-V2.5-TTS搭载数十种专业级音色库，支持语速、情感、语调等12维参数的精细调控，可满足有声读物、智能客服等场景需求。VoiceDesign版本通过自然语言指令即可生成全新音色，用户仅需描述"温柔女声"或"沧桑男声"等特征，系统即可在30秒内完成音色建模。VoiceClone版本则突破性实现小样本音色克隆技术，仅需5分钟音频样本即可复现目标音色，同时保持98%的风格指令遵循率。
该系列模型独创的分层指令系统引发行业关注。在处理复杂创作需求时，用户可提交包含角色设定、场景描述、对话指导的三级结构化文本，模型能精准识别各层级指令并动态组合输出。例如在游戏NPC配音场景中，系统可同时保持角色音色统一性与单句表演独立性。更值得关注的是其音频标签技术，允许在文本中嵌入类似"[愤怒][加快语速]"的标记，实现帧级语音控制。
语音识别模型MiMo-V2.5-ASR选择开源路线，其核心技术突破体现在复杂场景适应能力。经实测，该模型在强噪声环境下（信噪比-5dB）仍保持89%的识别准确率，在吴语、粤语等8种方言混合对话场景中错误率低于12%。特别针对中英混合语料（Code-Switch）优化后，模型可自动识别语种切换点，无需预先标注即可实现流畅转录。在专业领域测试中，古诗词、医学术语等知识密集型内容的识别准确率达到94.7%。
技术白皮书显示，ASR模型采用多模态预训练架构，通过融合声学特征与语义信息，在AMI会议数据集上取得14.2%的词错率，刷新行业纪录。其独创的动态标点系统可结合语音停顿与语义逻辑自动插入标点，后处理效率提升60%。目前该模型已支持实时流式识别，端到端延迟控制在300ms以内。
开发者生态建设方面，小米开放平台提供双重接入方案：TTS系列三款模型在MiMo API平台提供限时免费调用服务，配套上线的MiMo Studio可视化工具支持零代码语音创作；ASR模型则通过GitHub开源代码与模型权重，提供PyTorch实现框架及预训练检查点。文档中心显示，当前已有超过2.3万开发者注册使用相关服务，日均处理语音数据量突破1.2PB。
