微新创想
今日小米发布Xiaomi MiMo-V2-TTS
这是小米自研的语音合成大模型
不仅能说、能演，还会唱
该模型基于自研Audio Tokenizer
和多码本语音-文本联合建模架构
经过上亿小时语音数据的大规模预训练
以及多维度强化学习
实现了高度可控的多粒度语音风格控制
MiMo-V2-TTS支持从整体风格定调
到局部情绪表达的精准调节
能够在同一句话内完成语气转折
和情感递变
真实还原人类说话的自然韵律
在唱歌时
也能准确表达音高和节奏
自然且富有表现力
为进一步激发模型在大规模预训练中
积累的高表现力语音生成潜力
小米还引入了多维度强化学习
兼顾稳定性与表现力
模型在预训练阶段
通过大量文本-语音对齐数据
学习了书面语与口语表达之间的映射关系
能够智能识别文本中的各类格式信号
如标点符号、语气词、强调标记等
并将其自动转化为恰当、自然的语音表达
全程无需用户额外标注或手动干预
MiMo-V2-TTS还支持多种方言的自然发音
包括东北话、四川话、河南话、粤语、台湾腔等
可进行角色扮演式的风格化演绎
还能实现高质量的歌声合成
小米表示
MiMo-V2-TTS是其语音技术路线图上的重要里程碑
但绝非终点
在小米的规划中
中英文之外更多语种的覆盖
以及与 MiMo-V2-Omni 多模态理解能力的深度融合
让 Agent不仅能看懂世界、理解世界
更能以富有表现力的人类声音去讲述这个世界
