小米发布自研语音大模型 细粒度情感控制赋能人机交互

小米推出MiMo-V2-TTS多方言语音合成大模型，以亿级数据预训练实现单句内复杂情感递变。这一突破不仅高度还原人类真实韵律，更将深度赋能智能座舱与全屋智能场景，推动AI助手向共情交互演进。

告别机械发音 亿级数据淬炼微观情绪感知

小米正式发布自研语音合成大模型Xiaomi MiMo-V2-TTS 标志着其在高度可控与高表现力语音生成领域取得了决定性进展。该模型基于小米自研的Audio Tokenizer及多码本语音文本联合建模架构 经过上亿小时真实语音数据的大规模预训练 成功实现了从宏观风格定调到局部微观情绪的精准细腻调节。

不同于传统TTS生硬的平铺直叙 MiMo-V2-TTS首次具备了在单句台词内完成语气急转与情感细腻递变的能力 能够高度还原人类说话时的自然韵律 甚至支持具备专业级音高与节奏准确度的歌声合成。在技术实现上 小米创新性地引入了多维度强化学习机制 以兼顾生成过程的稳定性与最终声音的表现力。模型现已能够智能识别标点符号、特殊语气词及强调标记等文本信号 无需任何人工额外标注即可自动转化为最恰当的语音表达。此外 该模型展现出极强的跨地域适应能力 完美支持东北话、四川话、河南话、粤语及台湾腔等多种复杂方言 并且能够进行深度的角色化演绎。

图源备注：图片由AI生成

迈向多模态协同 智能座舱体验迎来重塑

作为小米AI语音技术路线图上的关键里程碑 MiMo-V2-TTS的野心远不止于单一维度的语音播报。根据官方规划 该模型未来将进一步拓展多语种覆盖范围 并与MiMo-V2-Omni的多模态理解能力进行深度融合。

这种从单一语音合成向多模态感知与表达协同演进的技术路径 预示着AI智能体正从单纯的语义指令交互阶段 大步迈向更具人格化 且具备深度情感共鸣的新一代人机交互时代。可以预见 随着该模型在终端硬件上的大规模落地 小米汽车的智能座舱系统以及米家全屋智能场景的用户体验将迎来一次颠覆性的重塑。