小米 MiMo V2-TTS 语音合成

解决的问题

当工程师需要在本地脚本、CI 任务或工具链中生成配音，而不是在网页控制台手工操作时，核心问题是：如何稳定调用 MiMo V2-TTS，把文本转换为可落盘或可流式消费的音频。这个技能把调用封装为命令行参数，减少手写 API 请求和音频格式处理的重复工作。

工作方式

• 输入与输出：通过 --text 传入合成文本，用 --output 指定文件路径；默认输出 wav，流式模式使用 pcm16。
• 音色与风格：--voice 可选择 mimo_default、default_zh、default_en；合成文本会自动放在 assistant 角色消息中，风格标签需放在文本开头，唱歌场景需按说明使用 唱歌 标签。
• 运行要求：必须设置 MIMO_API_KEY；单次文本建议控制在 2000 字以内，长文本分段处理，避免超时。

适用边界

它适合需要脚本化生成中文、英文或默认音色音频的场景，尤其是把 TTS 输出接入后续流程。若需要复杂多人对话编排、实时低延迟交互，或依赖尚未在文档中列出的风格标签，需要额外验证。