MiMo 语音合成与识别

问题

语音合成在本地脚本、内容流水线或有声内容生成中，常遇到三类麻烦：TTS API 只返回裸能力，长文本容易超时；无 Key 或限流时没有降级；输出格式、数字口语化、批量文件处理需要自己拼接。MiMo TTS & ASR 面向这些工程缝隙，把模型调用包成可复用的命令行工作流。

工作方式

核心能力围绕 scripts/tts.py 与 scripts/asr.py：

• 三合一 TTS：预置音色、自然语言音色设计、参考音频克隆统一入口；
• 工程兜底：无 MIMO_API_KEY 时切换 edge-tts，并对 429、502/503、超时做重试与随机延迟；
• 长文本处理：按标点切段、批量读取文件、监听目录新增 .txt；
• 输出保障：自动识别 wav/mp3/ogg，检查空文件与过短音频，支持缓存、降噪、音量归一化。

边界

ASR 云端能力仍为预留，本地识别通常需要 GPU 与 CUDA。当前三款 TTS 模型限时免费，正式计费后建议保留 --cache。该技能依赖 ffmpeg/ffprobe 与 python3，适合作为内容批处理、有声演示和语音原型工具，不适合替代官方 API 的鉴权、配额或合规控制。