Agent Skills
返回列表
MiMo V2.5 语音合成

MiMo V2.5 语音合成

设计多媒体 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_a5827f21/mimo-v2-5-tts。

技能介绍

问题

TTS 调用常常只解决“把文本念出来”：同一句内容要不同语气、方言、唱腔或更自然的停顿，往往还要反复手写提示词、拼接口和调试参数。mimo-v2.5-tts 针对这类中文/英文语音生成场景，把模型选择、风格控制和音频输出整理成脚本化流程。

工作方式

它封装 MiMo V2.5 系列三个入口：

  • mimo-v2.5-tts：预置音色，支持中英文与唱歌
  • mimo-v2.5-tts-voicedesign：用一段音色描述生成新声音
  • mimo-v2.5-tts-voiceclone：用 mp3/wav 样本复刻声音

自然语言控制通过 --context 传入，可描述角色、场景和表演指导，形成“导演模式”。文本内还能插入风格或音频标签，例如 (唱歌)、(东北话)、[停顿]，用于句内语气、情绪和呼吸变化。长文本通常建议一次性生成，超过约 2500 字再按段落合成并用 ffmpeg 拼接。需要发到飞书时，可调用语音发送脚本完成转码、上传和 audio 消息投递。

注意点

预置音色需要明确 Voice ID；音色克隆样本 Base64 后不超过 10 MB，且只支持 mp3/wav；TTS 输出存在随机性，关键片段建议多生成几版再挑选。

使用场景

  • 为中文播客准备开场白，用预置音色和情绪标签生成带停顿、轻笑的音频。
  • 把产品介绍文案拆成多角色旁白，用音色设计生成不同主播声线并试听。
  • 将英文小说章节合成为有声片段，用导演模式控制语速、气息和重音。
  • 把生成的 WAV 转成飞书语音条发给测试群，确认音频消息不是普通附件。

适合人员

  • 负责播客制作的音频编辑，需要快速生成多情绪中文旁白并统一语气。
  • 做产品演示的前端工程师，要把文案变成带停顿、重音的语音 Demo。
  • 做有声内容的独立创作者，想用文本描述定制独特音色并复用到其他文本。
  • 交付飞书消息的自动化工程师，需要把 TTS 音频发成语音条而不是附件。